基于Harris算法的自适应双极性红外舰船目标检测

红外舰船目标检测是舰船目标自动识别与跟踪的关键技术之一。针对现有方法在舰船目标成像灰度呈现"双极性"(舰船亮度高于或低于背景)或多极性(舰船目标灰度分布不均匀)的情况下适应能力不足,提出了一种新的红外舰船目标检测方法。为抑制海空杂波干扰提高检测概率,对图像进行均值漂移滤波,利用行垂直方向梯度投影获得感兴趣区域,通过检测区域内目标角点实现舰船目标的自动检测。实验结果表明,该算法能够克服传统算法基于舰船亮度高于背景的假设,在舰船灰度呈现双极性或多级性的情况下获得较好的检测结果。     

一种基于图像分割和归一化灰度Hough变换的SAR图像舰船尾迹CFAR检测算法

该文提出了一种新的SAR图像舰船尾迹的恒虚警检测算法。该方法首先检测出舰船并将舰船部分用图像灰度均值代替;分别以舰船重心为中心分割出一定尾迹长度的正方形区域并以舰船重心为中心将图像分割成4个子图像,对各子图像进行归一化灰度Hough变换,分割后的尾迹在子图像中的对比度得到了提高。在各子图像变换域依概率模型进行统计建模实现了CFAR检测,最后将4个子图像的检测结果进行融合得到最终的检测结果。检测结果更好地提取出了尾迹,并且实现了尾迹的CFAR检测。仿真结果验证了算法的有效性。     

有云层干扰的光学遥感图像舰船检测算法

针对海面光学卫星遥感图像舰船检测中云层干扰所产生高虚警率的情况,提出一种基于串并联混合多维特征融合判决的舰船目标检测算法。首先,利用高斯灰度阈值分割目标与海面云层背景,并对分割后的二值图像进行区域标记;然后,利用感兴趣区域的几何形态和边缘能量两类特征,包括中心偏移度、长宽比、面积变化比、曲折度和填充度,构建了串并联混合多维特征融合判决方法;最后,通过对感兴趣区域进行综合鉴别,有效剔除了云层干扰导致的虚警,解决了含云层背景检测结果虚警率高的问题。对多幅SPOT4光学遥感卫星图像的实验结果表明算法的有效性。     

基于小波变换的红外成像海面小目标检测算法

文中研究海面少像素舰船红外目标的自动检测算法，针对红外图像噪声干扰大，舰船目标像素少，但存在相对连续的目标小块区域等特征，考虑采用小波变换的方法达到增强目标，抑制噪声的效果，对用小波变换处理后的图像，分析目标和背景部分的灰度对比度，用图像对比度的方法易检测出舰船小目标。     

基于混合融合策略的双波段红外小目标检测方法

双波段红外图像的小目标融合检测是红外自动寻的系统的关键技术和研究热点之一。为了建立有效的融合检测结构,对基于布尔逻辑的融合检测方法进行了分析,并从小目标红外成像原理出发,提出了一种基于与逻辑和局部灰度的混合融合检测算法。首先,分别对单波段的红外图像进行阈值分割;其次,对两个波段的检测结果进行与融合;再次,对与融合之外的目标点进行局部灰度判别,进一步提高检测概率;最后,根据融合结果调节第一步中局部检测器的分割阈值,以优化局部检测器。实验仿真结果表明,该算法有效地提高了双波段红外的检测能力,且算法结构简单、运算速度快,具有较强的实用性。     

SAR图像舰船及其尾迹检测研究综述

近年来,利用合成孔径雷达(SAR)图像进行舰船检测的研究在海洋遥感领域得到高度重视.本文回顾了SAR图像舰船及其尾迹检测的起源与发展,分析了影响舰船和尾迹的物理因素,分别对舰船检测算法和尾迹检测算法进行综述、总结和对比,并对今后的研究发展方向进行展望.     

结合目标提取和深度学习的红外舰船检测

传统显著区域提取红外舰船目标检测算法进行图像处理时虚警率高,而深度学习的红外舰船目标检测方法速度慢。针对这些问题,提出了一种将传统的目标提取与深度学习中分类的思想相结合的红外舰船目标检测算法。首先通过高帽变换（TOP-HAT）和 低帽变换（Bottom-HAT）对图像进行处理,然后通过阈值分割方法和归并算法对图像进行候选区域的提取,再运用深度学习中分类的思想完成对目标船舰的检测。通过测试数据集进行实验并对比分析,结果表明改进后的检测算法平均精确度达到83.69%,较之于传统显著区域提取算法精确度提升了8.09%,较之于Faster-R-CNN算法每百张检测时间缩短了2 s。     

水面舰船目标的实时红外成像仿真

基于OSG对海天背景下的舰船目标进行了红外成像仿真。根据红外物理和热传学知识,采用角系数法建立了舰船目标的红外物理模型,从而计算出舰船表面温度场和辐射场的分布。参考导弹的飞行模式,采用三阶非线性指数拟合算法得到了弹目距离与透过率的数学关系模型。最后采用着色器技术实现导弹飞向目标过程中,导引头视景中舰船灰度的实时渲染和变化效果。仿真实验表明,舰船的红外仿真效果较好,模拟导弹末端飞行过程时,舰船灰度变化趋势与实际情况一致,仿真结果可信。     

基于谱残差和梯度纹理融合特征的舰船检测

本文提出一种谱残差和梯度纹理融合特征来检测可见光遥感图像中复杂海面背景下的舰船目标。首先,使用谱残差模型定位疑似舰船目标,并采用自适应动态阈值法获取候选目标区域。然后,根据舰船的形状特点,对梯度方向直方图特征进行改进,设计出表征舰船特性的梯度方向特征。同时,将提取候选目标区域的统一化LBP特征的方差以及灰度共生矩阵特征相结合来描述舰船的纹理信息,得到30维特征向量。最后,通过训练好的AdaBoost分类器来完成舰船目标鉴别。本文的检测算法,针对尺寸为1 024×1 024的可见光遥感图像,检测时间为4.792 6s,检测精度为95.51%,召回率为96.65%。实验结果表明:本文算法能准确提取海面舰船目标,获取舰船目标的数量和位置信息,从检测时间和精度上来看,可以作为实际工程参考。     

基于9/7提升小波的海面弱目标检测算法

弱目标的检测一直是监视和报警系统的重要组成部分.海面背景下海面及连绵起伏的波浪反光使图像的信噪比和对比度都较低,而且舰船目标像素较少.先利用自适应灰度阈值对图像进行滤波;再进行9/7提升小波变换,提取高频部分;然后利用高频部分进行重构;最后对重构后的图像进行自适应灰度阈值处理,检测出目标.实验结果表明该算法能够有效地检测出强噪声和背景杂波干扰情况下的舰船目标.     

一种多光谱红外舰船目标融合检测方法

针对复杂岸岛背景下的红外舰船目标检测问题,提出了一种多光谱融合红外舰船目标检测方法。首先根据不同谱段信息相互间的关系进行基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform, NSCT)域的多级多光谱图像融合,然后利用LSD线段检测和聚类对融合后的图像进行岸岛线检测。采用选择性搜索算法生成初始目标候选区域,然后结合岸岛线空间位置以及舰船目标的几何特征和灰度特征约束剔除部分虚假目标区域,最后提取候选区域的方向梯度直方图(Histogram of Oriented Gradient, HOG)特征算子。利用线性支持向量机(Support Vector Machine, SVM)分类器进行分类识别,以检测出真实舰船目标。实验结果表明,与单谱段红外舰船目标检测方法相比,本文方法在检测精度上有较大提升。     

基于遥感图像的舰船目标检测与参数估计方法

利用遥感图像进行舰船检测与监视的研究和技术开发在海洋遥感领域得到了快速发展,并成为遥感数据重要的海洋应用之一。当海洋遥感图像用于舰船尾迹检测时,就可及时有效地发现和提取舰船目标信息。文中利用光学遥感图像的海面舰船尾迹特征以及相关参数,估测舰船目标的速度与航向。分别通过灰度累积法和Radon变换法两种不同的尾迹长度检测方法,对尾流长度进行了提取,并利用尾流长度特征简单估测了舰船航速与航向。对实验结果和误差进行了分析,并对影响舰船尾流检测的因素进行了讨论。估算结果初步验证了对航速与航向估算方法的有效性     

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。     

基于帧差法和自适应阈值区域生长的红外运动目标检测

针对具有背景干扰、信噪比低的红外图像,提出了一种基于帧差法和自适应区域生长的红外运动目标检测方法.首先对红外图像进行了高帽变换,以抑制大面积背景的干扰,相邻帧图像间做帧差,初步提取目标区域;其次分析了红外目标的特性,针对其特性提出了一种基于灰度等级的自适应阈值分割方法;最后以帧差法检测的目标质心为种子点,以自适应阈值为分割准则,在预处理后的图像中进行区域生长,最终实现了红外运动目标的检测.结果表明,所提算法可抑制大面积背景的干扰,实现单个和多个红外运动目标的完整提取和检测.     

基于数学形态学的红外运动小目标识别算法研究

针对红外成像制导跟踪的目标具有低信噪比、且背景和噪声干扰信息严重的特点,设计了一种基于数学形态学的红外灰度图像小目标检测识别算法。实验表明,该算法能够大大提高目标的信噪比,去除背景和噪声干扰,保留目标的灰度信息,满足系统的实时性要求,是一种有效的红外灰度图像小目标检测算法。     

基于显著性与稠密光流的红外船只烟幕检测方法研究

船只目标是海上的一种重要目标。红外成像系统由于其可白天、夜间同时工作的特点已被广泛应用于船只检测系统中。但是,红外成像系统容易受到烟幕干扰,导致船只检测系统失效。因此及时有效地检测到红外船只图像中的烟幕干扰区域,对于提高船只目标检测系统的准确性具有重要意义。针对红外图像中船只释放的烟幕区域的检测问题,提出了一种基于显著性与稠密光流融合的烟幕检测方法。由于舰船释放的烟幕有明显区别于背景的特性,因此首先采用多尺度邻域滤波的AC算法对图像进行显著性区域检测,提取显著的烟幕区域;然后利用烟幕扩散的运动特点,对图像前后帧进行稠密光流计算得到图像的运动信息,通过设置阈值筛选得到明显的运动点、扩充运动点区域、合并分裂的运动区域,得到运动的烟幕区域;最后对显著性区域与运动烟幕区域进行合并得到最终的烟幕区域。实验结果表明,该方法能有效检测到烟幕区域,并且能够很好地适应烟幕反射光以及背景亮度的变化。     

基于改进CenterNet的红外舰船目标检测算法

为有效解决红外舰船目标的检测问题,提出一种改进CenterNet的红外舰船目标检测算法。首先使用Mosaic算法进行数据增强,其次使用主干网络ResNet50对红外舰船图像进行特征提取,然后在原有特征图像处理的网络上添加Encoder模块,引入3×3的空洞卷积模块增大感受野,以提高网络性能增强网络的鲁棒性。实验表明,相比于改进之前算法,优化后算法精度提高了6%,准确率达98%,算法适应性强、准确率高,能够完成检测任务。