基于滑窗式单帧红外弱小目标检测方法研究

提出了一种基于滑窗式单帧红外弱小目标检测定位的算法：选择合适的滑窗,针对弱小目标在滑窗局部内具有较高灰度值的特征,通过自适应阈值来判别该滑窗中心位置是否存在目标。当滑窗遍历整幅图像后,就可以得到红外小目标的检测结果。在判别的过程中,构造了一种新的自适应阈值估计的方法。通过大量的仿真实验,并与当前常用的形态学滤波、巴特沃...     

红外弱小目标的单帧捕获

提出了基于背景预测的单帧检测弱小目标改进算法.该算法采用改进的最大值背景预测算法.为了能同时检测点目标和小目标,预测背景的四个预测窗的位置与目标点之间保持一定的距离,保证预测窗中的像素能准确反映当前像素灰度中的背景灰度信息.为了保证单帧的较低的虚警率,同时结合多方向多极梯度算法,对背景预测初步检测出来的可能目标点进一步检测,以排除绝大多数的虚假目标.经实验证明,该算法在单帧图像上能很好的检测出弱小目标来,并能满足实时性的要求.     

采用人类视觉对比机制的红外弱小目标检测

针对复杂背景下红外弱小目标检测难题,提出一种基于人类视觉系统对比机制的红外弱小目标检测算法。首先,对红外图像进行预处理,通过中值滤波去除红外图像中的孤立噪声点。然后对处理后的图像进行高斯函数差分滤波处理,抑制图像中大面积高亮区域。最后,通过改进的基于局部对比度方法去除高亮边缘区域,消除高疑似目标,最终实现对复杂背景下红外弱小目标的检测。实验表明:相较于传统的LCM算法、Top-hat算法、TDLMS算法和Infrared Patch-Image Model算法等,该算法在虚警率、正确检测率、检测时间等方面更有优势,具有检测率高、虚警率低、鲁棒性好、运行时间短的特点。     

基于注意力机制的复杂背景下红外弱小目标检测方法研究

针对复杂场景下红外图像中弱小目标像素占比少、特征细节不明显致使目标特征提取困难、检测准确率低的问题,提出了一种基于注意力机制的复杂背景下红外弱小目标检测方法。该方法以YOLOv5网络为基础,设计SimAMC3注意力机制模块,优化网络的特征提取层;设计目标检测头,通过增加特征融合层来改变其开始进行特征提取的深度,获得新的弱小目标检测层,使浅层特征层更好地保留弱小目标的空间信息;改进预测框筛选方式,提高距离相近或重叠目标的检测精度。实验选取了两个SIRST红外弱小目标图像数据集,对其进行标注并训练。实验结果表明,改进后的算法与原YOLOv5算法相比,平均精度均值（mAP）分别提升了4.8%和7.1%,在不同复杂背景下均可有效检测出红外弱小目标,体现了良好的鲁棒性和适应性,可以有效应用于复杂背景中的红外弱小目标检测。     

采用高阶谱分析的红外弱小目标检测

在分析了以前的关于红外图像弱小目标检测的一些算法的特点和不足之后,针对单帧图像首次提出了一种新的检测算法-基于高阶谱分析的弱小目标检测:将图像中的背景灰度数据看作为噪声信号,弱小目标的灰度数据看作是淹没在噪声信号中的谐波信号,对图像行和列象素的灰度数据进行功率谱和高阶累计量分析,抑制噪声,检测谐波,检测的分辨力取决于同时参与谱分析的行或列的个数,算法的优点在于采用同一理论检测,简便易行,有较高的准确度,并且所需的数据仅限于单帧图像.最后给出了一个应用此算法实际的检测例子.     

基于YOLO-IDSTD算法的红外弱小目标检测

针对复杂背景下红外弱小目标难以准确快速检测的问题,提出了一种红外弱小目标轻量化实时检测网络模型YOLO-IDSTD。首先,为提高检测速度,重新设计了特征提取部分的网络结构,并在输入层后使用Focus模块以减少推理时间;其次,为增强检测能力,特征融合部分采用路径聚合网络,添加了改进的感受野增强模块;最后,目标检测部分增加至四尺度检测。在红外弱小目标数据集上进行的对比实验表明,相较于经典轻量化模型YOLOv3-tiny,文中提出的模型召回率提升了7.57%,平均检测精度提高了1.92%,CPU推理速度提升了36.1%,可较好地兼顾精度和速度,计算量与参数量明显减少,模型尺寸压缩至7.27 MB,减少了对硬件平台运算能力的依赖,实现了红外弱小目标准确又快速的检测。     

一种基于背景预测的红外弱小目标检测方法

介绍了一种新的基于背景预测的空中红外弱小目标检测方法,以提高对复杂背景预测的准确性,减小云层边缘预测不准确形成的虚警.该方法对云层边缘处的点根据其不同尺度邻域上的亮暗点分布特点进行预测;对非边缘点采用基本背景预测法进行预测,最后经过背景对消,将弱小目标检测出来.实验结果表明,与已报导的其它方法比较,该方法能够更有效地抑制云层边缘引起的虚警.     

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.     

红外弱小目标检测方法综述

红外弱小目标检测系统可灵活部署在不同的平台中,在红外预警、制导等领域具有重要实用价值。但是,由于复杂场景下存在信噪比低、背景变化剧烈等问题,导致复杂背景下的红外弱小目标检测非常困难,一直是目标探测领域的研究难点和研究热点。根据红外图像数据使用方式的不同,将现有目标检测方法划分为单帧型（含局部信息类与非局部信息类等）和多帧型（含关联校验类与直接求取类等）两大类,并分别进行了简要梳理,分析了不同方法的原理、优势及不足。最后,对本领域的发展趋势做出了预测。该工作既可以帮助初学者快速了解本领域的研究现状和发展趋势,也可作为其他研究者的参考资料。     

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。     

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。     

基于多向梯度法的红外弱小目标快速检测方法

针对复杂背景下红外弱小目标信噪比(SNR)低、对 比度小造成的红外目标检测率低和实时性差的问题,提出一种基于多向梯度法的红外弱小目 标快速提取算法。目标提取前, 利用多尺度拉普拉斯-高斯(LoG)算子抑制图像背景,凸显背景边缘轮廓与弱小目标;然后 引 入多向梯度目标搜索算法,选取最佳梯度数,利用最简算法快速搜索目标。实验结果表明, 本文算法处理后的红外图像有较高的SNR与对比度,检测率 为传统红外目标提取算法的1.5倍,充分保证了检测精度,且计算耗 时短,实时性强。     

Infrared dim and small target detection based on U-Transformer

Infrared dim and small target detection is a key technology for space-based infrared search and tracking systems. Traditional detection methods have a high false alarm rate and fail to handle complex background and high-noise scenarios. Also, the methods cannot effectively detect targets on a small scale. In this paper, a U-Transformer method is proposed, and a transformer is introduced into the infrared dim and small target detection. First, a U-shaped network is constructed. In the encoder part, the self-attention mechanism is used for infrared dim and small target feature extraction, which helps to solve the problems of losing dim and small target features of deep networks. Meanwhile, by using the encoding and decoding structure, infrared dim and small target features are filtered from the complex background while the shallow features and semantic information of the target are retained. Experiments show that anchor-free and transformer have great potential for infrared dim and small target detection. On the datasets with a complex background, our method outperforms the state-of-the-art detectors and meets the real-time requirement. The code is publicly available at https://github.com/Linaom1214/U-Transformer.     

基于显著性与尺度空间的红外弱小目标检测

针对复杂的天空背景,提出了一种基于显著性与尺度空间的红外弱小目标检测算法.首先通过频域残差法对原始图像进行初步处理,缩小红外弱小目标的待识别目标区域;接着利用DoG算子得到预处理后图像的尺度空间并实行特征点检测,获得最佳尺度图像,再对特征图像进行加权融合;最后通过信息熵分割来实现红外弱小目标的检测.仿真结果表明,本文方法跟文献中所提的优秀算法相比,能有效地检测出红外弱小目标,提升了目标图像的信杂比.同时,能很好地适应不同复杂场景,为红外弱小目标的跟踪应用奠定了基础.     

基于聚类思想的红外弱小目标检测

针对复杂背景下尺寸未知的红外弱小目标检测难题,一种基于聚类思想的红外弱小目标检测方法被提出。首先,利用小目标形态学特征对原始红外图像进行预处理,生成新的密度特征图。其次,使用改进的密度峰聚类算法对潜在候选目标进行粗定位。然后,针对潜在目标的局部候选集,采用加权模糊集聚类算法对局部候选集进行目标与背景区域的精细分割,利用目标与背景之间的差异性在增强目标的同时抑制虚警。最后,对处理后的局部候选集进行自适应阈值提取真实目标。实验结果表明,与7种对比算法相比,该算法对尺寸未知的小目标具有良好的鲁棒性和检测性能。     

基于生成MRF和局部统计特性的红外弱小目标检测算法

红外复杂背景中的弱小目标检测问题可看作是马尔可夫随机场理论框架下红外图像中背景与目标的二元分类标记问题.基于马尔可夫随机场后验概率模型, 提出利用先验的目标信杂比信息和图像局部统计特性构建观测图像后验概率模型的方法, 并采用经典ICM (Iterated conditional mode)方法对图像最优标记结果进行估计.仿真试验结果表明, 算法在保证目标标记结果准确率的同时, 有效降低了背景的误标记概率; 且由于采用局部统计特性进行建模, 算法有效降低了模型参数与标记结果间的关联性, 提高了最优标记估计的收敛速度.     

采用前置栅网滤波的红外点目标探测方法

根据红外热成像系统前置栅网的衍射效应,分析其应用于点目标探测领域的可行性;提出了一种基于前置栅网滤波的红外点目标探测方法,详细介绍了算法处理流程,该算法通过背景抑制、图像分割、图形匹配有效地实现了对前置栅网滤波后的点目标像探测;最后,将其与传统的TBD探测方法进行比较。实验结果表明:该方法由于使点目标实现了特定形状的扩展,能更好地区分真实目标和噪声,同时降低算法复杂度,能够实现实时处理,具有很好的应用前景。     

基于偏微分方程的红外弱小目标检测技术研究

针对复杂背景下红外弱小目标信杂比低,容易淹没在背景中,无法分离的特点,利用图像的二阶微分信息,依据偏微分扩散方程预测背景。首先利用高斯模板平滑图像,弱化强边缘对目标检测的影响,随后通过偏微分方程预测背景,得出残差图,根据统计直方图的像素数确定分割阈值,分离目标,最后多帧确认剔除虚警点,输出目标运动轨迹。结果显示该方法成功地将背景的二维熵抑制到原始背景的1/4,目标的检测概率保持在94.6%。