CN110674782A - 一种基于分数熵的红外弱小目标检测方法 - Google Patents
一种基于分数熵的红外弱小目标检测方法 Download PDFInfo
- Publication number
- CN110674782A CN110674782A CN201910947684.9A CN201910947684A CN110674782A CN 110674782 A CN110674782 A CN 110674782A CN 201910947684 A CN201910947684 A CN 201910947684A CN 110674782 A CN110674782 A CN 110674782A
- Authority
- CN
- China
- Prior art keywords
- entropy
- image
- fractional
- sliding
- target
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于分数熵的红外弱小目标检测方法,属于原始红外图像处理及目标检测领域,解决现有技术的红外弱小目标检测困难的问题。本发明在获取的待检测的原始红外图像上建立滑动窗口,根据滑动窗口、滑动窗口的滑动步长和原始红外图像得到备用熵值图像;基于滑动窗口的滑动步长,按照从左往右、从上往下在原始红外图像上滑动一次滑动窗口,得到一个ROI区域,计算ROI区域的分数熵并将其赋值给备用熵值图像对应的像素,继续滑动窗口直到遍历完整个原始红外图像;将赋值后的分数熵图像中的像素值映射到空间[0,255]内得到熵值图像;将熵值图像进行形态学处理后,再确定目标位置与大小,并在原图上进行重定位,即得到检测结果。
Description
技术领域
一种基于分数熵的红外弱小目标检测方法,用于红外弱小目标检测,属于原始红外图像处理及目标检测领域。
背景技术
随着科技的进步,成像武器***受到越来越多的国家的重视与发展,应用于多个方面,如:导弹预警、导弹拦截、火控***、灾后监控***等,而红外检测由于其全天候工作的特性,在成像武器***中受到青睐。成像武器***通常使用红外远距离探测,因此其探测的目标往往具有成像面积小,辐射能量弱,目标边缘模糊不清,信噪比较低等特点,将其准确地检测出来具有较大地难度。目前的红外弱小目标检测有:先检测后跟踪(DBT)、先跟踪后检测(TBD)、单帧图像检测。其中,DBT算法用于信噪比较高的情况下,当信噪比较低时,其检测效果不理想。TBD算法在信噪比低时具有较好地检测效果,但是该算法计算繁琐,需要进行多次地全局遍历,很难在硬件上大量应用。单帧图像检测方法有频域类算法、空域类算法。频域类方法要求目标具有较高地频域而背景具有较低地频域,但是实际场所中背景杂波也会有较高地频域,常常造成误检。空域类方法主要利用灰度特性来进行目标检测,但红外弱小目标与背景的亮度相近,无法准确检测。
发明内容
针对上述研究的问题,本发明的目的在于提供一种基于分数熵的红外弱小目标检测方法,解决现有技术,在信噪比和图像对比度较低的情况下检测精度低的问题。
为了达到上述目的,本发明采用如下技术方案:
一种基于分数熵的红外弱小目标检测方法,包括如下步骤:
S1、在获取的待检测的原始红外图像上建立滑动窗口,根据滑动窗口、给定的滑动窗口的滑动步长和原始红外图像得到备用熵值图像;
S2、基于滑动窗口的滑动步长,按照从左往右、从上往下的方式在原始红外图像上滑动一次,得到一个ROI区域,计算ROI区域的分数熵并将其赋值给备用熵值图像对应的像素;
S3、判断滑动窗口是否遍历完整幅原始红外图像,若是,得到分数熵图像,将分数熵图像中的像素值映射到空间[0,255]内,得到映射后的熵值图像,若否,转到步骤S2继续滑动滑动窗口;
S4、将映射后的熵值图像进行形态学滤波处理后,得到目标的位置与大小,基于目标的位置与大小在原始红外图像上进行重定位确定目标,最终得到检测结果。
进一步,所述步骤S1的具体步骤为:
S1.1、在获取的待检测的原始红外图像上建立滑动窗口,给定滑动窗口的滑动步长;
S1.2、根据滑动窗口、滑动窗口的滑动步长和原始红外图像得到备用熵值图像大小,具体公式为:
其中,I2.cols和I2.rows为备用熵值图像I2的像素列数和行数,floor()表示向下取整数,N为原始红外图像的像素列数,M为原始红外图像的像素行数,n为滑动窗口的像素列数,m为滑动窗口的像素行数,w为水平方向的滑动步长,h为竖直方向的滑动步长;
S1.3、基于备用熵值图像大小,直接创建备用熵值图像。
进一步,所述滑动窗口的大小为6*6,水平方向和竖直方向的滑动步长都为1。
进一步,所述步骤S2的具体步骤为:
S2.1、基于滑动窗口的滑动步长,按照从左往右、从上往下的方式在原始红外图像上滑动一次,得到一个ROI区域;
S2.2、基于梯度为M的量化,对ROI区域内的像素灰度值进行量化,用初始化为0的一维数组a[]统计量化后ROI区域的灰度值的分布情况,其中,a[0]对应ROI区域内灰度值为0的像素个数,a[1]对应ROI区域内量化后的灰度值为M的像素个数,依次类推a[k]对应ROI区域内量化后的灰度值为k*M的像素个数,最后得到ROI区域内的像素灰度值分布情况,根据分布情况得到像素总数为:
S2.3、计算a[]中每一个灰度值占像素总数的比例,并将其对应存储在数组b[]中,具体公式为:
S2.4、根据数组b[]计算该ROI区域内的分数熵Sα,公式如下:
其中,a取值范围为0-1;
S2.5、将得到的分数熵值赋值给备用熵值图像对应的像素。
进一步,所述步骤S2.5的具体步骤为:
S2.5.1、在原始红外图像上按照从左往右、从上往下的方式滑动滑动窗口得到的ROI区域与备用熵值图像中的各像素一一对应,即滑动窗口水平滑动得到的ROI区域数量与备用熵值图像中每一行像素数量相同;
S2.5.2、基于对应关系,将分数熵赋值给备用熵值图像对应的像素。
进一步,所述步骤S3中,将分数熵图像中的像素值映射到空间[0,255]内,得到熵值图像的具体步骤为:
S3.1、将分数熵图像中的所有像素值进行比较,比较后得到分类熵图像中的最大值max,计算最大值映射为Max的缩放比例η:
其中,Max为分数熵图像可表征的最大灰度值,针对n位原始红外图像,Max取值为2n-1;
S3.2、基于缩放比例η,算出分数熵图像中每个像素x映射到空间[0,255]中的值y,即得到映射后的熵值图像,其公式如下:
y[0,255]=η·x。
进一步,所述步骤S4的具体步骤为:
S4.1、对熵值图像进行形态学滤波,即先进行腐蚀再进行膨胀,去除干扰目标检测的噪声点,得到目标的左上角位置(x,y)与近似大小(width,height);
S4.2、基于目标的左上角位置(x,y)与近似大小(width,height)在原始红外图像上确定目标范围:
I1.x=x*w-p
I1.y=y*h-p
I1.width=width*w+2*p
I1.height=heigh*h+2*p
其中,I1.x和I1.y为原始图像中目标的左上角位置,I1.width和I1.height为原始红外图像I1中目标的宽和高,p为加减系数,取值为3,其目的是为了适当增大目标的范围,保证待检测目标全部落入期望的范围内,由此就可以得到原图中目标范围;
S4.3、基于目标范围,将目标范围外的像素直接视为背景,即将目标范围外的像素进行归零处理,对目标范围内的像素进行二值化处理,得到完整的目标:
其中,t为根据实际情况确定的阈值。
本发明同现有技术相比,其有益效果表现在:
一、本发明根据原始红外图像计算得到的分数熵图像,能够更好地表征图像中目标的边缘与纹理信息,使得本方法在目标边缘较为模糊时也能够将目标检测出来。
二、本发明能够很好的区分开目标与噪声,在噪声较大时也能将目标准确地检测出来,并且无需对图像进行降噪处理而直接计算其分数熵,可以避免图像滤波造成的目标丢失与标细节丢失。
三、本发明易于实现,检测效果准确,相较于很多算法,计算步骤少,算法的速度更快。
附图说明
图1为本发明的方法流程图;
图2为边缘模糊、对比度低的红外弱小目标原始红外图像;
图3为本发明中基于图2得到的分数熵图像;
图4为本发明中在图2原始红外图像上得到的检测结果;
图5为本发明中原始红外图像上建立了滑动窗口的示意图;
图6为背景噪声较大的红外弱小目标原始红外图像;
图7为本发明中基于图6得到的分数熵图像;
图8为本发明中在图6原始红外图像上得到的检测结果。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
一种基于分数熵的红外弱小目标检测方法,包括如下步骤:
S1、在获取的待检测的原始红外图像上建立滑动窗口,根据滑动窗口、给定的滑动窗口的滑动步长和原始红外图像得到备用熵值图像;
具体步骤为:
S1.1、在获取的待检测的原始红外图像上建立滑动窗口,给定滑动窗口的滑动步长,所述滑动窗口的大小为6*6,水平方向和竖直方向的滑动步长都为1,其中滑动窗口大小和滑动步长也可取其它值;
S1.2、根据滑动窗口、滑动窗口的滑动步长和原始红外图像得到备用熵值图像大小,具体公式为:
其中,I2.cols和I2.rows为备用熵值图像I2的像素列数和行数,floor()表示向下取整数,N为原始红外图像的像素列数,M为原始红外图像的像素行数,n为滑动窗口的像素列数,m为滑动窗口的像素行数,w为水平方向的滑动步长,h为竖直方向的滑动步长;
S1.3、基于备用熵值图像大小,直接创建备用熵值图像;
S2、基于滑动窗口的滑动步长,按照从左往右、从上往下的方式在原始红外图像上滑动一次,得到一个ROI区域,计算ROI区域的分数熵并将其赋值给备用熵值图像对应的像素;
具体步骤为:
S2.1、基于滑动窗口的滑动步长,按照从左往右、从上往下的方式在原始红外图像上滑动一次,得到一个ROI区域;
S2.2、基于梯度为M的量化,对ROI区域内的像素灰度值进行量化,用初始化为0的一维数组a[]统计量化后ROI区域的灰度值的分布情况,其中,a[0]对应ROI区域内灰度值为0的像素个数,a[1]对应ROI区域内量化后的灰度值为M的像素个数,依次类推a[k]对应ROI区域内量化后的灰度值为k*M的像素个数,最后得到ROI区域内的像素灰度值分布情况。如:基于梯度为4的量化,对ROI区域内的像素灰度值进行量化,用初始化为0的一维数组a[]统计量化后ROI区域的灰度值的分布情况,其中,a[0]对应ROI区域内灰度值为0的像素个数,a[1]对应ROI区域内量化后的灰度值为4的像素个数,依次类推(如a[2]对应ROI区域内量化后的灰度值为8的像素个数,a[3]对应ROI区域内量化后的灰度值为12的像素个数,a[4]对应ROI区域内量化后的灰度值为16的像素个数),最后得到ROI区域内的像素灰度值分布情况,根据分布情况得到像素总数为:
其中,本案中选梯度为4的量化是最佳的,因量化值越大,分数熵计算越快,但是整体的精度会下降;
S2.3、计算a[]中每一个灰度值占像素总数的比例,并将其对应存储在数组b[]中,具体公式为:
S2.4、根据数组b[]计算该ROI区域内的分数熵Sα,公式如下:
其中,a取值范围为0-1;
S2.5、将得到的分数熵值赋值给备用熵值图像对应的像素。
具体步骤为:
S2.5.1、在原始红外图像上按照从左往右、从上往下的方式滑动滑动窗口得到的ROI区域与备用熵值图像中的各像素一一对应,即滑动窗口水平滑动得到的ROI区域数量与备用熵值图像中每一行像素数量相同;
S2.5.2、基于对应关系,将分数熵赋值给备用熵值图像对应的像素。
S3、判断滑动窗口是否遍历完原始红外图像,若是,则将分数熵图像中的像素值映射到空间[0,255]内,得到映射后的熵值图像,若否,转到步骤S2继续滑动窗口;
将分数熵图像中的像素值映射到空间[0,255]内,得到熵值图像的具体步骤为:
S3.1、将分数熵图像中的所有像素值进行比较,比较后得到分类熵图像中的最大值max,计算最大值映射为Max的缩放比例η:
其中,Max为分数熵图像可表征的最大灰度值,针对n位原始红外图像,Max取值为2n-1;
S3.2、基于缩放比例η,算出分数熵图像中每个像素x映射到空间[0,255]中的值y,即得到映射后的熵值图像,其公式如下:
y[0,255]=η·x。
S4、将映射后的熵值图像进行形态学滤波处理后,得到目标的位置与大小,并在原始原始红外图像上进行重定位确定目标,最终得到检测结果。
具体步骤为:
S4.1、对熵值图像进行形态学滤波,即先进行腐蚀再进行膨胀,去除干扰目标检测的噪声点,得到目标的左上角位置(x,y)与近似大小(width,height);
S4.2、基于目标的左上角位置(x,y)与近似大小(width,height)在原始红外图像上确定目标范围:
I1.x=x*w-p
I1.y=y*h-p
I1.width=width*w+2*p
I1.height=heigh*h+2*p
其中,I1.x和I1.y为原始图像中目标的左上角位置,I1.width和I1.height为原始红外图像I1中目标的宽和高,p为加减系数,取值为3,其目的是为了适当增大目标的范围,保证待检测目标全部落入期望的范围内,由此就可以得到原图中目标范围;
S4.3、基于目标范围,将目标范围外的像素直接视为背景,即将目标范围外的像素进行归零处理,对目标范围内的像素进行二值化处理,得到完整的目标:
其中,t为根据实际情况确定的阈值,如下列实施例给定阈值为50。
实施例1
在获取的待检测的像素为320x240的原始红外图像上建立6x6的滑动窗口,根据6x6的滑动窗口、给定滑动窗口的滑动步长为1x1和原始红外图像得到315x235的备用熵值图像,其中,原始红外图像如图2所示,边缘很模糊;
基于滑动窗口的滑动步长,按照从左往右、从上往下的方式在原始红外图像上滑动窗口,每次滑动得到一个ROI区域,计算ROI区域的分数熵并将其赋值给备用熵值图像对应的像素,得到分数熵图像;
滑动窗口滑动完原始红外图像,将分数熵图像中的像素值映射到空间[0,255]内,得到映射后的熵值图像,如图3所示;
对熵值图像进行形态学滤波,先进行腐蚀再进行膨胀,去除干扰目标检测的噪声点,得到目标的左上角位置(x,y)与近似大小(width,height),其中,基于图3得到的目标的左上角坐标为(211,158),宽和高为13和12;
在原始红外图像中,目标范围的左上角位置是(208,155),宽和高是19和18;
基于目标范围,将目标范围外的像素直接视为背景,即将目标范围外的像素进行归零处理,对目标范围内的像素进行二值化处理,得到完整的目标,即如图4所示。
实施例2
在获取的待检测的像素为256×172的原始红外图像上建立6x6的滑动窗口,根据6x6的滑动窗口、给定滑动窗口的滑动步长为1x1和原始红外图像得到251×167的备用熵值图像,其中,原始红外图像如图6所示,背景噪声很大;
基于滑动窗口的滑动步长,按照从左往右、从上往下的方式在原始红外图像上滑动窗口,每次滑动得到一个ROI区域,计算ROI区域的分数熵并将其赋值给备用熵值图像对应的像素,得到分数熵图像;
滑动窗口滑动完原始红外图像,将分数熵图像中的像素值映射到空间[0,255]内,得到映射后的熵值图像,如图7所示;
对熵值图像进行形态学滤波,先进行腐蚀再进行膨胀,去除干扰目标检测的噪声点,得到目标的左上角位置(x,y)与近似大小(width,height),其中,基于图7得到的目标的左上角坐标为(152,105),宽和高为11和8;
在原始红外图像中,目标范围的左上角位置是(149,102),宽和高是17和14;
基于目标范围,将目标范围外的像素直接视为背景,即将目标范围外的像素进行归零处理,对目标范围内的像素进行二值化处理,得到完整的目标,即如图8所示。
以上仅是本发明众多具体应用范围中的代表性实施例,对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案,均落在本发明权利保护范围之内。
Claims (7)
1.一种基于分数熵的红外弱小目标检测方法,其特征在于,包括如下步骤:
S1、在获取的待检测的原始红外图像上建立滑动窗口,根据滑动窗口、给定的滑动窗口的滑动步长和原始红外图像得到备用熵值图像;
S2、基于滑动窗口的滑动步长,按照从左往右、从上往下的方式在原始红外图像上滑动一次,得到一个ROI区域,计算ROI区域的分数熵并将其赋值给备用熵值图像对应的像素;
S3、判断滑动窗口是否遍历完整幅原始红外图像,若是,得到分数熵图像,将分数熵图像中的像素值映射到空间[0,255]内,得到映射后的熵值图像,若否,转到步骤S2继续滑动滑动窗口;
S4、将映射后的熵值图像进行形态学滤波处理后,得到目标的位置与大小,基于目标的位置与大小在原始红外图像上进行重定位确定目标,最终得到检测结果。
3.根据权利要求2所述的一种基于分数熵的红外弱小目标检测方法,其特征在于,所述滑动窗口的大小为6*6,水平方向和竖直方向的滑动步长都为1。
4.根据权利要求1所述的一种基于分数熵的红外弱小目标检测方法,其特征在于,所述步骤S2的具体步骤为:
S2.1、基于滑动窗口的滑动步长,按照从左往右、从上往下的方式在原始红外图像上滑动一次,得到一个ROI区域;
S2.2、基于梯度为M的量化,对ROI区域内的像素灰度值进行量化,用初始化为0的一维数组a[]统计量化后ROI区域的灰度值的分布情况,其中,a[0]对应ROI区域内灰度值为0的像素个数,a[1]对应ROI区域内量化后的灰度值为M的像素个数,依次类推a[k]对应ROI区域内量化后的灰度值为k*M的像素个数,最后得到ROI区域内的像素灰度值分布情况,根据分布情况得到像素总数为:
S2.3、计算a[]中每一个灰度值占像素总数的比例,并将其对应存储在数组b[]中,具体公式为:
S2.4、根据数组b[]计算该ROI区域内的分数熵Sα,公式如下:
其中,a取值范围为0-1;
S2.5、将得到的分数熵值赋值给备用熵值图像对应的像素。
5.根据权利要求4所述的一种基于分数熵的红外弱小目标检测方法,其特征在于,所述步骤S2.5的具体步骤为:
S2.5.1、在原始红外图像上按照从左往右、从上往下的方式滑动滑动窗口得到的ROI区域与备用熵值图像中的各像素一一对应,即滑动窗口水平滑动得到的ROI区域数量与备用熵值图像中每一行像素数量相同;
S2.5.2、基于对应关系,将分数熵赋值给备用熵值图像对应的像素。
7.根据权利要求1、4或5所述的一种基于分数熵的红外弱小目标检测方法,其特征在于,所述步骤S4的具体步骤为:
S4.1、对熵值图像进行形态学滤波,即先进行腐蚀再进行膨胀,去除干扰目标检测的噪声点,得到目标的左上角位置(x,y)与近似大小(width,height);
S4.2、基于目标的左上角位置(x,y)与近似大小(width,height)在原始红外图像上确定目标范围:
I1.x=x*w-p
I1.y=y*h-p
I1.width=width*w+2*p
I1.height=heigh*h+2*p
其中,I1.x和I1.y为原始图像中目标的左上角位置,I1.width和I1.height为原始红外图像I1中目标的宽和高,p为加减系数,取值为3,其目的是为了适当增大目标的范围,保证待检测目标全部落入期望的范围内,由此就可以得到原图中目标范围;
S4.3、基于目标范围,将目标范围外的像素直接视为背景,即将目标范围外的像素进行归零处理,对目标范围内的像素进行二值化处理,得到完整的目标:
其中,t为根据实际情况确定的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910947684.9A CN110674782B (zh) | 2019-09-30 | 2019-09-30 | 一种基于分数熵的红外弱小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910947684.9A CN110674782B (zh) | 2019-09-30 | 2019-09-30 | 一种基于分数熵的红外弱小目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674782A true CN110674782A (zh) | 2020-01-10 |
CN110674782B CN110674782B (zh) | 2022-12-09 |
Family
ID=69080878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910947684.9A Active CN110674782B (zh) | 2019-09-30 | 2019-09-30 | 一种基于分数熵的红外弱小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674782B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237619A (zh) * | 2023-11-16 | 2023-12-15 | 数聚(山东)医疗科技有限公司 | 基于机器视觉技术的水上救援探测***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101051716B1 (ko) * | 2010-11-12 | 2011-07-26 | 삼성탈레스 주식회사 | 다중센서 영상융합 방법 |
CN105469090A (zh) * | 2015-11-19 | 2016-04-06 | 南京航空航天大学 | 红外图像中基于频域残差的小目标检测方法及装置 |
CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 西安电子科技大学 | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 |
CN109325446A (zh) * | 2018-09-19 | 2019-02-12 | 电子科技大学 | 一种基于加权截断核范数的红外弱小目标检测方法 |
CN109858483A (zh) * | 2019-01-22 | 2019-06-07 | 南京邮电大学 | 基于共生滤波形态学和局部熵的小目标检测方法 |
-
2019
- 2019-09-30 CN CN201910947684.9A patent/CN110674782B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101051716B1 (ko) * | 2010-11-12 | 2011-07-26 | 삼성탈레스 주식회사 | 다중센서 영상융합 방법 |
CN105469090A (zh) * | 2015-11-19 | 2016-04-06 | 南京航空航天大学 | 红外图像中基于频域残差的小目标检测方法及装置 |
CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 西安电子科技大学 | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 |
CN109325446A (zh) * | 2018-09-19 | 2019-02-12 | 电子科技大学 | 一种基于加权截断核范数的红外弱小目标检测方法 |
CN109858483A (zh) * | 2019-01-22 | 2019-06-07 | 南京邮电大学 | 基于共生滤波形态学和局部熵的小目标检测方法 |
Non-Patent Citations (5)
Title |
---|
HE DENG等: "A Multiscale Fuzzy Metric for Detecting Small Infrared Targets Against Chaotic Cloudy/Sea-Sky Backgrounds", 《IEEE TRANSACTIONS ON CYBERNETICS 》 * |
HEDENG等: "Entropy-based window selection for detecting dim and small infrared targets", 《PATTERN RECOGNITION》 * |
ZHENMING PENG等: "Infrared Small Target Detection Based on Partial Sum of the Tensor Nuclear Norm", 《REMOTE SENSING》 * |
张晓杰等: "基于邻域灰度熵和分类的红外弱小目标检测", 《上海航天》 * |
朱婧文等: "一种基于"熵图"的红外海天目标潜在区域选取方法研究", 《上海航天》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237619A (zh) * | 2023-11-16 | 2023-12-15 | 数聚(山东)医疗科技有限公司 | 基于机器视觉技术的水上救援探测***及方法 |
CN117237619B (zh) * | 2023-11-16 | 2024-02-02 | 数聚(山东)医疗科技有限公司 | 基于机器视觉技术的水上救援探测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110674782B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816641B (zh) | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
CN108765335B (zh) | 一种基于遥感图像的森林火灾检测方法 | |
CN102609904A (zh) | 双变量非局部平均滤波x射线图像消噪方法 | |
CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
CN105931257B (zh) | 基于纹理特征和结构相似度的sar图像质量评估方法 | |
CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
CN110135312B (zh) | 一种基于分级lcm的快速小目标检测方法 | |
CN112669286A (zh) | 基于红外热像的外墙外保温***缺陷识别与损伤程度评价方法 | |
Fan et al. | Dim small target detection based on high-order cumulant of motion estimation | |
CN108986130A (zh) | 一种空中背景下的红外弱小目标检测方法 | |
CN106447653A (zh) | 基于空间约束的卡方变换的多时相遥感影像变化检测方法 | |
CN115063689A (zh) | 一种基于局部显著性增强的cfar舰船目标检测方法 | |
Fu et al. | Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform | |
CN109886980B (zh) | 一种基于邻域强度纹理编码的红外图像卷云检测方法 | |
CN107133937B (zh) | 一种红外图像的自适应增强方法 | |
CN110674782B (zh) | 一种基于分数熵的红外弱小目标检测方法 | |
CN114549642A (zh) | 一种低对比度红外弱小目标检测方法 | |
CN116740579B (zh) | 一种国土空间规划数据智能采集方法 | |
CN104268831B (zh) | 海上阳光亮带干扰下的红外图像补偿方法 | |
CN104392209A (zh) | 一种目标与背景的图像复杂度评价模型 | |
CN114926524B (zh) | 一种用于提高烟幕红外有效遮蔽面积测量精度的方法 | |
CN114913218B (zh) | 一种基于极小模网络的烟幕红外遮蔽面积测量方法 | |
Tian et al. | Joint spatio-temporal features and sea background prior for infrared dim and small target detection | |
CN112598606B (zh) | 一种基于图像分解的局部自适应红外图像增强方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |