CN110660065B - 一种红外故障检测识别算法 - Google Patents
一种红外故障检测识别算法 Download PDFInfo
- Publication number
- CN110660065B CN110660065B CN201910930055.5A CN201910930055A CN110660065B CN 110660065 B CN110660065 B CN 110660065B CN 201910930055 A CN201910930055 A CN 201910930055A CN 110660065 B CN110660065 B CN 110660065B
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- fault
- flag
- max
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 230000000903 blocking effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000010339 dilation Effects 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000003331 infrared imaging Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,具体涉及的是一种红外故障检测识别算法,该算法包括以下步骤:首先在红外图像的频域上做Butterworth自适应高通滤波抑制背景,然后根据指定的占图像总像素的比例计算阈值来分割图像;下一步对分割后的图像计算直方图提取特征数据判断图像是否存在故障;最后在红外图像的时域上采用与频域相同的方法对图像分块进行阈值分割;通过迭代膨胀和分割来识别故障并计算尺寸和定位坐标。本发明应用于基于红外图像的电力故障识别中通过设计频域判断,时域识别的方法来提高无人机巡检下的识别正确率,降低因干扰带来的误检率,使红外故障识别技术能应用于野外复杂的情况。
Description
技术领域
本申请涉及涉及图像处理技术领域,尤其涉及一种红外故障检测识别算法。
背景技术
物体表面温度如果超过绝对零度即会辐射出电磁波,红外线和人们熟知的可见光都属于电磁波,随着温度变化,电磁波的辐射强度与波长分布特性也随之改变,波长介于0.75μm到1000μm间的电磁波称为“红外线”,红外线在地表传送时,会受到大气组成物质(特别是H2O、CO2、CH4、N2O、O3等)的吸收,强度明显下降,仅在中波3μ~5μm及长波8~12μm的两个波段有较好的穿透率(Transmission),大部份的红外热像仪就是针对这两个波段进行检测。电气设备红外图像热故障诊断研究现状红外成像技术始20世纪30年代,随后较长的一段时间里,红外成像技术主要应用在军事领域中,使其得到了快速的发展,而后被逐渐应用到国民经济的各个领域中去,如工业监测、安防保卫、医学诊断等领域。70年代,瑞典国家电力局使用集成红外成像***的汽车和直升机对变电站电气设备进行巡检。1990年的国际大电网会议对红外诊断技术给予了足够的重视和充分的肯定。2006年FLIR推出ThermaCAMP640是全球首台选用焦平面探测器的热像仪,并将其应用到电气设备巡检任务中。在国内,电气设备红外检测技术始于70年代初,并在军用和民用两方面都取得了良好的效果。随着信息处理和其他相关技术的成熟,红外诊断技术正向数字化、智能化的方向发展,并且已经结合数字图像处理技术应用于电气设备的热故障诊断。
特征选择是指去掉无关特征,保留相关特征的过程,也可以认为是从所有的特征中选择一个最好的特征子集。特征选择本质上可以认为是降维的过程。在计算机视觉中,主要提取图像特征。图像特征主要有图像的颜色特征、纹理特征、形状特征和空间关系特征。颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。纹理特征也是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。形状特征有两类表示方法,一类是轮廓特征,另一类是区域特征。图像的轮廓特征主要针对物体的外边界,而图像的区域特征则关系到整个形状区域所谓空间关系,是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系,这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类:相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况,如上下左右关系等,后一种关系强调的是目标之间的距离大小以及方位。常见的图像特征提取方式有:SIFT、HOG、SURF、ORB、LBP、HAAR和卷积神经网络等,所以一种能在复杂背景下对红外图像精确的计算的方法尤为重要。
发明内容
有鉴于此,本发明的目的是提供了一种红外故障检测识别算法,通过计算方差加权信息熵衡量红外图像的复杂度,然后分割提取故障区域,引入规则和分隔与膨胀的迭代确定故障位置和尺寸信息,通过此方法提供了一种有效降低误检率和提高精确率的复杂背景下的红外图像处理的方法,增强了算法的自适应性,频域检测时域和识别的结合,提高了运算效率,降低了误检率,提高了准确率,增强了其自适应性
本发明通过以下技术手段解决上述技术问题:
本发明提供了一种红外故障检测识别算法,具体按以下步骤执行:
S1:计算方差加权信息熵衡量红外图像的复杂度,并根据复杂度变量建立与截止频率的映射关系;
S2:在红外图像的频域上,采用自适应Butterworth滤波技术来抑制背景,分割并提取故障潜在区域,并滤除指定比例的像素;
S3:根据图像分割处理后的像素分布特点,利用直方图计算特征数据,引入规则判断图像是否存在故障;
S4:在红外图像的时域上,分块滤除指定比例的像素,消除干扰与故障的连通性;S5:通过分割与膨胀的迭代进一步确定故障的信息,识别并获取故障位置和尺寸信息。
进一步,在步骤S1中,在步骤S1中,计算方差加权信息熵衡量图像复杂度,并建立与截止频率的映射关系;使用在红外图像的频域上做Butterworth自适应高通滤波来抑制大范围背景。
进一步,在步骤S2中,对于S1的处理结果,借助直方图计算可区分的数据判定图像中是否存在故障;取结果图像的灰度最大值p_max,非零像素平均值nz_p_aver,非零像素最小值nz_p_min,将这三个数据组合如下:
(1)p_max;(2)p_max-nz_p_aver;(3)p_max-nz_p_min;
结合阈值设计判断条件,可具有明显区分性。
进一步,在步骤S3中,当故障与背景高亮区域重叠时,二者之间差异不容易区分;通过分块处理,可以滤除更多的高亮非故障区域,降低误检率。
进一步,在步骤S4中,对于S3的结果图像,通过更新阈值做二值化和膨胀处理迭代,可使得最终的分割结果只有一个目标,可用轮廓个数来代替目标个数。
进一步,在步骤S5中膨胀的迭代具体按以下步骤执行:
S1:计算当前图像非零像素灰度平均值nz_aver作为阈值thresh;
S2:以阈值thresh分割图像f,更新阈值thresh加1;
S3:图像f膨胀运算;
S4:检测图像轮廓并计算个数con_number;
S5:判断con_number=1?,是则终止计算,返回阈值thresh,否则继续判断thresh=255?,是则返回special_thresh,否则返回步骤S2;
S6:结束。
本发明的一种红外故障检测识别算法,通过计算方差加权信息熵衡量红外图像的复杂度,然后分割提取故障区域,引入规则和分隔与膨胀的迭代确定故障位置和尺寸信息,通过此方法提供了一种有效降低误检率和提高精确率的红外图像处理的方法,增强了算法的自适应性,频域检测时域和识别的结合,提高了运算效率,降低了误检率,该算法可以在大幅度降低误检率的情况下保证正确率几乎不变,提高了准确率,增强了其自适应性。这使得红外故障识别进一步的贴切其使用场景,加快无人机巡检电力设备的落地应用。
附图说明
图1为原始红外图像;
图2为原始红外灰度直方图;
图3为自适应Butterworth滤波图;
图4为频域滤波结果图的灰度直方图;
图5为指定比例的阈值分割结果图;
图6为时域分割图;
图7为迭代流程图;
图8为故障识别图;
其中:图八的矩形框内的区域为通过本算法识别为的故障区域。
具体实施方式
以下将结合附图和具体实施例对本发明进行详细说明,显然,所描述的实施例仅仅只是本申请一部分实施例,而不是全部的实施例,基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图2所示,本发明的一种红外故障检测识别算法,本发明公开了一种复杂背景下红外故障检测识别算法,该算法包括以下步骤:
S1:计算方差加权信息熵衡量红外图像的复杂度,并根据复杂度变量建立与截止频率的映射关系;
S2:在红外图像的频域上,采用自适应Butterworth滤波技术来抑制背景,分割并提取故障潜在区域,并滤除指定比例的像素;
S3:根据图像分割处理后的像素分布特点,利用直方图计算特征数据,引入规则判断图像是否存在故障;
S4:在红外图像的时域上,分块滤除指定比例的像素,消除干扰与故障的连通性;S5:通过分割与膨胀的迭代进一步确定故障的信息,识别并获取故障位置和尺寸信息。
在实施例中,如步骤S1所述,基于自适应Butterworth高通滤波的红外小目标检测方法。一个具有良好滤波性能的2阶频域Butterworth高通滤波器,其传递函数可写为:
式中D0为截止频率,D(u,v)为频谱中的点,(u,v)为到频谱中心的欧式距离,计算公式为:
式中(P,Q)表示频谱中心点,用像素灰度值分别求取4块的方差加权信息熵,并计算最大值作为图像复杂度的结果,公式如下:
H(s)max=max(H(s)tl,H(s)tr,H(s)bl,H(s)br)...式7
式中H(s)tl为图像左上角方差加权信息熵,H(s)tr为图像右上角方差加权信息熵,H(s)bl为图像左下角方差加权信息熵,H(s)br为图像右下角方差加权信息熵,H(s)max为代表图像复杂度的熵值,为每一块图像对应的灰度值平均值。
本实施例中,如步骤S2所述,分析滤波分割后的图像的灰度最大值p_max,非零像素平均值nz_p_aver,非零像素最小值nz_p_min,
将这三个数据组合计算如下:
p_max
p_max-nz_p_aver
p_max-mz_p_min
每幅图像的三个参数为一组数据。通过组合参数来生成判断规则,每一条规则由三个条件组成,其形式为
fault_flag=flag1&&flag2&&flag3...式9
式中t1,t2,t3为每一个参数对应的阈值,flag1,flag2,flag3为每个条件的执行结果,fault_flag为最终的判断结果,为true则代表图像存在故障,为false不存在故障。
本实施例中,如步骤S3所述,选取合适的图像分块参数K。K的选取一般由实验或经验获得。如使用K=4的实验数据,如图6。如步骤4所示,对步骤S3的结果图像迭代计算故障信息。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。
Claims (5)
1.一种红外故障检测识别方法,其特征在于,包括如下步骤:
S1:计算方差加权信息熵衡量红外图像的复杂度,并根据复杂度变量建立与截止频率的映射关系;
S2:在红外图像的频域上,采用自适应Butterworth滤波技术来抑制背景,分割并提取故障潜在区域,并滤除指定比例的像素;
在步骤S2中,设置分析滤波分割后的图像的灰度最大值为p_max,非零像素平均值为nz_p_aver,非零像素最小值为nz_p_min,将这三个数据组合如下:(1)p_max;
(2)p_max-nz_p_aver;(3)p_max-nz_p_min,然后将这三组数据结合阈值设计判断条件;
S3:根据图像分割处理后的像素分布特点,利用直方图计算特征数据,引入规则判断图像是否存在故障;
在步骤S3中每幅图像的三个参数为一组数据,通过组合参数来生成判断规则,每一条规则由三个条件组成,其形式为:
fault_flag=flag1&&flag2&&flag3...式9
式中t1,t2,t3为每一个参数对应的阈值,flag1,flag2,flag3为每个条件的执行结果,fault_flag为最终的判断结果,为true则代表图像存在故障,为false不存在故障;
S4:在红外图像的时域上,分块滤除指定比例的像素,消除干扰与故障的连通性;
S5:通过分割与膨胀的迭代进一步确定故障的信息,识别并获取故障位置和尺寸信息。
2.根据权利要求1所述的一种红外故障检测识别方法,其特征在于,在步骤S3中,当故障与背景高亮区域重叠时,进行分块处理。
3.根据权利要求2所述的一种红外故障检测识别方法,其特征在于,分块处理时包含任意在灰度值上可区分的目标;通过更新阈值做二值化和膨胀处理迭代,使得最终的分割结果只有一个目标,然后用轮廓个数来代替目标个数。
4.根据权利要求1所述的一种红外故障检测识别方法,其特征在于,在步骤S2中,一个具有良好滤波性能的2阶频域Butterworth高通滤波器,其传递函数可写为:
式中D0为截止频率,D(u,v)为频谱中的点,(u,v)为到频谱中心的欧式距离,计算公式为:
式中(P,Q)表示频谱中心点,用像素灰度值分别求取4块的方差加权信息熵,并计算最大值作为图像复杂度的结果,公式如下:
H(s)max=max(H(s)tl,H(s)tr,H(s)bl,H(s)br)...式7
式中H(s)tl为图像左上角方差加权信息熵,H(s)tr为图像右上角方差加权信息熵,H(s)bl为图像左下角方差加权信息熵,H(s)br为图像右下角方差加权信息熵,H(s)max为代表图像复杂度的熵值,为每一块图像对应的灰度值平均值。
5.根据权利要求1所述的一种红外故障检测识别方法,其特征在于,在步骤S5中膨胀的迭代具体按以下步骤执行:
S1:计算当前图像非零像素灰度平均值nz_aver作为阈值thresh;
S2:以阈值thresh分割图像f,更新阈值thresh加1;
S3:图像f膨胀运算;
S4:检测图像轮廓并计算个数con_number;
S5:判断con_number=1?,是则终止计算,返回阈值thresh,否则继续判断thresh=255?,是则返回special_thresh,否则返回步骤S2;
S6:结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910930055.5A CN110660065B (zh) | 2019-09-29 | 2019-09-29 | 一种红外故障检测识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910930055.5A CN110660065B (zh) | 2019-09-29 | 2019-09-29 | 一种红外故障检测识别算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110660065A CN110660065A (zh) | 2020-01-07 |
CN110660065B true CN110660065B (zh) | 2023-10-20 |
Family
ID=69039700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910930055.5A Active CN110660065B (zh) | 2019-09-29 | 2019-09-29 | 一种红外故障检测识别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110660065B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260624B (zh) * | 2020-01-15 | 2023-05-26 | 陕西师范大学 | 一种基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法 |
CN111768376A (zh) * | 2020-06-24 | 2020-10-13 | 山东科技大学 | 一种涡流热成像边缘检测方法、***、存储介质及应用 |
CN113139576B (zh) * | 2021-03-22 | 2024-03-12 | 广东省科学院智能制造研究所 | 一种结合图像复杂度的深度学习图像分类方法及*** |
CN114548446B (zh) * | 2022-04-25 | 2022-08-02 | 国网山东省电力公司潍坊市寒亭区供电公司 | 一种基于人工智能的电力设备检测***及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005069197A1 (en) * | 2003-12-31 | 2005-07-28 | Lockheed Martin Missiles & Fire Control | A method and system for adaptive target detection |
JP2010166143A (ja) * | 2009-01-13 | 2010-07-29 | Ricoh Co Ltd | 画像処理装置、画像処理方法、プログラムおよび記録媒体 |
CN102034239A (zh) * | 2010-12-07 | 2011-04-27 | 北京理工大学 | 一种基于局部灰度突变的红外小目标检测方法 |
CN103198326A (zh) * | 2013-04-15 | 2013-07-10 | 杭州捷尚智能电网技术有限公司 | 一种输电线路直升机巡检的图像分类方法 |
CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
CN107784661A (zh) * | 2017-09-08 | 2018-03-09 | 上海电力学院 | 基于区域生长法的变电站设备红外图像分类识别方法 |
CN108154087A (zh) * | 2017-12-08 | 2018-06-12 | 北京航天计量测试技术研究所 | 一种基于特征匹配的红外人体目标检测跟踪方法 |
CN108665443A (zh) * | 2018-04-11 | 2018-10-16 | 中国石油大学(北京) | 一种机械设备故障的红外图像敏感区域提取方法及装置 |
CN109712158A (zh) * | 2018-11-23 | 2019-05-03 | 山东航天电子技术研究所 | 一种基于目标背景像元统计约束的红外小目标捕获方法 |
CN109993736A (zh) * | 2019-03-29 | 2019-07-09 | 浙江大学 | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678310B (zh) * | 2016-02-03 | 2019-08-06 | 北京京东方多媒体科技有限公司 | 红外热图像轮廓提取方法及装置 |
-
2019
- 2019-09-29 CN CN201910930055.5A patent/CN110660065B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005069197A1 (en) * | 2003-12-31 | 2005-07-28 | Lockheed Martin Missiles & Fire Control | A method and system for adaptive target detection |
JP2010166143A (ja) * | 2009-01-13 | 2010-07-29 | Ricoh Co Ltd | 画像処理装置、画像処理方法、プログラムおよび記録媒体 |
CN102034239A (zh) * | 2010-12-07 | 2011-04-27 | 北京理工大学 | 一种基于局部灰度突变的红外小目标检测方法 |
CN103198326A (zh) * | 2013-04-15 | 2013-07-10 | 杭州捷尚智能电网技术有限公司 | 一种输电线路直升机巡检的图像分类方法 |
CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
CN107784661A (zh) * | 2017-09-08 | 2018-03-09 | 上海电力学院 | 基于区域生长法的变电站设备红外图像分类识别方法 |
CN108154087A (zh) * | 2017-12-08 | 2018-06-12 | 北京航天计量测试技术研究所 | 一种基于特征匹配的红外人体目标检测跟踪方法 |
CN108665443A (zh) * | 2018-04-11 | 2018-10-16 | 中国石油大学(北京) | 一种机械设备故障的红外图像敏感区域提取方法及装置 |
CN109712158A (zh) * | 2018-11-23 | 2019-05-03 | 山东航天电子技术研究所 | 一种基于目标背景像元统计约束的红外小目标捕获方法 |
CN109993736A (zh) * | 2019-03-29 | 2019-07-09 | 浙江大学 | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 |
Non-Patent Citations (3)
Title |
---|
基于复杂融合特征与灰度-纹理直方图描述子的红外弱小目标检测追踪算法;闻凯;《科学技术与工程》;20161208(第34期);88-96 * |
基于背景复杂程度估计的红外图像预处理;杨磊等;《***工程与电子技术》;20060820(第08期);40-43 * |
复杂背景条件下的红外小目标检测与跟踪算法研究;杨磊;《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》;20070215;1-141 * |
Also Published As
Publication number | Publication date |
---|---|
CN110660065A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660065B (zh) | 一种红外故障检测识别算法 | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
Nasiri et al. | Infrared small target enhancement based on variance difference | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
Li et al. | Road lane detection with gabor filters | |
WO2018076138A1 (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
CN103761731A (zh) | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 | |
CN112288008A (zh) | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 | |
Zhao et al. | Infrared and visible image fusion algorithm based on saliency detection and adaptive double-channel spiking cortical model | |
CN106886747A (zh) | 一种基于扩展小波变换的复杂背景下舰船检测方法 | |
CN104036461A (zh) | 一种基于联合滤波的红外复杂背景抑制方法 | |
CN112070717A (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
CN112967305B (zh) | 一种复杂天空场景下的图像云背景检测方法 | |
Zhang et al. | Contextual squeeze-and-excitation mask r-cnn for sar ship instance segmentation | |
CN112288780B (zh) | 多特征动态加权的目标跟踪算法 | |
CN113705433A (zh) | 一种基于可见光航拍图像的电力线检测方法 | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN113205494A (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和*** | |
CN114842235A (zh) | 一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法 | |
CN115035350A (zh) | 一种基于边缘检测增强的对空地、地面背景小目标检测方法 | |
CN113793372A (zh) | 异源图像的优化配准方法及*** | |
CN109471106B (zh) | 结合聚类分析和边界跟踪法的sar海洋内波条纹识别方法 | |
Wang et al. | An automatic bridge detection technique for high resolution SAR images | |
Krishnan et al. | Adaptive hybrid image defogging for enhancing foggy images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |