CN107392885A - 一种基于视觉对比机制的红外弱小目标检测方法 - Google Patents
一种基于视觉对比机制的红外弱小目标检测方法 Download PDFInfo
- Publication number
- CN107392885A CN107392885A CN201710426079.8A CN201710426079A CN107392885A CN 107392885 A CN107392885 A CN 107392885A CN 201710426079 A CN201710426079 A CN 201710426079A CN 107392885 A CN107392885 A CN 107392885A
- Authority
- CN
- China
- Prior art keywords
- notable
- gradient
- connected domain
- image
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于视觉对比机制的红外弱小目标检测方法,包含以下步骤:(1)提取原始红外图像的8向梯度显著图;(2)对所述8向梯度显著图进行二值化处理,得到梯度显著二值图像;(3)根据红外弱小目标的尺寸特征,对所述梯度显著二值图像进行优化处理,剔除孤立噪声点和大尺寸背景梯度显著区域,得到优化后的梯度显著二值图;(4)利用视觉对比机制计算所述优化后的梯度显著二值图中显著区域的局部对比度,剔除伪目标,获得视觉对比机制处理后的梯度显著二值图;(5)根据所述视觉对比机制处理后的梯度显著二值图,在所述原始红外图像中定位目标,完成红外弱小目标检测。本发明解决了低信噪比情况下红外弱小目标检测精度低的问题。
Description
技术领域
本发明属于数字图像处理和目标探测技术领域,涉及一种基于视觉对比机制的红外弱小目标检测方法。
背景技术
红外探测技术通过目标和背景间的温度差来识别目标,具有抗干扰能力强、隐蔽性好等优点,目前已广泛应用于军事侦察、导弹制导、智能安防等领域。但是随着成像距离的增加和背景因素的干扰,红外图像中目标多以斑点状呈现,且图像信噪比较低,目标并没有明显的形状或纹理特征,这些复杂的因素给红外弱小目标检测带来了很大的难度。
目前,红外目标检测方法可分为单帧检测和多帧检测。多帧检测的方法主要有帧差法、混合高斯模型法、光流估计法等。多帧检测方法要求目标背景为静态视场,对运动检测平台中图像背景的变化难以适应。因此,现有的红外弱小目标检测方法多集中于单帧检测。现有的单帧检测方法主要有形态学滤波、K均值聚类、中值滤波、背景预测、局部极大值、相关滤波器、小波变换、梯度算子等,这些单帧检测方法多为单一的滤波计算及二值化处理,当其应用于低信噪比情况下的红外弱小目标检测时,检测率在90%以下,虚警率在30%到80%。目前还有一种新兴的红外目标检测方法,即基于视觉机制的目标检测方法,这种方法是对人类视觉***中目标筛选机理的一种模拟,其中应用较为广泛的是Itti等人提出的人类视觉注意机制,但该算法的单帧图像处理时间在2s以上,且其主要适应对象为较为显著的大型目标。
发明内容
本发明的目的在于提供一种基于视觉对比机制的红外弱小目标检测方法,能够在低信噪比情况下提高检测率,降低虚警率和单帧检测时间。
为了实现上述目的,本发明提供一种基于视觉对比机制的红外弱小目标检测方法,包括以下步骤:
(1)提取原始红外图像的8向梯度显著图;
(2)对所述8向梯度显著图进行二值化处理,得到梯度显著二值图像;
(3)根据红外弱小目标的尺寸特征,对所述梯度显著二值图像进行优化处理,剔除孤立噪声点和大尺寸背景梯度显著区域,得到优化后的梯度显著二值图;
(4)利用视觉对比机制计算所述优化后的梯度显著二值图中显著区域的局部对比度,剔除伪目标,获得视觉对比机制处理后的梯度显著二值图;
(5)根据所述视觉对比机制处理后的梯度显著二值图在所述原始红外图像中定位目标,完成红外弱小目标检测。
可选的,步骤(1)中,所述的8向梯度显著图的提取公式为:
Gd[f(x,y)]=|f(x,y)-f(x+m,y+n)|,
式中,f(x,y)为所述原始红外图像中的任一像素点,m、n为各向梯度在水平方向和垂直方向上的步长,m、n大于所述红外弱小目标的直径,|G[f(x,y)]|为像素点f(x,y)处的梯度值,N=8。
可选的,步骤(2)中,所述的二值化处理的阈值门限为:Tg=u+λσ,其中u为梯度均值,σ为梯度的标准差,λ为系数,取[1,3],所述梯度显著二值图像中的像素点为g(x,y)。
可选的,步骤(3)中,所述的孤立噪声点的剔除方法为:当所述梯度显著二值图像中像素点g(x,y)周围8个邻域的像素值均为0时,所述g(x,y)为孤立的噪声点,对g(x,y)进行剔除处理,且令g(x,y)=0。
可选的,步骤(3)中,所述的大尺寸背景梯度显著区域的剔除过程包括:
首先,计算所述梯度显著二值图像中每一个显著连通域内值为1的像素点的个数Ci:
Ci=count(bwlabel(gi(x,y)=1))i=1,2...n
式中,n为所述显著二值图像中连通域的个数,Ci为每一个显著连通域内值为1的像素个数;
然后,剔除像素数较大的显著连通域,剔除方法为:
式中,阈值Tp为所述原始红外图像像素总数的0.15%,gi为第i个显著连通域内值为1的像素点。
可选的,步骤(4)中,利用视觉对比机制计算所述优化后的梯度显著二值图中显著区域的局部对比度的流程包括:
(4.1)计算所述优化后的梯度显著二值图中每一个显著连通域图像块的外接矩形的尺寸(w,h)及位置(x,y):
式中,(w,h)为第i个显著连通域外接矩形的长和宽,(x,y)为第i个显著连通域的中心坐标,分别为第i个显著连通域中像素横纵坐标的最大值和最小值;
(4.2)根据每一个显著连通域图像块外接矩形的尺寸和位置,计算每一个显著连通域图像块的灰度均值m0与其周围8个邻域图像块的灰度均值mj,其中,
式中,w×h表示该显著连通域图像块的尺寸,f(x,y)是所述原始红外图像中第j个图像块包含的像素,I(f(x,y))为所述像素对应的灰度值;
(4.3)计算每一个显著连通域图像块与其周围8个邻域图像块的局部对比度测量值:
(4.4)对每一个显著连通域的LCM值进行阈值处理,剔除伪目标区域,所述剔除方法为:
式中,gi为第i个显著连通域;Tc为视觉对比机制阈值。
可选的,Tc的取值范围为[1.05,1.2]。
与现有技术相比,本发明的具有以下有益效果:
综合运用了红外目标的梯度信息及尺度信息,结合人类视觉对比机制,在优化后的梯度显著二值图的基础上进行局部视觉对比度计算,有效地解决了传统穷尽式图像块对比机制计算量大的问题,在低信噪比情况下的红外目标检测率高达95%,虚警率和单帧检测时间低至为5%和0.46s。
附图说明
图1为本发明具体实施例的基于视觉对比机制的红外弱小目标检测方法的流程框图;
图2为本发明具体实施例的视觉对比机制的工作原理示意图;
图3为本发明具体实施例的原始红外图像;
图4为本发明具体实施例的梯度显著二值图像;
图5为本发明具体实施例的剔除孤立噪声点的梯度显著二值图;
图6为本发明具体实施例的剔除背景梯度较大区域的梯度显著二值图;
图7为本发明具体实施例的视觉对比机制处理后的梯度显著二值图;
图8为本发明具体实施例的原始红外图像中的红外弱小目标的最终检测结果。
具体实施方式
下面结合附图对本发明作进一步说明。
参考图1,本发明提供一种基于视觉对比机制的红外弱小目标检测方法,具体包括以下步骤:
(1)提取原始红外图像的8向梯度显著图;
(2)对所述8向梯度显著图进行二值化处理,得到梯度显著二值图像;
(3)根据红外弱小目标的尺寸特征,对所述梯度显著二值图像进行优化处理,剔除孤立噪声点和大尺寸背景梯度显著区域,得到优化后的梯度显著二值图;
(4)利用视觉对比机制计算所述优化后的梯度显著二值图中显著区域的局部对比度,剔除伪目标,获得视觉对比机制处理后的梯度显著二值图;
(5)根据所述视觉对比机制处理后的梯度显著二值图,在所述原始红外图像中定位目标,完成红外弱小目标检测。
步骤(1)的目的主要是从拍摄的原始红外图像中提取出显著区域,即初步获得目标物和非目标物两种不同的对象。本步骤采用提取原始红外图像的8向梯度显著图的方法来实现,具体原理如下:请参考图2,假设红外弱小目标位于图2中的A图像块内,则提取出原始红外图像中A图像块及其周围8个邻域相同尺寸图像块,进而从原始红外图像中提取出对应的8向梯度显著图,提取原始红外图像的8向梯度显著图的提取公式为:
Gd[f(x,y)]=|f(x,y)-f(x+m,y+n)|,
式中,f(x,y)为所述原始红外图像中的任一像素点,m、n为各向梯度在水平方向和垂直方向上的步长,m、n大于所述红外弱小目标的直径,|G[f(x,y)]|为像素点f(x,y)处的梯度值,N=8。
由于步骤(1)提取出的目标物(显著区域)中可能存在伪目标物,多个目标物中可能存在粘连或者断裂,需要进一步处理,因此步骤(2)中采用二值化处理方法,将提取出对应的8向梯度显著图转化为黑白二值化图像,即将8向梯度显著图上的像素点的灰度值与一设定的阈值门限比较,小于所述阈值门限的设置为0,大于所述阈值门限的设置为255,使整个图像呈现出明显的黑白效果,从而能得到8向梯度显著图中的不同目标物的更加清晰的轮廓,进一步区分目标和背景。具体地,步骤(2)中,所述的二值化处理的阈值门限为:Tg=u+λσ,其中u为梯度均值,σ为梯度的标准差,λ为系数,取[1,3],所述提取出对应的8向梯度显著图经过二值化处理后得到的梯度显著二值图像,其中的像素点记为g(x,y)。
步骤(3)的目的是根据红外弱小目标的尺寸特征,对所述梯度显著二值图像进行优化处理,剔除孤立噪声点和大尺寸背景梯度显著区域,使图像中的待检测的红外目标更加清晰,具体如下:
(3.1)孤立噪声点的剔除:当所述梯度显著二值图像中像素点g(x,y)周围8个邻域的像素值均为0时,所述g(x,y)为孤立的噪声点,对g(x,y)进行剔除处理,且令g(x,y)=0;
(3.2)大尺寸背景梯度显著区域的剔除:
(3.2.1)计算所述梯度显著二值图像中每一个显著连通域(即显著区域)内值为1的像素点的个数Ci:
Ci=count(bwlabel(gi(x,y)=1))i=1,2...n,式中,n为所述显著二值图像中连通域的个数,Ci为每一个显著连通域内值为1的像素个数;
(3.2.2)剔除像素数较大的显著连通域,剔除方法为:
式中,阈值Tp为所述原始红外图像像素总数的0.15%,gi为第i个显著连通域内值为1的像素点。
步骤(4)中的视觉对比机制主要模拟了人眼对目标对比度敏感这一个生物机制,结合图2,其工作原理描述如下:假设目标位于图2中的A图像块内,则求取原始红外图像中A图像块及其周围8个邻域相同尺寸图像块内像素的灰度均值,计算A图像块与周围8个邻域相同尺寸图像块的灰度均值比值的最小值,当最小值大于一定阈值时,则认为A图像块为红外目标所在区域。由此可见,视觉对比机制中,图像块位置及尺寸的选取将直接影响红外目标的检测结果及算法的实时性。本发明中步骤(3)得到的优化后的梯度显著二值图中包含了若干个可疑目标显著区域,步骤(4)中仅对这若干个可疑目标显著区域进行视觉对比机制检测,其他区域默认为背景部分,即仅求取这若干个可疑目标显著区域的显著连通域的外接矩形,来确定图像块的位置及尺寸,从而极大地减少了视觉对比机制的计算量,解决了传统穷尽式图像块对比机制计算量大的问题,而图像块的尺寸大小则为每一个显著连通域的外接矩形,具体地,利用视觉对比机制计算所述优化后的梯度显著二值图中显著区域的局部对比度的流程如下:
(4.1)计算步骤(3)优化后的梯度显著二值图中每一个显著连通域(即显著区域)图像块的外接矩形的尺寸(w,h)及位置(x,y),其中,每一个显著连通域的图像块尺寸及位置坐标计算公式为:
式中,(w,h)为第i个显著连通域外接矩形的长和宽,(x,y)为第i个显著连通域的中心坐标,分别为第i个显著连通域中像素横纵坐标的最大值和最小值。
(4.2)根据步骤(4.1)得到的每一个显著连通域图像块外接矩形的尺寸和位置,计算每一个显著连通域图像块的灰度均值m0与其周围8个邻域图像块的灰度均值mj,其中,
式中,w×h表示该显著连通域图像块的尺寸,f(x,y)是所述原始红外图像中第j个图像块包含的像素,I(f(x,y))为所述像素对应的灰度值。
(4.3)在红外图像中求取每一个显著连通域图像块与其周围8个邻域图像块的局部对比度测量值:
式中,m0为显著连通域所在图像块内的像素灰度均值,mj为显著连通域图像块周围8个邻域的像素灰度均值。
(4.4)对每一个显著连通域的LCM值进行阈值处理,以剔除伪目标区域,阈值处理计算公式为:
式中,gi为第i个显著连通域;Tc为视觉对比机制阈值,经过大量实验验证,Tc的取值范围为[1.05,1.2]。
通过阈值化处理即剔除了局部对比度较小的伪目标区域,保留部分即为目标区域。步骤(5)中可以根据步骤(4)视觉对比机制处理后的梯度显著二值图,在步骤(1)输入的原始红外图像中定位出红外弱小目标,完成检测。
下面结合图3至图8来详细说明本发明的基于视觉对比机制的红外弱小目标检测方法的技术效果。
请参考图3和图4,待处理的低信噪比原始红外图像(图3)经过步骤(1)的8向梯度提取和步骤(2)的二值化处理后,得到梯度显著二值图像(图4)。
请参考图4至图6,步骤(2)得到的梯度显著二值图像(图4)经过步骤(3.1)的剔除孤立噪声点处理后,目标和背景区分更明显(如图5)所示,再经过步骤(3.2)的剔除背景梯度较大虚警区域处理后,粘连和断裂的区域被剔除,得到优化后的梯度显著二值图(如图6所示)。
请参考图6至图8,步骤(3)得到的优化后的梯度显著二值图(图6)经过步骤(4)的视觉对比机制处理,剔除了局部对比度较小的伪目标区域后,保留部分即为目标区域,得到视觉对比机制处理后的梯度显著二值图(如图7所示);利用视觉对比机制处理后的梯度显著二值图(如图7所示),可以在原始红外图像(图3)中定位得到各个红外弱小目标(如图8中的小框所示)。
综上所述,本发明的基于视觉对比机制的红外弱小目标检测方法,将红外目标梯度信息、尺度信息及视觉对比机制相结合,在优化后的梯度显著二值图的基础上进行局部视觉对比度计算,有效地解决了传统穷尽式图像块对比机制计算量大的问题,可以在低信噪比情况下检测出红外弱小目标,且检测率高达95%,虚警率和单帧检测时间低至为5%和0.46s,可广泛应用于军事侦察、智能安防、红外制导等领域。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种基于视觉对比机制的红外弱小目标检测方法,其特征在于,包括以下步骤:
(1)提取原始红外图像的8向梯度显著图;
(2)对所述8向梯度显著图进行二值化处理,得到梯度显著二值图像;
(3)根据红外弱小目标的尺寸特征,对所述梯度显著二值图像进行优化处理,剔除孤立噪声点和大尺寸背景梯度显著区域,得到优化后的梯度显著二值图;
(4)利用视觉对比机制计算所述优化后的梯度显著二值图中显著区域的局部对比度,剔除伪目标,获得视觉对比机制处理后的梯度显著二值图;
(5)根据所述视觉对比机制处理后的梯度显著二值图,在所述原始红外图像中定位目标,完成红外弱小目标检测。
2.根据权利要求1所述的基于视觉对比机制的红外弱小目标检测方法,其特征在于,步骤(1)中,所述的8向梯度显著图的提取公式为:
Gd[f(x,y)]=|f(x,y)-f(x+m,y+n)|,
式中,f(x,y)为所述原始红外图像中的任一像素点,m、n为各向梯度在水平方向和垂直方向上的步长,m、n大于所述红外弱小目标的直径,|G[f(x,y)]|为像素点f(x,y)处的梯度值,N=8。
3.根据权利要求1所述的基于视觉对比机制的红外弱小目标检测方法,其特征在于,步骤(2)中,所述的二值化处理的阈值门限为:Tg=u+λσ,其中u为梯度均值,σ为梯度的标准差,λ为系数,取[1,3],所述梯度显著二值图像中的像素点为g(x,y)。
4.根据权利要求3所述的基于视觉对比机制的红外弱小目标检测方法,其特征在于,步骤(3)中,所述的孤立噪声点的剔除方法为:当所述梯度显著二值图像中像素点g(x,y)周围8个邻域的像素值均为0时,所述g(x,y)为孤立的噪声点,对所述像素点g(x,y)进行剔除处理,且令g(x,y)=0。
5.根据权利要求3所述的基于视觉对比机制的红外弱小目标检测方法,其特征在于,步骤(3)中,所述的大尺寸背景梯度显著区域的剔除过程包括:
首先,计算所述梯度显著二值图像中每一个显著连通域内值为1的像素点的个数Ci:Ci=count(bwlabel(gi(x,y)=1))i=1,2...n,式中,n为所述显著二值图像中连通域的个数,Ci为每一个显著连通域内值为1的像素个数;
然后,剔除像素数较大的显著连通域,剔除方法为:
式中,阈值Tp为所述原始红外图像像素总数的0.15%,gi为第i个显著连通域内值为1的像素点。
6.根据权利要求1所述的基于视觉对比机制的红外弱小目标检测方法,其特征在于,步骤(4)中,利用视觉对比机制计算所述优化后的梯度显著二值图中显著区域的局部对比度的流程包括:
(4.1)计算所述优化后的梯度显著二值图中每一个显著连通域图像块的外接矩形的尺寸(w,h)及位置(x,y):
式中,(w,h)为第i个显著连通域外接矩形的长和宽,(x,y)为第i个显著连通域的中心坐标,分别为第i个显著连通域中像素横纵坐标的最大值和最小值;
(4.2)根据每一个显著连通域图像块外接矩形的尺寸和位置,计算每一个显著连通域图像块的灰度均值m0与其周围8个邻域图像块的灰度均值mj,其中,式中,w×h表示该显著连通域图像块的尺寸,f(x,y)是所述原始红外图像中第j个图像块包含的像素,I(f(x,y))为所述像素对应的灰度值;
(4.3)计算每一个显著连通域图像块与其周围8个邻域图像块的局部对比度测量值:
(4.4)对每一个显著连通域的LCM值进行阈值处理,剔除伪目标区域,所述剔除方法为:
式中,gi为第i个显著连通域;Tc为视觉对比机制阈值。
7.根据权利要求6所述的基于视觉对比机制的红外弱小目标检测方法,其特征在于,Tc取值范围为[1.05,1.2]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710426079.8A CN107392885A (zh) | 2017-06-08 | 2017-06-08 | 一种基于视觉对比机制的红外弱小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710426079.8A CN107392885A (zh) | 2017-06-08 | 2017-06-08 | 一种基于视觉对比机制的红外弱小目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107392885A true CN107392885A (zh) | 2017-11-24 |
Family
ID=60332053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710426079.8A Pending CN107392885A (zh) | 2017-06-08 | 2017-06-08 | 一种基于视觉对比机制的红外弱小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392885A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171168A (zh) * | 2017-12-28 | 2018-06-15 | 浙江大学 | 弱小目标变动智能图像检测方法及装置 |
CN108182690A (zh) * | 2017-12-29 | 2018-06-19 | 中国人民解放军63861部队 | 一种基于前景加权局部对比度的红外微弱目标检测方法 |
CN109461164A (zh) * | 2018-09-21 | 2019-03-12 | 武汉大学 | 一种基于方向核重建的红外小目标检测方法 |
CN109544535A (zh) * | 2018-11-26 | 2019-03-29 | 马杰 | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及*** |
CN109934224A (zh) * | 2019-03-07 | 2019-06-25 | 绵阳慧视光电技术有限责任公司 | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 |
CN110135312A (zh) * | 2019-05-06 | 2019-08-16 | 电子科技大学 | 一种基于分级lcm的快速小目标检测方法 |
CN110415208A (zh) * | 2019-06-10 | 2019-11-05 | 西安电子科技大学 | 一种自适应目标检测方法及其装置、设备、存储介质 |
CN110490904A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN112508923A (zh) * | 2020-12-15 | 2021-03-16 | 广西科技大学 | 弱小目标检测方法 |
CN113240664A (zh) * | 2021-06-03 | 2021-08-10 | 郑州航空工业管理学院 | 基于场景时空显著性的红外探测虚警检测方法及其应用 |
CN113286079A (zh) * | 2021-05-10 | 2021-08-20 | 迈克医疗电子有限公司 | 图像对焦方法、装置、电子设备及可读存储介质 |
CN113554618A (zh) * | 2021-07-22 | 2021-10-26 | 上海工程技术大学 | 一种基于红外图像的铁路轨道状态监测方法及装置 |
CN113643315A (zh) * | 2021-07-22 | 2021-11-12 | 武汉大学 | 一种基于自适应峰值梯度下降滤波器的红外小目标检测方法 |
CN113724257A (zh) * | 2021-11-01 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳板灰色污点检测方法、计算机设备及存储介质 |
CN113989628A (zh) * | 2021-10-27 | 2022-01-28 | 哈尔滨工程大学 | 基于弱方向梯度的水下信号灯定位方法 |
CN115205655A (zh) * | 2022-09-15 | 2022-10-18 | 中国科学院长春光学精密机械与物理研究所 | 动态背景下的红外暗弱点目标检测***及其检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299229A (zh) * | 2014-09-23 | 2015-01-21 | 西安电子科技大学 | 一种基于时空域背景抑制的红外弱小目标检测方法 |
CN105427286A (zh) * | 2015-11-06 | 2016-03-23 | 中国电子科技集团公司第二十八研究所 | 一种基于灰度和梯度分割的红外目标检测方法 |
CN105931235A (zh) * | 2016-04-18 | 2016-09-07 | 电子科技大学 | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 |
-
2017
- 2017-06-08 CN CN201710426079.8A patent/CN107392885A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299229A (zh) * | 2014-09-23 | 2015-01-21 | 西安电子科技大学 | 一种基于时空域背景抑制的红外弱小目标检测方法 |
CN105427286A (zh) * | 2015-11-06 | 2016-03-23 | 中国电子科技集团公司第二十八研究所 | 一种基于灰度和梯度分割的红外目标检测方法 |
CN105931235A (zh) * | 2016-04-18 | 2016-09-07 | 电子科技大学 | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 |
Non-Patent Citations (2)
Title |
---|
J.H. HAN等: "A Robust Infrared Small Target Detection Algorithm Based on Human Visual System", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
王康: "一种复杂海天背景下红外弱小目标检测算法", 《光学与光电技术》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171168B (zh) * | 2017-12-28 | 2020-09-22 | 浙江大学 | 弱小目标变动智能图像检测方法及装置 |
CN108171168A (zh) * | 2017-12-28 | 2018-06-15 | 浙江大学 | 弱小目标变动智能图像检测方法及装置 |
CN108182690A (zh) * | 2017-12-29 | 2018-06-19 | 中国人民解放军63861部队 | 一种基于前景加权局部对比度的红外微弱目标检测方法 |
CN108182690B (zh) * | 2017-12-29 | 2019-02-15 | 中国人民解放军63861部队 | 一种基于前景加权局部对比度的红外微弱目标检测方法 |
CN109461164A (zh) * | 2018-09-21 | 2019-03-12 | 武汉大学 | 一种基于方向核重建的红外小目标检测方法 |
CN109544535A (zh) * | 2018-11-26 | 2019-03-29 | 马杰 | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及*** |
CN109934224A (zh) * | 2019-03-07 | 2019-06-25 | 绵阳慧视光电技术有限责任公司 | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 |
CN109934224B (zh) * | 2019-03-07 | 2023-06-09 | 绵阳慧视光电技术有限责任公司 | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 |
CN110135312B (zh) * | 2019-05-06 | 2022-05-03 | 电子科技大学 | 一种基于分级lcm的快速小目标检测方法 |
CN110135312A (zh) * | 2019-05-06 | 2019-08-16 | 电子科技大学 | 一种基于分级lcm的快速小目标检测方法 |
CN110415208A (zh) * | 2019-06-10 | 2019-11-05 | 西安电子科技大学 | 一种自适应目标检测方法及其装置、设备、存储介质 |
CN110415208B (zh) * | 2019-06-10 | 2023-10-17 | 西安电子科技大学 | 一种自适应目标检测方法及其装置、设备、存储介质 |
CN110490904A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN112508923A (zh) * | 2020-12-15 | 2021-03-16 | 广西科技大学 | 弱小目标检测方法 |
CN113286079A (zh) * | 2021-05-10 | 2021-08-20 | 迈克医疗电子有限公司 | 图像对焦方法、装置、电子设备及可读存储介质 |
CN113286079B (zh) * | 2021-05-10 | 2023-04-28 | 迈克医疗电子有限公司 | 图像对焦方法、装置、电子设备及可读存储介质 |
CN113240664A (zh) * | 2021-06-03 | 2021-08-10 | 郑州航空工业管理学院 | 基于场景时空显著性的红外探测虚警检测方法及其应用 |
CN113240664B (zh) * | 2021-06-03 | 2023-06-09 | 郑州航空工业管理学院 | 基于场景时空显著性的红外探测虚警检测方法及其应用 |
CN113554618B (zh) * | 2021-07-22 | 2022-03-01 | 上海工程技术大学 | 一种基于红外图像的铁路轨道状态监测方法及装置 |
CN113643315A (zh) * | 2021-07-22 | 2021-11-12 | 武汉大学 | 一种基于自适应峰值梯度下降滤波器的红外小目标检测方法 |
CN113643315B (zh) * | 2021-07-22 | 2023-08-15 | 武汉大学 | 一种基于自适应峰值梯度下降滤波器的红外小目标检测方法 |
CN113554618A (zh) * | 2021-07-22 | 2021-10-26 | 上海工程技术大学 | 一种基于红外图像的铁路轨道状态监测方法及装置 |
CN113989628B (zh) * | 2021-10-27 | 2022-08-26 | 哈尔滨工程大学 | 基于弱方向梯度的水下信号灯定位方法 |
CN113989628A (zh) * | 2021-10-27 | 2022-01-28 | 哈尔滨工程大学 | 基于弱方向梯度的水下信号灯定位方法 |
CN113724257A (zh) * | 2021-11-01 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳板灰色污点检测方法、计算机设备及存储介质 |
CN115205655A (zh) * | 2022-09-15 | 2022-10-18 | 中国科学院长春光学精密机械与物理研究所 | 动态背景下的红外暗弱点目标检测***及其检测方法 |
CN115205655B (zh) * | 2022-09-15 | 2022-12-09 | 中国科学院长春光学精密机械与物理研究所 | 动态背景下的红外暗弱点目标检测***及其检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN103984961B (zh) | 一种用于检测车底异物的图像检测方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN108805904B (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
CN102496016B (zh) | 一种基于时空协同框架的红外目标检测方法 | |
CN103632158B (zh) | 森林防火监控方法及森林防火监控*** | |
CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
CN107330376A (zh) | 一种车道线识别方法及*** | |
CN107833221A (zh) | 一种基于多通道特征融合和机器学习的漏水监测方法 | |
CN108764186A (zh) | 基于旋转深度学习的人物遮挡轮廓检测方法 | |
CN106127253B (zh) | 一种利用样本特征学习分类的红外弱小目标检测方法 | |
CN102855622A (zh) | 一种基于显著性分析的红外遥感图像海面船只检测方法 | |
CN101715111B (zh) | 视频监控中滞留物主自动搜寻方法 | |
CN107341538A (zh) | 一种基于视觉的统计数量方法 | |
CN102567733B (zh) | 一种微波图像非合作情况下人体隐私部位检测与遮挡方法 | |
CN110110675A (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
CN109003277A (zh) | 一种复杂背景下红外弱小目标检测方法及装置 | |
CN107240112B (zh) | 一种复杂场景下个体x角点提取方法 | |
CN102982313A (zh) | 烟雾检测的方法 | |
CN102096824A (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
CN104517095A (zh) | 一种基于深度图像的人头分割方法 | |
CN107463895B (zh) | 基于邻域向量pca的弱小损伤目标检测方法 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN102156881B (zh) | 基于多尺度图像相位信息的海难搜救目标检测方法 | |
CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171124 |