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。     

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。     

多信息融合的红外弱小目标检测

红外弱小目标检测是图像处理的难点之一,许多研究人员提出了不少检测方法。针对复杂背景与强杂波干扰下图像信杂比(Signal-to-Clutter Ratio,SCR)低造成的目前检测方法易受伪目标干扰、虚警率高的问题,提出了一种多信息融合的红外弱小目标检测算法。首先,构建八向局部灰度残差信息图;其次,设计一个滑动窗口遍历整个图像,将图像分为一系列局部图像块,对局部图像块的强度均值进行约束,获得局部强度均值约束信息图;然后,将局部图像块进一步划分为12个方向块,对每个方向块中像素的梯度方向进行约束,获取梯度方向约束信息图;最后,上述3个信息图像通过点积运算得到最终显著图,并利用阈值分割实现弱小目标的分离。将该算法与3种其它不同算法从信杂比增益(Signal-to-Clutter Ratio Gain,SCRG)、背景抑制因子(Background Suppression Factor,BSF)以及检测率与虚警率的接受者操作特征(Receiver Operating Characteristic,ROC)曲线方面进行对比。实验结果表明:该算法具有更高的SCRG、BSF和ROC曲线下面积(Area Under the Curve,AUC),不仅能有效地抑制背景杂波、剔除伪目标,而且能准确地检测出红外弱小目标,具有较高的检测率。     

基于视觉对比机制的红外弱小目标检测方法

为解决复杂背景下红外弱小目标检测精度低的问题,本文提出一种基于视觉对比机制的红外弱小目标检测方法,算法主要模拟了人眼对目标对比度敏感这一机制。首先利用8向梯度方程提取红外图像的梯度显著图并二值化处理;根据小目标的尺寸大小特征对梯度显著图进行优化处理,剔除孤立的噪声点和尺寸较大的背景梯度显著区域;利用视觉对比机制对优化后的显著图进行局部对比度计算,通过阈值处理剔除虚警目标,完成红外弱小目标检测。仿真实验表明,该算法在低信噪比情况下对红外弱小目标的检测率较高,且虚警率低,单帧检测时间较小。     

基于改进LCM的红外小目标检测算法

如何在复杂背景和低信杂比条件下准确检测到小目标对于精确制导武器的发展和红外预警等具有重要意义。为了在复杂背景条件下提高图像信杂比并有效地检测出小目标,提出一种基于中心域与邻域灰度对比度的红外小目标检测方法。通过计算输入图像的对比度图和显著度图,提高了目标对比度同时抑制背景杂波;在此基础上自适应设定阈值分离出小目标。实验结果表明:与传统LCM（Local Contrast Measure）方法相比,所提出的方法能够取得更高的检测率和较低的虚警率,尤其是对于复杂背景下的弱小目标检测,相对于对比算法,优势更明显。     

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。     

基于联合方向梯度和均值对比度的红外弱小目标检测方法

针对小目标在整幅图像中占比很低,且目标周围存在大量杂波,提出了一种基于联合方向梯度（Associated Directional Gradient,ADG）和均值对比度（Mean Contrast,MC）的红外弱小目标检测算法。该算法由两个模块组成：ADG利用红外弱小目标的高斯分布模型,将单一方向的梯度与一个相邻方向上的梯度相加组成新的联合梯度特征,增强真实目标、抑制背景杂波的同时能够消除高亮边缘对目标检测效果的影响;MC融入方向信息来计算目标的多方向对比度,选用多方向对比度的最小值抑制结构噪声,并将均值滤波的思想引入对比度的计算,抑制背景中的孤立噪声,进一步降低检测的虚警率。在实际红外图像上的实验结果表明,该算法在增强目标信噪比和抑制背景噪声方面,能够取得较好效果。     

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。     

RBNSM:一种复杂背景下红外弱小目标检测新方法

弱小目标检测是红外探测与跟踪任务中的经典难题。针对复杂背景下红外弱小目标普遍存在检测率低、虚警率高的问题,提出一种基于区域双邻域显著图（Regional Bi-Neighborhood Saliency Map,RBNSM）的复杂背景红外弱小目标检测新方法。利用弱小目标的局部先验特性定义滑动窗口并划分为多个单元,计算中心单元前若干个最大灰度的均值来凸显弱目标;分别构建中心单元的相接邻域和相隔邻域并计算各自的灰度均值,进而,从不同方向上提取两邻域显著图并点乘二者以进一步抑制杂波背景、增强弱小目标;最后,通过自适应提取准确检测目标。多种典型红外复杂背景图像和SIRST数据集检测结果表明:与7种代表性方法相比,RBNSM在复杂背景下具有更好的检测性能与杂波抑制能力。     

基于特征显著性融合的红外小目标检测

复杂背景下的红外图像通常存在信噪比低、邻近像素灰度变化不明显以及易被杂波信号和噪声干扰的特点,导致红外小目标检测困难。为解决上述问题,提出一种基于特征显著性融合的红外小目标检测算法。首先,在空间域中利用目标与其局部背景灰度差异来计算得到灰度显著图,在频域中结合谱残差计算得到背景抑制后的频域显著图;其次,将灰度显著图和频域显著图归一化后通过哈达玛乘积相互融合;最后,通过自适应阈值分割并使用Unger滤波器剔除较小的噪声点,从而提取出目标区域。实验结果表明,所提算法对图像的信噪比有了数十倍的提升,对背景抑制效果显著,并有着检测率高和虚警率低的优点,是一种有效的小目标检测算法。     

双邻域差值放大的高动态红外弱小目标检测方法（特邀）

针对现有红外弱小目标检测方法背景抑制不充分、计算复杂度高,导致红外侦察预警系统虚警率高、响应速度慢的问题,提出一种基于双邻域差值放大的高动态红外弱小目标检测方法。首先,分析真实红外图像中目标与邻域的均值特性;然后,计算出目标区域与内外双层邻域的差异,从而提升亮、暗弱小目标的局部对比度并抑制复杂背景和噪声;最后,利用自适应阈值分割算法获取目标的位置。针对信杂比增益和背景抑制因子难以客观评价红外图像序列的目标增强和背景抑制性能的问题,提出一种目标轨迹显著图评价方法,有效评价红外图像序列目标检测性能。实验结果表明:与同类检测方法相比,该方法的信杂比增益与背景抑制因子分别提高了12%与10%,运行时间约缩短了34 ms,是一种有效可行的高动态红外弱小目标检测方法。     

基于梯度方向一致性和特征分解的红外小目标检测算法

在复杂的海天背景下,现有红外小目标检测算法存在虚警率高的问题,文中深入分析目标和背景的特征差异,首先,提出了一种基于灰度差和梯度方向一致性的方法,增强了小目标并抑制了部分背景杂波,其次,结合特征分解法进一步抑制了锐利边缘背景,最后,采用自适应阈值分离出小目标。实验结果表明,与五种现有算法相比,所提出的检测算法能够在不同复杂场景都有效降低虚警率,大大提升信杂比（SCR）和背景抑制因子（BSF）,并且具有良好的鲁棒性。     

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。     

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。     

背景自适应的多特征融合的弱小目标检测

针对红外复杂背景下的弱小目标检测难题,提出一种基于背景自适应的多特征融合的复杂背景下弱小目标的检测算法。首先,通过对红外图像进行空域滤波去除孤立噪声点,并利用恒虚警率分割消除大面积平稳背景,获得疑似目标集。然后融合红外图像的背景信息、弱小运动目标的灰度特征、目标与周围像素的方向梯度特征等多个典型特征,消除疑似目标集中的大部分假目标,最后运用运动特征获取真实目标的轨迹,最终实现复杂背景下的红外弱小目标的检测。实验表明:该算法能实现复杂背景下低信噪比的红外弱小目标快速检测,具有检测概率高,算法速度快,鲁棒性好的特点。     

基于深度卷积神经网络的红外过采样扫描图像点目标检测方法

针对红外过采样扫描成像特点,提出一种基于深度卷积神经网络的红外点目标检测方法.首先,设计回归型深度卷积神经网络以抑制扫描图像杂波背景,该网络不含池化层,输出的背景抑制图像尺寸与输入图像一致;其次,对抑制后的图像进行门限检测,提取候选目标小区域原始数据;最后,将候选目标区域数据依次输入分类型深度卷积神经网络以进一步判别目标、剔除虚警.生成大量过采样训练数据有效训练两个深度网络.结果表明,在不同杂波背景下,该方法在目标信杂比增益、检测概率、虚警概率和运算时间等方面,均优于典型红外小目标检测方法,适用于红外过采样扫描系统的点目标检测.     

基于风险估计的弱小目标恒虚警检测

复杂背景下的红外弱小目标检测是目标探测领域的一个难题。为了有效抑制复杂背景的干扰,降低复杂背景所带来的虚警,提出了一种基于风险估计的恒虚警检测方法。首先,分析了背景分布的统计方法,对传统的正态分布统计方法予以改进,对滤波后的图像做局部灰度的分布统计,从而更准确地描述背景图像的分布规律。然后,在传统的恒虚警算法中加入风险估计,将背景复杂度作为风险估计判断依据,利用风险估计自适应调整分割阈值,从而达到抑制背景干扰、减少虚警和误判的目的。最后,实验结果表明:该算法可以显著减少复杂背景造成的虚警,并保证能够有效探测出弱小目标。