天文光电图像序列目标成像特征提取与分析

地基大视场天文光电观测系统获取的序列图像中,空间目标和数目众多的恒星目标成像特性相似,大部分都表现为弱、小目标特性,需根据二者特征之间的微小差异实现目标的正确可靠识别.首先分别从空域和时域的角度出发,将目标的成像特征分为静态特征和动态特征,并提出了相应的特征计算方法.然后结合实测数据,根据目标的特征提取结果深入分析了空间目标和恒星目标的成像特征,并详细比较了两者的成像特征差异.空间目标和恒星目标的成像特征提取和分析,为空间目标虚警的消除提供了大量的判决依据,有助于空间目标的低虚警率检测识别.     

光电探测中空间目标和恒星目标运动特性分析

地基大视场天文光电观测系统获取的序列图像中,空间目标和数目众多的恒星目标成像特性相似,两者的区别主要是其运动特性差异.以圆轨道空间目标为例,并忽略地球自转的影响,分析了低轨道空间目标在不同仰角处的运动特性;在建立地平坐标系和时角坐标系这两种天球坐标系的基础上,分析了恒星目标·在不同方位不同仰角处的运动特性;比较了空间目标和恒星目标在视场中运动特性的差异,结果表明恒星目标的运动体现为慢速运动,而空间目标表现为明显的运动特性,且在短时间内可以认为是匀速直线运动.     

可见光遥感图像中舰船目标检测方法

本文提出了一种基于标准差特征平面Contrast box滤波的可见光遥感图像舰船目标检测方法.选用局部统计方差作为目标检测特征,实现对不同亮度舰船的统一特征描述,并消除海面平均亮度变化的影响.然后在二维检测特征平面上通过Contrast box滤波自适应确定局部目标检测阈值,并结合目标的空间结构信息完成疑似目标定位.最后借助先验舰船特征模型对疑似目标集合进行验证以去除虚警,输出最终目标检测结果.实验结果表明,该方法对于可见光遥感图像中的舰船目标能够达到99.5%的目标检测准确率,同时目标检测虚警率为5%.     

图像配准在缓动弱小空间目标检测中的应用

在固定大视场光电探测系统图像中,远距离空间目标运动角速度慢、星像小,难以从众多恒星星像中有效检测到.针对上述问题,提出了一种基于恒星配准后差分相乘的缓动弱小空间目标检测算法,首先在空域上利用形态学Top-hat滤波抑制背景增强目标,然后在时域上将恒星配准后差分相乘增强缓动弱小空间目标,最后经自适应门限分割与航迹关联进行目标确认.实测结果表明,算法全面考虑了缓动弱小空间目标在时域及空域方面的特性,能有效地从复杂背景中检测到低信噪比缓动弱小目标,并满足实时性的要求.     

海空复杂背景下红外弱点目标检测新算法

为解决海空复杂背景下红外弱点目标的检测,提出了多量级多向梯度表决融合检测算法。算法依据目标红外辐射特征是像素灰度在水平和垂直方向上梯度变化,将弱点目标特性转化为对图像奇异性的分析。算法用多个量级的梯度步长对图像目标进行检测,并对检测的结果进行表决融合。实验结果表明,红外阈值系数选取2.0-2.4时,算法可对信杂比为1的点目标实现高于95%的检测概率及较低的虚警率。     

空间目标光度特性测量方法研究

空间目标的光度特性反映了目标的在轨运动状态,通过空间目标的光度测量可以判断空间目标在轨特性和进行空间目标的编目识别.比较了空间目标光度特性光度计和CCD测量的两种方法,并采用恒星比对的方法,得到了空间目标的星等数据,实验结果表明两种测量方法星等精度相当,但CCD测量可以在白天测量空间目标的光度特性.     

确认水下目标存在的条件条件

本文基于系统虚警概率，提出了确认水下目标存在的条件和方法。在工程上具有一定的实用性。     

确认水下目标存在的条件分析

本文基于系统虚警概率,提出了确认水下目标存在的条件和方法。在工程上具有一定的实用性。     

非瑞利混响背景下接收机工作特性曲线仿真

介绍了高分辨主动声呐的非瑞利分布混响的产生原因及几种典型的混响概率密度分布函数,并通过对混响概率密度分布函数的拖尾分析及其高阶统计量的比较,分析了检测过程中虚警概率增大的原因。此外,在窄带信号检测条件下,利用蒙特卡洛方法对瑞利分布和非瑞利分布混响背景下的接收机工作特性曲线进行了仿真。     

合成孔径雷达图像的恒虚警率目标检测

目的　对合成孔径雷达 (SAR)图像实施恒虚警率 (CFAR)目标检测 .方法　利用 K-Gamma和Weibull分布的杂波模型分别对海面和陆地的人造目标实施检测 ;同时 ,对不同杂波背景下 CFAR检测方法进行比较 .结果与结论　通过检测结果的比较 ,证实了 K-Gamma分布和 Weibull分布分别适合于海面和陆地杂波背景下的目标检测 ;在非均匀杂波背景中 ,有序统计量 (OS)较单元平均 (CA)方法具有优越性     

深空背景下基于Delaunay三角剖分的多成像器目标对应算法

针对深空背景下,目标距离成像器较远,目标在多个成像器平面呈弱小目标,目标点之间的形状及灰度特征没有明显区别的现状,提出了基于目标点之间形成的几何组合来完成目标点在不同成像平面对应的算法.该算法首先对各个成像器目标检测后获取的目标点集根据成像器间的姿态信息进行旋转补偿,然后对补偿后的目标点集进行Delaunay三角剖分,...     

基于时空坐标图像的运动点目标检测方法

针对复杂背景下运动点目标检测方法存在的局限性,提出从时间空间角度检测运动目标的方法.在时间空间域里,背景的复杂纹理表现为无限长直线,运动目标则表现为有限长线段.针对该特点,运用逐点灰度均值将背景与运动点目标分离,并根据投影关系将目标投影到二维空间,获得直观的目标运动轨迹.试验结果表明,该方法能较好地从复杂背景中分离出速度不大于1像素/帧的点目标,且可同时进行多目标的检测,抗噪声能力强.     

基于背景杂波自适应预测的微小目标检测(英文)

本文主要研究基于图像的强空域杂波背景下微小目标检测.本文提出了一种新的基于邻域梯度差平方累积函数最小原则的背景杂波自适应预测算法.该算法能显著改善微小目标的信杂比(SCNR).试验证明,本算法相对于已有的多种算法,有着更好的性能.本文还引入了一种基于统计分析的快速检测算法,该算法能在较低的虚警概率情况下,获得更高的检测概率.理论分析及仿真表明,本文提出的检测系统在微小目标检测中,具有很高的实用性.     

基于CEM的高光谱图像小目标检测算法

针对高光谱图像中小目标检测问题,提出了一种基于约束能量最小化(Constrained Energy Minimization,CEM)的目标检测算法.该算法首先对原始图像进行背景信息抑制从而抑制背景地物、突出低概率的小目标,用迭代误差分析的自动端元提取算法找出目标的端元光谱,然后把目标端元光谱代入CEM滤波器得到该目标的检测结果图.用高光谱数据进行了实验研究,并与CEM滤波器进行了比较.结果表明,其检测性能与直接采用CEM方法的检测性能相当,但是相对于CEM方法,该算法不需要目标的先验光谱信息,更具有实用性.     

基于声呐历程累积图像的弱回波目标检测方法

针对浅海随机噪声与混响背景下蛙人等弱回波强度、慢速小目标的检测问题,提出一种基于声呐历程累积图像的目标检测方法。首先根据声呐图像时域、空域相关性,采用背景空时归一化处理技术,抑制声呐背景中的静态混响、突发性噪声等强回波干扰。声呐历程累积图像集成了多帧声呐图像的信息,目标回波亮点由于运动连续性形成亮线特征,利用该特征,采用Radon恒虚警率(Radon Constant False Alarm Rate,Radon-CFAR)检测声呐历程累积图像中的目标短时运动轨迹,能够检测到低信噪比的目标。分析了空时归一化处理和检测算法的性能,并通过海试数据验证了该算法的有效性,可以检测到低信噪比的蛙人目标回波。     

基于声呐历程累积图像的弱回波目标检测方法

针对浅海随机噪声与混响背景下蛙人等弱回波强度、慢速小目标的检测问题,提出一种基于声呐历程累积图像的目标检测方法.首先根据声呐图像时域、空域相关性,采用背景空时归一化处理技术,抑制声呐背景中的静态混响、突发性噪声等强回波干扰.声呐历程累积图像集成了多帧声呐图像的信息,目标回波亮点由于运动连续性形成亮线特征,利用该特征,采...     

Fire Detection Method Based on Improved Fruit Fly Optimization-Based SVM

Aiming at the defects of the traditional fire detection methods, which are caused by false positives and false negatives in large space buildings, a fire identification detection method based on video images is proposed. The algorithm first uses the hybrid Gaussian background modeling method and the RGB color model to perform fire prejudgment on the video image, which can eliminate most non-fire interferences. Secondly, the traditional regional growth algorithm is improved and the fire image segmentation effect is effectively improved. Then, based on the segmented image, the dynamic and static features of the fire flame are further analyzed and extracted in the area of the suspected fire flame. Finally, the dynamic features of the extracted fire flame images were fused and classified by improved fruit fly optimization support vector machine, and the recognition results were obtained. The video-based fire detection method proposed in this paper greatly improves the accuracy of fire detection and is suitable for fire detection and identification in large space scenarios.