基于改进加权增强局部对比度测量的红外小目标检测方法

红外弱小目标检测技术是红外搜索与跟踪系统的重要组成部分(IRST)。一般来说,在复杂背景环境下,红外弱小目标检测往往会有高虚警率和低检测率的问题。为了解决这一问题,提出一个改进的加权增强局部对比度测量（IWELCM）检测框架,具有重要意义。首先,通过将局部对比度机制与信杂比(SCR)的计算相结合,提出一个增强的局部对比度测量方法,在增强图像中疑似红外弱小目标区域的同时也提高图像的SCR。其次,通过利用红外图像中弱小目标的特性,以及目标与周围背景的统计差异,提出一个改进的加权函数来进一步增强目标和抑制背景。最后,采用一个自适应阈值分割的方法去获取检测的目标。在不同场景的数据集上的对比实验表明,与七种现有流行的方法相比,提出方法在复杂背景下能够有效地从干扰对象中提取真实的红外弱小目标,具有更好的检测性能。     

基于局部对比度机制的红外弱小目标检测算法

针对复杂背景和低信杂比条件下的红外弱小目标检测难题,提出了一种基于局部对比度机制的红外弱小目标检测方法。该方法提出了一个包含中心层、中间层和最外层的3层窗口,可以使用单尺度计算完成不同尺度弱小目标的检测。首先,对中心层引入匹配滤波思想,有针对性地增强真实目标;同时,提出最接近滤波原则,对最外层进行背景估计,以缓解目标靠近边缘时的检测难题;然后,在目标增强结果与背景估计结果之间进行比差联合的对比度计算,达到同时增强目标和抑制背景的目的;最后,通过自适应阈值分割,提取真实目标。实验结果表明,相比现有算法而言,该算法可更好地增强目标、抑制复杂背景,且原理简洁易实现,可有效减少运算量。     

采用三层窗口局部对比度的红外小目标检测

在红外制导、预警等领域，高检测率、低虚警率和高实时性地检测出红外小目标具有重大的理论和实际意义。提出了一种采用三层窗口局部对比度的红外小目标检测方法，该三层窗口可以通过单尺度计算解决不同尺度小目标的检测难题，提高检测的实时性。同时，通过在对比度计算前、对比度计算中和对比度计算后等环节中分别对真实目标进行增强、对复杂背景进行抑制，实现提高检测率、降低虚警率的目的。在若干红外序列和图像中进行实验验证表明，相比8种现有算法而言，该方法可以取得更好的检测率和虚警率，其平均耗时仅为某些多尺度算法的1/3~1/2左右。     

采用反向局部多样加权对比度检测的红外小目标检测

具有高检测率、低虚警率和高检测速度的单帧红外弱小目标检测是一项艰巨的任务,因为目标通常很小且暗淡,并且存在不同类型的干扰,例如高亮背景,复杂的背景边缘和高亮度像素级的噪声点（PNHB）。基于HVS的单帧检测算法通常可以实现比传统算法更好的性能,但是,对于基于HVS的算法,如何定义局部对比度的公式是关键问题之一,直接决定算法的性能。到目前为止,研究人员尚未就如何定义局部对比度达成共识,并且已经提出了许多局部对比度定义。现有算法如比值型和差值型的局部对比度算法,不能有效增强真实目标的同时抑制所有干扰,仅以周围区域为背景,而没有考虑周围背景本身的多样性,这些算法浪费了可用于进一步抑制复杂背景的局部多样性信息。提出了一种多尺度比差联合局部对比度检测算法（MRDLCM）。它可以结合比值型和差值型算法的优点,因此可以抑制所有类型干扰的同时增强不同大小的真实目标,且不需要任何预处理。此外,提出了基于反向局部多样性（RLD）的权重函数,该函数利用局部周围区域的局部多样性进一步抑制复杂背景。实验结果表明,所提出的MRDLCM_RLD算法相对于现有算法在检测率和误报率上具有有效性和鲁棒性。此外,该算法具有并行处理能力,对于提高检测速度非常有效。     

基于视觉对比度机制的红外小目标检测

复杂背景条件下的红外小目标检测是红外预警、红外搜索与跟踪等系统的关键技术和研究热点之一。针对红外序列图像中弱小目标检测问题,提出了一种基于视觉对比度机制的红外小目标检测方法。该方法首先运用加权高斯差分方法计算出目标显著性图,接着采用模糊控制方式优化参数获取显著性区域,最后通过显著区域与周围区域对比度分析获取真实目标。从实验结果以及和其他方法对比可以看出,所提出方法具有较高的检测率和较低的虚警率,是一种有效的小目标检测方法。     

基于加权块对比度的红外小目标检测方法

针对不同背景条件下,红外弱小目标检测信杂比低、虚警率高的特点,重点利用小目标能量接近高斯分布特性,提出一种利用改进的图像局部熵加权多尺度的基于图像块对比度的红外小目标检测方法。首先,计算红外图像中心块和邻域块的均值;然后,计算出中心块和邻域块的均值差异达到凸显小目标、抑制背景噪声的效果,同时计算各个像素点的改进局部图像熵以凸显小目标、抑制形状与小目标大小近似的伪目标以及大面积的干扰物体的角点;之后,利用改进的图像熵加权中心块和邻域块的均值差异值,得到高信杂比、低虚警率的显著度图像;最后,利用自适应阈值分割算法获取目标的位置。实验结果表明,与同类基于human visual system(HVS)检测方法相比,所提方法适用场景更广,特别是在复杂背景下,能达到更低的虚警率、更高的信杂比。     

基于局部对比度的自适应Top-Hat红外小目标检测

Top-Hat的检测性能受限于固定单一的结构元素,导致对复杂背景的抑制能力差。针对该方法的不足,提出两种具有递进关系的改进Top-Hat算法。首先依据小目标与其邻域灰度值差异,改进了Top-Hat变换,提出了一种具有双结构元素的Top-Hat算法,分别为膨胀和腐蚀操作设计了各自的结构元素,并且调整了开运算的运算顺序,以提高对红外小目标的检测性能。在此基础上,又提出一种基于局部对比度的自适应双结构Top-Hat红外小目标检测方法,通过计算局部对比度得到显著图,获得先验信息,自适应地改变双结构元素的大小,利用目标区域及其邻域的灰度值差异来抑制背景和增强目标。与同类方法和非同类方法进行对比实验研究,结果表明,所提基于局部对比度的自适应Top-Hat方法在5种评价指标中均表现突出。     

基于新Top Hat变换局部对比度的红外小目标检测

复杂场景下由背景物体产生的虚警是红外小目标检测中的难点,在目标信号微弱时问题尤为突出.为了抑制虚警,提出一种基于局部对比度特征的小目标检测算法.首先,利用一种新型Top Hat变换检测出图像中的潜在目标区域;然后分析潜在目标区域及其邻域特性,计算本文提出的局部对比度特征;最后基于此特征提取目标区域.对合成图像和实际红外图像的实验表明,本算法能有效地抑制背景景物造成的虚警,取得很高的检测率,并且对目标强度的变化以及目标所在背景的变化均具有一定的适应性.     

基于改进加权局部对比度的红外小目标检测

在复杂背景的红外图像中弱小目标通常淹没在高亮边缘与强杂波处,提出一种基于改进加权局部对比度的红外小目标检测方法。利用小目标的局部特性建立一种加权函数将目标与其背景邻域的差异点乘凸显目标,进而与相接背景邻域作比值运算达到抑制复杂背景的效果;通过目标的各向同性和背景的各向异性,采用六方向梯度决策法创建背景抑制模型进一步抑制高亮边缘,实现降低虚警率,提高检测率的目的;最后,通过卷积计算将两者结合,采用自适应阈值分割检测真实目标。实验结果表明,该算法在复杂背景及强杂波干扰下有较强的鲁棒性。     

空域加权局部对比度的红外小目标检测算法

针对传统局部对比度算法在强杂波背景下,容易引入虚警目标的不足,提出了一种空域加权局部对比度的红外小目标检测算法。首先,利用具有中心激励和侧向抑制性的二维高斯差分滤波器,抑制了原始图像大部分的背景杂波,以提高图像的信噪比;然后,利用目标均值与邻域的中值的比值进行局部对比度测量,再用目标各区域的灰度均值差加权局部对比度,生成目标显著图;最后,对显著图进行自适应阈值分割,检测出真实目标。实验结果表明,与其他几种检测方法对比,该算法不仅具有较高的信躁比增益和背景抑制因子,还具有较高的检测率和较低的虚警率,是一种有效的红外小目标检测方法。     

结合目标特性和局部背景类别预测的红外小目标检测

探索了一种结合目标特性和局部背景类别预测的红外小目标检测算法。具体研 究了红外天空小目标检测中屏蔽地物虚警的问题。在复杂的红外场景中,地面物体由于复杂多变造成 的虚警会严重影响系统的探测灵敏度和鲁棒性。如果仅从目标特性入手,难以滤除地物虚警。首先利 用新 Top Hat 变换提取出潜目标。然后,对每个潜目标,一方面利用目标特性获得一种潜目标为真实目标的 可能性度量,另一方面考虑潜目标一定大小的邻域背景,根据对背景类别(天空或者地物)的预测获得 另一种可能性度量。最后,结合两种度量滤除虚假目标。实验表明,相比仅考虑目标特性的算法,本文 算法的探测性能有了很大提升。     

Infrared Small Target Detection Using PPCA

Probabilistic PCA (PPCA) is an extension of PCA which reformulated PCA in a probabilistic framework. In this paper we propose a infrared small target detection algorithm using PPCA analogous to the face detection scheme using PCA, or known as “eigenface”. By computing the parameters of PPCA, we map the input vector from the image onto a subspace. After reconstructing the vector, the distance between the original vector and the reconstructed one will indicate the possibility of the input being a target. Experimental results show the effectiveness of this algorithm compared with other methods.     

基于局部熵参考预处理的RPCA红外小目标检测

以图像非局部相似性为基础,利用图像分块重组以获得低秩块图像,是将鲁棒主成分分析算法（robust principal component analysis,RPCA）应用到单帧图像红外小目标检测的基本方法。本文介绍了RPCA算法在单帧图像红外小目标检测的应用流程,分析了不同图像背景下各种分块方法的影响。为解决复杂背景下图像分块窗口和滑动步长难以选择的问题,提出了以图像分块最小局部熵的较大值为参考的选择方法。实验结果表明,通过计算图像的分块局部熵,以最小局部熵的较大值为参考,选择RPCA算法预处理方案,能使单帧红外图像小目标检测达到更好的效果,弥补了工程人员缺少RPCA算法应用经验的不足。     

改进的红外弱小目标检测方法

为了进一步提高红外弱小目标检测的准确性和实时性,针对红外图像的特点利用修正的Top-Hat算子对目标图像进行背景抑制以提高目标检测概率。根据已有的先验知识构造属性集,把灰度直方图限定在感兴趣区域,减少背景和噪声的干扰。利用改进的OTSU算法进行图像分割以检测目标。为了提高分割算法运算速度,把快速递推算法推广应用到了本文算法中。实验选取了不同类型的红外图像,将本文算法和其他文献中算法的分割结果进行了比较。实验结果表明,本文算法具有更好的分割效果,目标分割准确,运算速度提高了60%以上。属性直方图可以针对具体问题,利用已有的先验知识灵活构造,具有较好的通用性。     

红外图像序列中运动弱小目标检测的方法研究

研究在红外图像序列中检测运动弱小目标的方法.首先通过高通或形态学滤波进行图像预处理,进一步用似然比检测分割出候选目标,考虑到环境干扰造成的目标在某一帧暂时消失的情况,提出了利用目标运动特征通过选择合适的邻域判决条件并结合图像流分析提取运动弱小目标的一种方法.模拟实验表明该方法能够准确高效地检测出运动弱小目标.     

基于粗糙集理论的红外小目标检测

红外图像处理中的点目标检测技术是近年来信息处理研究的热点和难点之一,而粗集是一种用于处理含糊和不确定性问题的新的数学工具。本文提出了基于粗集理论的红外小目标检测算法,该检测算法可按红外图像模型的频域属性、灰度值属性和相关性属性,把目标从背景中分离出来。实践结果表明,该算法能够对小目标进行可靠的检测。     

基于局部对比度测量的红外弱小目标恒虚警检测

鲁棒有效的弱小目标检测算法是光电跟踪系统成功的关键.本文针对空中远距离红外弱小目标检测的实际问题,在人类视觉对比机制基础上提出了一种检测率高、误报率低、处理时间短的红外小目标检测方法.首先,利用基于恒虚警率的Top-hat滤波和自适应阈值操作对原始图像进行预处理,得到疑似目标区域,该步骤可大大减少计算时间,同时保持恒定的虚警概率和可预测的检测概率;然后,定义了一种新颖有效的局部对比度测量算子,并引入图像局部的自相似性计算局部显著图,该过程不仅可以增强图像目标的视觉显著性,同时还可以抑制噪声,提高区域目标的信噪比;最后,在显著图基础上,利用简单的阈值操作就可以获得真实目标.定性定量实验结果表明,本文提出的方法与4种现有检测算法相比,具有更高的检测率、更低的虚警率和更少的检测时间,是复杂背景下红外弱小目标检测的有效方法.     

红外小目标实时检测系统实现

采用TI的C6416为核心处理器,辅以FPGA,构建了一套红外小目标实时检测系统,主要算法由两片C6416并行处理实现,FPGA完成图像预处理和对外接口.算法上提出了基于双滑窗的局部阈值二值化方法,并采用图像预处理技术来改善图像分割效果,利用目标在连续帧间运动的关联性来剔除干扰目标、降低虚警概率.实验表明,系统的目标检测效果和实时性均达到了要求.