基于FLS-SVM背景预测的红外弱小目标检测

提出了一种基于模糊最小二乘支持向量机(FLS-SVM)进行背景预测、利用模糊Tsallis-Havrda-Charvat熵实现阈值分割的红外弱小目标检测方法。首先采用FLS-SVM对训练样本进行学习得到回归函数,并以此预测红外图像中的背景;然后将原始图像与预测图像相减得到残差图像,并提出基于模糊Tsallis-Havrda-Charvat熵的阈值选取算法分割残差图像,将小目标和噪声从残差背景中分割出来;最后利用目标灰度的平稳性和运动轨迹的连续性进一步检测出真实的小目标。给出了实验结果及分析,并与基于最小二乘支持向量机(LS-SVM)以及基于最小二乘的背景预测方法的检测结果进行了比较。结果表明,该方法具有更高的检测概率和信噪比增益,优于上述基于背景预测的红外小目标检测方法。     

基于Harris角点全局运动估计的场景锁定算法

场景锁定技术是视频跟踪领域的一个关键技术,需要对图像的全局运动进行估计,常用的运动估计算法由于计算量大、对噪声敏感等因素很难得到实际应用。为了减少运动估计的计算量,提高全局运动估计的精度,提出了一种基于Harris角点全局运动估计的场景锁定方法。将图像分成4×4的16个块,选取每个块中响应值最大的角点,以参考图像角点周围矩形块与待匹配图像进行匹配,然后利用RANSAC算法对角点进行一致性检测,利用最小二乘法解算全局运动参数,最后计算图像之间的累积运动。实验结果表明,该算法运动估计精度高,稳定性好,能较好地实现场景锁定。     

基于脑模型控制器的红外背景预测算法

在分析云背景红外图像空间分布上存在混沌现象的基础上,提出一种基于脑模型控制器的红外背景预测算法.该方法利用混沌具有短时可预测性的特点,对云背景图像进行预测,并根据云背景杂波和运动目标的混沌特性差异修正预测模型.仿真结果表明,该算法能有效地提高云背景的预测准确度,预测残差符合白噪音特性,对云背景杂波具有良好的抑制效果,能显著提高目标的信杂比,从而改善目标的检测性能.     

基于脑模型控制器的红外背景预测算法

在分析云背景红外图像空间分布上存在混沌现象的基础上,提出一种基于脑模型控制器的红外背景预测算法.该方法利用混沌具有短时可预测性的特点,对云背景图像进行预测,并根据云背景杂波和运动目标的混沌特性差异修正预测模型.仿真结果表明,该算法能有效地提高云背景的预测准确度,预测残差符合白噪音特性,对云背景杂波具有良好的抑制效果,能显著提高目标的信杂比,从而改善目标的检测性能.     

基于图像区域Lyapunov指数的海面舰船目标检测

为了检测海面背景中的舰船目标,分析了目标存在时背景信号混沌特征的变化,提出了一种基于图像区域Lyapunov指数的目标检测新方法. 新方法定义了图像灰度距离的概念,基于改进的Wolf方法将一维信号Lyapunov指数提取方法扩展到图像信号,利用图像区域最大灰度距离Lyapunov指数的变化检测淹没在混沌背景信号中的目标信号. 实验结果表明海面背景图像信号具有一定的混沌特征,利用新方法能有效检测出海面背景下的舰船目标,检测结果优于基于统计分析的方法. 关键词： Lyapunov指数 灰度距离 混沌特征 目标检测     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

基于多尺度总体最小二乘的图像去噪

提出了一种基于多尺度总体最小二乘的图像去噪算法.采用平稳小波变换对噪音图像进行分解,分别对各个分解层的高频子带,通过总体最小二乘算法估计信号小波系数|并且考虑到不同尺度小波系数之间的相关性,将尺度相关性约束到总体最小二乘算法中,进而准确估计各高频子带信号小波系数,再由估计的信号小波系数通过小波逆变换得到去噪图像.实验结果表明,考虑尺度间相关性的总体最小二乘平稳小波变换图像去噪算法能有效去除图像噪音,在信噪比和视觉质量上有了较大改善.     

基于多尺度总体最小二乘的图像去噪

提出了一种基于多尺度总体最小二乘的图像去噪算法.采用平稳小波变换对噪音图像进行分解,分别对各个分解层的高频子带,通过总体最小二乘算法估计信号小波系数;并且考虑到不同尺度小波系数之间的相关性,将尺度相关性约束到总体最小二乘算法中,进而准确估计各高频子带信号小波系数,再由估计的信号小波系数通过小波逆变换得到去噪图像.实验结果表明,考虑尺度间相关性的总体最小二乘平稳小波变换图像去噪算法能有效去除图像噪音,在信噪比和视觉质量上有了较大改善.     

基于对偶约束最小二乘支持向量机的混沌海杂波背景中的微弱信号检测

基于复杂非线性系统的相空间重构理论,提出一种改进的提取混沌背景中微弱信号的最小二乘支持向量机(LS-SVM)的方法.通过将信号以db3小波逐层分解,进行LS-SVM预测,再进行重构,同时通过增加对偶约束项、改进核函数的方法,建立改进的混沌序列的一步预测模型,从预测误差中检测湮没在混沌背景中的微弱目标信号(包括周期和瞬态信号).最后以Lorenz系统和真实海杂波数据作为混沌背景噪声进行了仿真实验,实验表明此方法能够有效地检测出混沌背景噪声中的微弱信号、抑制噪声对混沌背景信号的影响,与传统RBF神经网络和LS-SVM预测方法相比,预测精度和检测门限方面的性能有显著的提高.     

复杂天空背景下的红外弱小目标跟踪

为解决传统跟踪算法不能有效区分复杂天空云层背景边缘和红外弱小目标,从而在跟踪过程中产生“偏移”的问题。在时空上下文原理基础上分析跟踪“偏移”的原因,引入高斯曲率滤波,提出一种改进的时空上下文红外弱小目标跟踪算法。该算法首先采用高斯曲率滤波对上下文区域进行预处理,在保留上下文区域背景边缘的同时剔除高频的红外弱小目标和噪声,从而获得准确的红外弱小目标置信图,利用红外弱小目标置信图估计出红外弱小目标位置。采用四组复杂天空背景下的红外弱小目标图像序列进行实验,并与经典的模板匹配算法、基于粒子滤波的均值漂移算法和快速压缩跟踪算法三种跟踪算法作比较。实验结果表明,算法在主观视觉和客观评价指标方面均优于其他三种算法,具有更高的目标跟踪精度与较好的实时性,可以实现对复杂天空背景下红外弱小目标的有效跟踪。     

基于核各向异性扩散的红外小目标检测

为了减少红外图像中背景边缘对检测的影响,提出了一种具有鲁棒性的弱小目标检测算法,该算法利用核各向异性扩散模型进行背景预测,再与原图像差分实现弱小目标检测。为了提高算法的自适应能力,提出了一种鲁棒性扩散系数,能够根据图像背景的起伏程度自适应调整扩散系数曲线的陡峭程度。实验结果表明,与现有的检测算法相比,该算法能够在不同类型的复杂背景下有效抑制背景及其边缘,保留目标大小,降低虚警率,具有更强的鲁棒性。     

基于多帧背景的泄漏气体自适应匹配滤波检测

被动傅里叶变换红外(FTIR)扫描遥测成像系统采集的红外高光谱图像具有空间、光谱等维度信息,可被用于大气环境中有毒有害气体的识别、定量及可视化。该系统具有光谱分辨率高、非接触式及远距离探测等优点,然而其单帧图像的像元数量少且部分存在气体吸收或发射特征,无法直接用于红外高光谱图像的目标检测。提出了基于多帧背景的泄漏气体自适应匹配滤波(AMF)检测方法,以短时间内、同一区域的多帧红外高光谱图像为基础,筛选出无目标气体特征的背景光谱并计算探测区域的背景最大似然估计,应用于后续帧的目标气体泄漏检测。红外高光谱图像来自于SF₆气体的遥测实验,共扫描四帧（120像元/帧）,去除前三帧内含有目标气体特征的像元光谱,剩余背景光谱被用于计算背景的最大似然估计,第四帧红外高光谱图像逐像元对SF₆气体进行的AMF检测,并与非线性最小二乘法反演的SF₆柱浓度图像比对,结果表明AMF检测高值与柱浓度高值有较强的相关性。为验证多帧背景在不同空间检测方法下的性能,分别对该帧数据进行了基于正交子空间的自适应子空间检测(ASD)、基于混合空间的自适应余弦检测(ACE)及基于斜子空间的最大似然比检测(OGLRT),并分别与SF₆柱浓度图像比对,结果表明多帧背景适用于不同空间的检测方法。此外,为验证存在目标气体吸收特征的非背景光谱对背景空间的影响,向背景空间中加入多条含有SF₆气体吸收特征的光谱,通过ROC曲线检验,结果表明背景空间中混入目标气体特征会降低AMF方法的检测性能。AMF检测值的假彩色图像也能应用于被动FTIR扫描遥测成像系统,相较于柱浓度假彩色图像,泄漏源及扩散趋势更为明显。基于红外高光谱图像的检测方法依赖于整体背景的统计特性,相较于单像元光谱波段的反演算法,极大地降低了背景的依赖性。多帧背景下的AMF泄漏气体检测方法能很好地应用于被动FTIR扫描遥测成像系统上并满足在线监测要求。     

采用视觉细胞响应模型的小目标复杂背景抑制

为了提高地面和云层等红外复杂背景下弱小目标的检测性能,提出了一种基于视觉细胞响应模型的红外弱小目标背景抑制新方法.首先利用简单细胞的感受野计算模型将原始图像采用Gabor函数卷积获得相同大小的两幅图像|然后采用设计的复杂细胞响应的非线性汇聚策略函数对获得的两幅图像进行融合处理,从而将红外图像中弱小目标和背景杂波分离,达到抑制背景的目的|最后采用自适应阈值分割技术得到目标点,实现了对红外弱小目标的检测跟踪.实验结果显示,与去局部均值和最大中值滤波两种滤波方法相比较,该方法能有效地检测出信杂比较低的弱小目标信号.     

粒子区别性稀疏表征的小弱运动目标跟踪算法

评估每个粒子的重要性是确保粒子滤波法跟踪目标准确性的重要因素。针对背景杂波和噪声干扰形成的大量虚警导致小弱目标跟踪识别的随机性和不确定性问题, 提出了一种基于粒子区别性稀疏表征的小弱目标跟踪方法。该方法根据红外图像信号自适应构建分类超完备字典, 即反映目标信号特征的目标字典和表示背景杂波的背景字典, 有利于突出目标粒子和背景粒子在联合分类字典的稀疏表征差异程度;建立基于目标粒子和背景粒子稀疏重构残差差异性的粒子滤波观测模型, 采用随机估计法对字典子空间进行在线更新, 实现对目标状态估计与跟踪。理论分析和试验结果表明, 该方法增强了随机粒子的状态估计能力, 提升了粒子稀疏表征对小弱运动目标的适应能力和跟踪识别准确度。     

核密度估计时-空域滤波红外背景抑制方法

提出一种基于核密度估计的时-空域滤波算法,用于红外搜索跟踪系统图像的背景抑制。算法分为空域滤波和时域滤波两部分。在空域滤波中,采用核密度估计算法对背景进行平滑;在时域滤波中,采用核密度估计算法对经过空域滤波后的图像灰度值进行概率计算,判别属于背景残差的灰度值,然后做进一步的滤除。核方法对背景有很好的光滑性且易于计算机实现,实验表明,这种非参方法设计的时-空域滤波算法对背景杂波有非常良好的抑制效果,信噪比也得到明显提高。     

Morphological center operator for enhancing small target obtained by infrared imaging sensor

Infrared small target in image obtained by infrared imaging sensor is usually different from the surrounding regions, which is the important region in infrared image for different applications. However, the infrared small target is dim and embedded in clutter background, which makes the small target difficult to be detected or recognized. So, it is important to enhance infrared small target. Morphological center operator could smooth important image features, which may be well used for infrared small target enhancement. To well enhance infrared small target, a morphological center operator based method is proposed. The morphological center operator is specified to suppress most of the background of the infrared image through the strategy of feature extraction. Then, the infrared small target is well enhanced. Experimental results show that, the proposed method performs well for enhancing infrared small target and the performance is better than some other methods. So, the proposed method could further improve the performance of infrared imaging sensor.     

Infrared dim-small target tracking via singular value decomposition and improved Kernelized correlation filter

Infrared small target tracking plays an important role in applications including military reconnaissance, early warning and terminal guidance. In this paper, an effective algorithm based on the Singular Value Decomposition (SVD) and the improved Kernelized Correlation Filter (KCF) is presented for infrared small target tracking. Firstly, the super performance of the SVD-based algorithm is that it takes advantage of the target's global information and obtains a background estimation of an infrared image. A dim target is enhanced by subtracting the corresponding estimated background with update from the original image. Secondly, the KCF algorithm is combined with Gaussian Curvature Filter (GCF) to eliminate the excursion problem. The GCF technology is adopted to preserve the edge and eliminate the noise of the base sample in the KCF algorithm, helping to calculate the classifier parameter for a small target. At last, the target position is estimated with a response map, which is obtained via the kernelized classifier. Experimental results demonstrate that the presented algorithm performs favorably in terms of efficiency and accuracy, compared with several state-of-the-art algorithms.     

An improved infrared dim and small target detection algorithm based on the contrast mechanism of human visual system

To achieve higher detection rate and lower false alarm rate in dim and small target detection, this paper proposed an improved algorithm based on the contrast mechanism of human visual system (HVS) for infrared small target detection in an image with complicated background. According to the contrast mechanism of HVS, Laplacian of Gaussian (LoG) filter is exploited to deal with the input image, which can not only suppress the background noise and clutter but also enhances the target intensity significantly. As a result it increases the contrast ratio between target and background. To further eliminate residual clutter, we process the filtered image with morphological method in all directions. True target is finally obtained by applying local thresholding segmentation to the pre-processed image. Experimental results demonstrate its superior and reliable detection performance by high detection rate and low false alarm rate.     

Infrared small target tracking based on sample constrained particle filtering and sparse representation

Infrared search and track technology for small target plays an important role in infrared warning and guidance. In view of the tacking randomness and uncertainty caused by background clutter and noise interference, a robust tracking method for infrared small target based on sample constrained particle filtering and sparse representation is proposed in this paper. Firstly, to distinguish the normal region and interference region in target sub-blocks, we introduce a binary support vector, and combine it with the target sparse representation model, after which a particle filtering observation model based on sparse reconstruction error differences between sample targets is developed. Secondly, we utilize saliency extraction to obtain the high frequency area in infrared image, and make it as a priori knowledge of the transition probability model to limit the particle filtering sampling process. Lastly, the tracking result is brought about via target state estimation and the Bayesian posteriori probability calculation. Theoretical analyses and experimental results show that our method can enhance the state estimation ability of stochastic particles, improve the sparse representation adaptabilities for infrared small targets, and optimize the tracking accuracy for infrared small moving targets.