基于自适应侧抑制网络的红外弱小目标检测

 为了提高远距离红外弱小目标的检测效率,提出了一种基于自适应侧抑制网络的复杂背景下的红外弱小目标检测方法。该方法建立了改进的侧抑制网络数学模型,利用各向异性滤波来自适应地确定侧抑制网络的抑制系数,不需要人为干预,实现了侧抑制网络与各向异性高斯滤波的有机结合。同时,在各向异性高斯滤波器两轴确定方面进行了改进,两轴分别采用对比度尺度模型和强度尺度传播模型来独立确定。通过与传统弱小目标检测方法的对比实验,验证了方法的有效性。     

强背景下模糊闪烁成像目标探测与跟踪

 强背景下空中运动目标主要表现为边缘残缺、模糊，甚至出现闪烁、间断等复杂成像特性，这成为制约目标探测和成像跟踪的瓶颈问题。结合跟踪过程反馈信息来确定目标点扩展函数，利用一种新的Ben-Ezra图像复原模型，解决了目标运动模糊的图像复原问题；采用基于特征伴随值的相似性判断方法，构造联结机制的联想网络模型，来解决目标闪烁和残缺特征的联想问题。对提出的方法进行了图像序列的仿真，取得了较好的实验结果。     

强杂波背景红外弱小目标检测算法

针对强杂波背景远距离红外弱小信号目标的特点,提出了一种基于自适应滤波的红外弱小信号检测方法。算法首先对图像进行消噪声处理,其次运用自适应滤波方式消除背景增强目标信号,最后进行基于点源目标(试验采集)成像信号特性的判决法则删除虚假目标,算法有效解决了光电探测设备高检测概率与低虚警率的矛盾。实验结果表明:该方法能够在单帧图像上有效提取出小区域信噪比为4的弱小信号目标,检测概率不低于0.75,虚警率不高于1次/100帧。     

基于C-V模型的改进快速水平集图像分割法

针对水平集方法计算复杂度高,无法满足实时系统要求的缺陷,提出一种改进的快速水平集算法。该算法对快速水平集算法进行简化,采用单链表表示轮廓曲线。利用C-V模型的二值拟合项来设计曲线演化的速度函数,保留了C-V模型的全局优化特性。还给出了一个基于单链表中轮廓点个数变化的水平集演化终止准则。该算法不仅明显提高了分割速度,且对噪声图像也能实现高效的分割。     

基于多特征融合的图像匹配模式

 常规图像匹配模式主要利用了像素的灰度信息和形状信息，而弱小目标检测与跟踪过程中，这两种信息都缺乏明显特征，难于满足高精度、稳定跟踪的要求。提出一种新的匹配模式，即从图像数据里提取包括灰度、形状在内的多种特征信息。寻找一种简单有效的信息融合手段，进而获取一种综合特征，利用“综合特征”进行相似度量来确定目标的最佳定位。仿真计算结果表明，该方法是可行和有效的。     

局部对比度结合区域显著性红外弱小目标检测

为了解决局部对比度方法的计算效率低,以及在某些红外场景中易出现虚警的问题,将其与图像区域显著性相结合,提出一种改进的局部对比度算法——区域局部对比度算法,仅在图像的显著性区域中进行局部对比度计算,而非遍历整幅图像。首先进行基于图像信息熵和局部相似性的红外图像区域显著性度量,经二值化得到单帧图像显著性区域;接下来在该区域中进行局部对比度数值计算,得到区域局部对比度图像,最后经过自适应阈值分割,得到弱小目标检测结果。实验结果表明,区域局部对比度算法可以极大提高红外弱小目标的信噪比,检测结果准确,虚警率低,与原始的局部对比度算法相比,检测效率有明显提升,可以更好地保持弱小目标的形状。     

各向异性SUSAN滤波红外弱小目标检测

为了解决SUSAN滤波算子不能自适应调整滤波系数的问题,采用Geusebroek提出的各向异性高斯滤波器替代SUSAN滤波算子中的高斯滤波部分。由局部图像的方差和像素的邻域平滑度决定长短轴的方差,由该点的梯度方向决定滤波器的长轴方向,由局部图像的灰度值与均值差的一阶范数确定SUSAN滤波器的阈值,从而构造出各向异性SUSAN滤波器。将其用于红外弱小目标检测中,实验结果表明:各向异性SUSAN滤波器能够很好地保留图像中的边缘信息,使残差图像中弱小目标的信噪比增益和信杂比增益极大地提高,目标大小得到较好的保留,虚警率下降。     

改进的非下采样Contourlet变形红外弱小目标检测方法

针对存在复杂背景干扰和噪声的红外图像弱小目标检测问题,提出了一种非下采样Contourlet变换（NSCT）的改进的红外弱小目标检测方法。首先对含弱小目标的红外图像进行预处理,然后利用NSCT进行变换,并利用改进的非线性映射函数和能量交叉融合相结合的方法实现了背景杂波的抑制,最后引入Otsu算法进行阈值分割分离出红外弱小目标。通过与同类弱小目标检测算法的对比实验,验证了该方法的有效性。