CN111666944B - 一种红外弱小目标检测方法及装置 - Google Patents
一种红外弱小目标检测方法及装置 Download PDFInfo
- Publication number
- CN111666944B CN111666944B CN202010343836.7A CN202010343836A CN111666944B CN 111666944 B CN111666944 B CN 111666944B CN 202010343836 A CN202010343836 A CN 202010343836A CN 111666944 B CN111666944 B CN 111666944B
- Authority
- CN
- China
- Prior art keywords
- target
- filtering
- image
- noise
- segmentation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种红外弱小目标检测方法,所述方法至少包括:S1:图像预处理步骤;S2:图像分块步骤,将待处理图像分成有重叠的四块子图像,并进行并行处理;S3:对子图像进行分区目标分割,利用最大类间方差法对大区进行目标分割,利用局部信杂比阈值分割方法对小区进行目标分割,对两个分割结果进行目标融合处理;S4:对子图进行噪声滤波,包括散点滤波和形状滤波;S5:计算目标信息,至少包括目标质心位置、大小和信噪比;S6:对四块子图像处理结果进行目标融合处理,删除重叠区域重复检测出的目标,输出目标信息。本方法针对红外图像噪声抑制、小弱目标检测设计了改进方法,可有效提高小弱目标检测概率,降低虚警率。
Description
技术领域
本发明属于图像处理及目标检测技术领域,尤其涉及一种红外弱小目标检测方法及装置。
背景技术
红外弱小目标检测是红外探测***最重要的性能指标之一。受探测器及天气、环境等因素影响,红外目标对比度低、信噪比低,可用于目标检测的特征少;环境、背景干扰不断变化,远距离目标尺寸小,常常淹没在背景噪声中。以上因素使得红外弱小目标检测变得非常困难,影响了红外探测***的性能。
研究人员针对红外目标检测提出了很多方法,一般分为跟踪前检测(DBT)和检测前跟踪(TBD)两种手段。DBT方法的思想是通过背景抑制、候选目标检测、目标多帧确认等流程进行单帧检测,适用于信噪比较大的目标检测。TBD方法则是在目标检测之前,通过对候选目标运动轨迹上的能量积累,根据序列图像进行真实目标轨迹确认,适用于信噪比不高的目标检测。
目前,红外目标检测方法大多还是从可见光图像处理技术发展而来,分别从不同角度解决了一部分目标检测问题,但是专门针对红外弱小目标的检测方法还是比较少。近年来提出的基于神经网络、显著性特征、小波变换等方法,在适应性和计算量方面也都存在各种问题。
发明内容
本发明的目的在于,为克服现有技术缺陷,本发明公开了一种红外弱小目标检测方法及装置,针对红外图像噪声抑制、小弱目标检测设计了改进方法,可有效提高小弱目标检测概率,降低虚警率。同时,本发明设计的并行处理方法及装置可满足工程实现要求。
本发明目的通过下述技术方案来实现:
一种红外弱小目标检测方法,所述红外弱小目标检测方法至少包括:S1:图像预处理步骤,对当前帧红外图像进行降噪和去噪处理;S2:图像分块步骤,将待处理图像分成有重叠的四块子图像,并进行并行处理;S3:对子图像进行分区目标分割,利用最大类间方差法对大区进行目标分割,利用局部信杂比阈值分割方法对小区进行目标分割,对两个分割结果进行目标融合处理;S4:对子图进行噪声滤波,包括散点滤波和形状滤波;S5:计算目标信息,至少包括目标质心位置、大小和信噪比;S6:对四块子图像处理结果进行目标融合处理,删除重叠区域重复检测出的目标,输出目标信息。
根据一个优选的实施方式,所述步骤S1的图像预处理步骤至少包括:计算当前帧红外图像统计直方图,并做直方图变换处理滤除图像中的极值噪声点;采用双边滤波算法对红外图像进行预处理,降低噪声,增强目标的信噪比;并利用形态学滤波再次进行预处理。
根据一个优选的实施方式,直方图变换处理过程包括:统计图像直方图后,删掉最高和最低数值5%数量的点。
根据一个优选的实施方式,采用双边滤波算法对红外图像进行预处理包括:先对图像进行垂直方向上的列滤波,再进行水平方向上的行滤波,所用公式为:
其中,wH为归一化参数,ws(p)为p点的空间域权值,wr(p)为p点的灰度域权值,I(p)为p点像素值。
根据一个优选的实施方式,所述步骤S3中,最大类间方差法的阈值计算公式为:
Topt=max[p1p2(μ1-μ2)2]
其中,μ1、μ2为分割后前景和背景的均值,p1、p2为前景和背景的概率密度,即像素点数量占整个图像的比例;
局部信杂比阈值分割方法中,阈值计算公式为:
TLSCR=μb+kσb
其中,μb为背景均值,σb为局部背景方差,k为常系数。
根据一个优选的实施方式,所述步骤S4中对子图进行噪声滤波,包括先进行散点滤波,然后再进行形状滤波;其中,散点滤波包括删掉小于4点的噪点;形状滤波包括删除长宽比大于5的假目标。
一种红外弱小目标检测装置,所述红外弱小目标检测装置至少包括预处理模块和目标检测模块;所述预处理模块被配置为采用直方图变换、双边滤波和形态学滤波,进行图像噪声抑制,增加目标信噪比;所述目标检测模块被配置为对图像进行分块并行处理,完成目标分割、噪声滤波及目标信息融合处理,实现对弱小目标的检测,输出目标信息。
根据一个优选的实施方式,所述预处理模块基于FPGA芯片实现;所述目标检测模块基于DSP芯片实现。
根据一个优选的实施方式,所述FPGA芯片为K7-235T芯片,DSP芯片为TMS320C6657芯片。
前述本发明主方案及其各进一步选择方案可以自由组合以形成多个方案,均为本发明可采用并要求保护的方案;且本发明,(各非冲突选择)选择之间以及和其他选择之间也可以自由组合。本领域技术人员在了解本发明方案后根据现有技术和公知常识可明了有多种组合,均为本发明所要保护的技术方案,在此不做穷举。
本发明的有益效果:本发明技术方案采用双边滤波和形态学滤波进行图像噪声抑制,采用分区分割及噪声滤波进行目标检测,有助于提高红外小弱目标检测概率。同时,分块图像并行处理***可提高算法的实时性,提高装置的计算能力和处理速度。
附图说明
图1为本发明目标检测方法流程图;
图2为本发明方法所检测到的红外图像单目标示意图;
图3为本发明方法所检测到的红外图像多目标示意图;
图4为本发明装置的结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,为使本发明实施例的目的、技术方案和优点更加清楚,下面对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
因此,以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,本发明要指出的是,本发明中,如未特别写出具体涉及的结构、连接关系、位置关系、动力来源关系等,则本发明涉及的结构、连接关系、位置关系、动力来源关系等均为本领域技术人员在现有技术的基础上,可以不经过创造性劳动可以得知的。
实施例1:
参考图1所示,本发明公开了一种红外弱小目标检测方法,所述红外弱小目标检测方法至少包括:
步骤S1:图像预处理步骤,对当前帧红外图像进行降噪和去噪处理。
优选地,所述步骤S1的图像预处理步骤至少包括:计算当前帧红外图像统计直方图,并做直方图变换处理滤除图像中的极值噪声点;采用双边滤波算法对红外图像进行预处理,降低噪声,增强目标的信噪比;并利用形态学滤波再次进行预处理。
进一步地,直方图变换处理过程包括:统计图像直方图后,删掉最高和最低数值5%数量的点。可以实现去除探测器带来的极值点等强干扰噪声的目的。
优选地,采用双边滤波算法对红外图像进行预处理包括:先对图像进行垂直方向上的列滤波,再进行水平方向上的行滤波,所用公式为:
其中,其中,wH为归一化参数,ws(p)为p点的空间域权值,wr(p)为p点的灰度域权值,I(p)为p点像素值。
进一步地,ws(p)、wr(p)和wH可表示为:
其中,σs一般取值1-4之间,本发明取值3。σr一般取值0.05-0.1之间,本发明取值0.08。
步骤S2:图像分块步骤,将待处理图像分成有重叠的四块子图像,并进行并行处理。
优选地,重叠区域可设置为20行20列。且步骤S1和步骤S2在FPGA中完成,四个图像块分别传输到DSP1和DSP2的核0和核1,进行并行处理。
步骤S3:对子图像进行分区目标分割,利用最大类间方差法对大区进行目标分割,利用局部信杂比阈值分割方法对小区进行目标分割,对两个分割结果进行目标融合处理。
优选地,所述步骤S3中,最大类间方差法的阈值计算公式为:
Topt=max[p1p2(μ1-μ2)2]
其中,μ1、μ2为分割后前景和背景的均值,p1、p2为前景和背景的概率密度,即像素点数量占整个图像的比例;
局部信杂比阈值分割方法中,阈值计算公式为:
TLSCR=μb+kσb
其中,μb为背景均值,σb为局部背景方差,k为常系数。本技术方案中k取3。
步骤S4:对子图进行噪声滤波,包括散点滤波和形状滤波。
优选地,所述步骤S4中对子图进行噪声滤波,包括先进行散点滤波,然后再进行形状滤波。其中,散点滤波包括删掉小于4点的噪点;形状滤波包括删除长宽比大于5的假目标。
步骤S5:计算目标信息,至少包括目标质心位置、大小和信噪比。
步骤S6:对四块子图像处理结果进行目标融合处理,删除重叠区域重复检测出的目标,输出目标信息。如附图2及附图3所示,检测结果为方框中心的目标,其他极值点及云层干扰并没有增大虚警率,小弱目标被有效检测出。
实施例2
参考图4所示,在实施例1的基础上,本发明还公开了一种红外弱小目标检测装置。所述红外弱小目标检测装置至少包括预处理模块和目标检测模块。
优选地,所述预处理模块被配置为采用直方图变换、双边滤波和形态学滤波,进行图像噪声抑制,增加目标信噪比。
优选地,所述目标检测模块被配置为对图像进行分块并行处理,完成目标分割、噪声滤波及目标信息融合处理等,实现对弱小目标的检测,输出目标信息。
优选地,红外弱小目标检测装置主处理器由一片FPGA芯片和两片DSP芯片构成,结构组成见附图4。预处理模块在FPGA中实现,目标检测模块在DSP中实现并行处理。
优选地,所述FPGA芯片可以为Xilinx公司的K7-325T芯片。DSP芯片可以为TI公司的TMS320C6657芯片,DSP为双核心处理器,两片DSP芯片共有四个核处理器,可并行完成目标检测模块的计算。
本发明在图像预处理模块采用双边滤波和形态学滤波进行噪声抑制,采用分区分割及噪声滤波进行目标检测,有助于提高红外小弱目标检测概率。同时,分块图像并行处理***可提高算法的实时性,提高装置的计算能力和处理速度。
前述本发明基本例及其各进一步选择例可以自由组合以形成多个实施例,均为本发明可采用并要求保护的实施例。本发明方案中,各选择例,与其他任何基本例和选择例都可以进行任意组合。本领域技术人员可知有众多组合。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种红外弱小目标检测方法,其特征在于,所述红外弱小目标检测方法至少包括:
S1:图像预处理步骤,对当前帧红外图像进行降噪和去噪处理;
所述步骤S1的图像预处理步骤至少包括:
计算当前帧红外图像统计直方图,并做直方图变换处理滤除图像中的极值噪声点;直方图变换处理过程包括:统计图像直方图后,删掉最高和最低数值5%数量的点;
采用双边滤波算法对红外图像进行预处理,降低噪声,增强目标的信噪比;采用双边滤波算法对红外图像进行预处理包括:先对图像进行垂直方向上的列滤波,再进行水平方向上的行滤波,所用公式为:
其中,wH为归一化参数,ws(p)为p点的空间域权值,wr(p)为p点的灰度域权值,I(p)为p点像素值;
并利用形态学滤波再次进行预处理;
利用形态学滤波再次进行预处理包括:基于滤波模板进行闭运算,滤波模板为:
S2:图像分块步骤,将待处理图像分成有重叠的四块子图像,并进行并行处理;
S3:对子图像进行分区目标分割,利用最大类间方差法对大区进行目标分割,利用局部信杂比阈值分割方法对小区进行目标分割,对两个分割结果进行目标融合处理;
S4:对子图进行噪声滤波,包括散点滤波和形状滤波;
S5:计算目标信息,至少包括目标质心位置、大小和信噪比;
S6:对四块子图像处理结果进行目标融合处理,删除重叠区域重复检测出的目标,输出目标信息。
2.如权利要求1所述的一种红外弱小目标检测方法,其特征在于,所述步骤S3中,最大类间方差法的阈值计算公式为:
Topt=max[p1p2(μ1-μ2)2]
其中,μ1、μ2为分割后前景和背景的均值,p1、p2为前景和背景的概率密度,即像素点数量占整个图像的比例;
局部信杂比阈值分割方法中,阈值计算公式为:
TLSCR=μb+kσb
其中,μb为背景均值,σb为局部背景方差,k为常系数。
3.如权利要求1所述的一种红外弱小目标检测方法,其特征在于,所述步骤S4中对子图进行噪声滤波,包括先进行散点滤波,然后再进行形状滤波;
其中,散点滤波包括删掉小于4点的噪点;形状滤波包括删除长宽比大于5的假目标。
4.一种红外弱小目标检测装置,其特征在于,所述红外弱小目标检测装置基于权利要求1至3任一项所述的红外弱小目标检测方法实施,所述红外弱小目标检测装置至少包括预处理模块和目标检测模块;
所述预处理模块被配置为采用直方图变换、双边滤波和形态学滤波,进行图像噪声抑制,增加目标信噪比;
所述目标检测模块被配置为对图像进行分块并行处理,完成目标分割、噪声滤波及目标信息融合处理,实现对弱小目标的检测,输出目标信息。
5.如权利要求4所述的一种红外弱小目标检测装置,其特征在于,所述预处理模块基于FPGA芯片实现;所述目标检测模块基于DSP芯片实现。
6.如权利要求5所述的一种红外弱小目标检测装置,其特征在于,所述FPGA芯片为K7-235T芯片,DSP芯片为TMS320C6657芯片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010343836.7A CN111666944B (zh) | 2020-04-27 | 2020-04-27 | 一种红外弱小目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010343836.7A CN111666944B (zh) | 2020-04-27 | 2020-04-27 | 一种红外弱小目标检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666944A CN111666944A (zh) | 2020-09-15 |
CN111666944B true CN111666944B (zh) | 2022-10-18 |
Family
ID=72382858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010343836.7A Active CN111666944B (zh) | 2020-04-27 | 2020-04-27 | 一种红外弱小目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666944B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258542A (zh) * | 2020-10-21 | 2021-01-22 | 中国科学院长春光学精密机械与物理研究所 | 红外图像目标检测方法、装置、电子设备及存储介质 |
CN112308174B (zh) * | 2020-12-31 | 2021-04-02 | 南京华格信息技术有限公司 | 一种用于机场驱鸟的多种红外传感器数据融合识别方法 |
CN112802020B (zh) * | 2021-04-06 | 2021-06-25 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图像修补和背景估计的红外弱小目标检测方法 |
CN113222853B (zh) * | 2021-05-26 | 2022-07-12 | 武汉博宇光电***有限责任公司 | 一种基于噪声估计的渐进式红外图像降噪方法 |
CN113255538B (zh) * | 2021-06-01 | 2024-06-14 | 大连理工大学 | 基于fpga的红外弱小目标的检测跟踪装置及方法 |
CN113822279B (zh) * | 2021-11-22 | 2022-02-11 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于多特征融合的红外目标检测方法、装置、设备及介质 |
CN114359264A (zh) * | 2022-03-03 | 2022-04-15 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种抗红外诱饵干扰的弱小目标检测方法和装置 |
CN114463365B (zh) * | 2022-04-12 | 2022-06-24 | 中国空气动力研究与发展中心计算空气动力研究所 | 红外弱小目标分割方法、设备及介质 |
CN116630832B (zh) * | 2023-07-21 | 2023-09-29 | 江西现代职业技术学院 | 一种无人机目标识别方法、***、计算机及可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103748B (zh) * | 2010-12-14 | 2014-02-05 | 西北工业大学 | 一种复杂背景下红外弱小目标检测和跟踪方法 |
CN104299229B (zh) * | 2014-09-23 | 2017-04-19 | 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 |
CN106709497A (zh) * | 2016-11-16 | 2017-05-24 | 北京理工大学 | 一种基于pcnn的红外运动弱小目标检测方法 |
CN109003277A (zh) * | 2017-06-07 | 2018-12-14 | 中国航空工业集团公司洛阳电光设备研究所 | 一种复杂背景下红外弱小目标检测方法及装置 |
KR101936188B1 (ko) * | 2017-07-12 | 2019-01-08 | 이민정 | 개체 판별 방법 및 장치 |
-
2020
- 2020-04-27 CN CN202010343836.7A patent/CN111666944B/zh active Active
Non-Patent Citations (2)
Title |
---|
红外图像弱小目标探测技术综述;刘让等;《激光与光电子学进展》;20160510(第05期);第050004 1-9页 * |
结合形态学和Canny算法的红外弱小目标检测;丁鹏等;《液晶与显示》;20160815(第08期);第793-800页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111666944A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666944B (zh) | 一种红外弱小目标检测方法及装置 | |
CN107818326A (zh) | 一种基于场景多维特征的船只检测方法及*** | |
CN109346103B (zh) | 一种用于公路隧道交通事件的音频检测方法 | |
CN107942329B (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN111666854B (zh) | 融合统计显著性的高分辨率sar影像车辆目标检测方法 | |
CN109886230A (zh) | 一种图像目标检测方法及装置 | |
CN110334660A (zh) | 一种雾天条件下基于机器视觉的森林火灾监测方法 | |
CN110660065B (zh) | 一种红外故障检测识别算法 | |
CN103049788B (zh) | 基于计算机视觉的待过行人数目的检测***及方法 | |
Zhao et al. | An adaptation of CNN for small target detection in the infrared | |
CN106886747A (zh) | 一种基于扩展小波变换的复杂背景下舰船检测方法 | |
CN115457001A (zh) | 基于vgg网络的光伏板异物检测方法、***、装置及介质 | |
Jin et al. | Defect identification of adhesive structure based on DCGAN and YOLOv5 | |
CN116309112A (zh) | 用于轨道监测激光雷达的点云雨雾去噪方法 | |
CN116030289A (zh) | 基于激光雷达的铁路危情监测方法 | |
CN111915558A (zh) | 一种高压输电线销钉状态检测方法 | |
CN110751667A (zh) | 基于人类视觉***的复杂背景下红外弱小目标检测方法 | |
CN104166975A (zh) | 一种复杂环境下低空红外目标检测算法 | |
CN112418090A (zh) | 一种天空背景下红外弱小目标实时检测方法 | |
CN116402994A (zh) | 基于激光雷达和视频图像融合的铁路危情监测方法 | |
Damodaran et al. | Extraction of Overhead Transmission Towers from UAV Images | |
Li et al. | [Retracted] The Key Technologies of Marine Multiobjective Ship Monitoring and Tracking Based on Computer Vision | |
CN108280453B (zh) | 基于深度学习的低功耗快速检测图像目标方法 | |
Zhao et al. | Point target detection in space-based infrared imaging system based on multi-direction filtering fusion | |
CN113496159A (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 |
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 |