CN111861968B - 一种红外弱小目标检测方法及检测*** - Google Patents
一种红外弱小目标检测方法及检测*** Download PDFInfo
- Publication number
- CN111861968B CN111861968B CN201910325921.8A CN201910325921A CN111861968B CN 111861968 B CN111861968 B CN 111861968B CN 201910325921 A CN201910325921 A CN 201910325921A CN 111861968 B CN111861968 B CN 111861968B
- Authority
- CN
- China
- Prior art keywords
- saliency
- facet
- image
- alpha
- mean
- 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 38
- 238000000034 method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 241001270131 Agaricus moelleri Species 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的红外弱小目标检测方法及检测***,通过计算原始图像的Facet方向导数特征,在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图,将各个方向上的所述相对极差对比度显著图进行融合得到显著性图像,再提取所述显著性图像的目标,本发明提供的红外弱小目标检测方法及检测***,模型结构简单,计算复杂度低,并且可以基于卷积核近似计算,十分方便,具有很高的信杂比增益和背景抑制能力,弱小目标正确检测概率达到98%以上,实时性算法良好。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种红外弱小目标检测方法及检测***。
背景技术
随着红外探测技术的发展,复杂背景下的红外弱小目标检测技术在军事和民用领域中都越来越重要,如何能快速而准确的发现目标已经成为预警与跟踪***的关键。但是由于红外弱小目标常常因为无形状或边缘信息、低信杂比成像以及复杂背景等因素的影响,大大增加了检测难度。
目前红外弱小目标的检测技术主要有基于图像序列的检测和基于单帧图像的检测两大类。基于图像序列的检测理论是通过序列图像中的相关性来估计目标,该类算法的一个重要前提是必须保证连续帧之间目标与背景的一致性,以及一些先验的目标信息,这些前提与先验信息限制了这类算法的应用,另外基于序列图像的检测方法通过多帧目标轨迹确认来实现目标检测,对于低信杂比成像的场景有较好的效果,但是相比单帧检测类算法而言其实时性较差,在实际工程应用中较少。
发明内容
有鉴如此,有必要针对现有技术存在的缺陷,提供一种能够提高红外弱小目标检测准确性及实时性的红外弱小目标检测方法。
为实现上述目的,本发明采用下述技术方案:
一种红外弱小目标检测方法,包括下述步骤:
计算原始图像的Facet方向导数特征;
在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图;
将各个方向上的所述相对极差对比度显著图进行融合得到显著性图像;
提取所述显著性图像的目标。
在一些较佳的实施例中,在计算原图像的Facet方向导数特征的步骤中,包括下述步骤:
基于Facet模型,在原始图像的5x5邻域内灰度强度曲面拟合一个二元三次多项式f(r,c)的表达式,所述表达式如下,其中,r,c为5x5邻域内的行列坐标,Ki是拟合系数:
0度方向、90度方向以及任意α度方向导数特征计算公式为:
其中Ki可以由原图像I与卷积核wi的卷积快速计算,wi如下:
通过所述表达式计算原图像的Facet方向导数特征。
在一些较佳的实施例中,在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图的步骤中,具体包括:
设Facet_α为沿α方向的一阶导数图像,Facet_α(r,c)为位置中心点p(r,c)上的灰度值,DR为距离p(r,c)为R的邻域图像;
记沿着α方向且过p(r,c)的直线上的灰度值集合为Line(DR,α),并设frontLine(DR,α)为沿α方向线且在点p(r,c)之前截取到的DR内灰度值集合,backLine(DR,α)为沿α方向线且在点p(r,c)之后截取到的DR内灰度值集合;
分别计算集合frontLine(DR,α)内的最大值MaxVar(DR,α)和backLine(DR,α)内的最小值MinVar(DR,α)以及集合Line(DR,α)内所有灰度的均值MeanVar(DR,α),则在中心点p(r,c)位置上的局部沿α方向的相对极差为:
定义显著性度量公式如下:
C(p,DR,α)=exp(RR(p,DR,α));
对局部沿α方向的相对极差公式进行近似为:
其中mean[·]表示求集合·的灰度均值;
设M(range,α)为由mean[frontLine(DR,α)]-mean[backLine(DR,α)]值构成的图像,则M(range,α)可以由下面的卷积公式求得:
M(range,α)=Facet_αe k(range,α)
其中,k(range,α)只在沿α方向的前半部分为1,后半部分为-1,其余元素全为0,其余的以此类推;
M(mean,α)可以由下面的卷积公式求得:
M(mean,α)=Facet_αe k(mean,α),
k(range,α)只在沿α方向全为1,其余元素全为0,其余的以此类推;
将M(range,α)与M(mean,α)逐像素相除并做自然指数拉伸得到对应像素的显著度值。
在一些较佳的实施例中,在将各个方向上的所述相对极差对比度显著图进行融合得到显著性图像的步骤中,具体为:
采用下述公式将各个方向上的相对极差对比度显著图进行融合得到显著性图像,
在一些较佳的实施例中,在提取所述显著性图像的目标的步骤中,具体包括:
对所述显著性图像用高斯平滑滤波以及阈值分割提取目标。
在一些较佳的实施例中,所述阈值分割通过下述公式实现,
κ是限定因子,thr是分割阈值,T是分割图像,1值代表小目标所在像素的区域,0代表背景区域。
另外,本发明还提供了一种红外弱小目标检测***,包括:特征提取模块,计算原始图像的Facet方向导数特征;
显著度值获取模块,在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图;
图像融合模块,将各个方向上的所述相对极差对比度显著图进行融合得到显著性图像;及
目标提取模块,提取所述显著性图像的目标。
本发明采用上述技术方案的优点是:
本发明提供的红外弱小目标检测方法及检测***,通过计算原始图像的Facet方向导数特征,在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图,将各个方向上的所述相对极差对比度显著图进行融合得到显著性图像,再提取所述显著性图像的目标,本发明提供的红外弱小目标检测方法及检测***,模型结构简单,计算复杂度低,并且可以基于卷积核近似计算,十分方便,具有很高的信杂比增益和背景抑制能力,弱小目标正确检测概率达到98%以上,实时性算法良好。
附图说明
图1为本发明实施例1提供的红外弱小目标检测方法的步骤流程图。
图2为本发明实施例1提供的天空复杂背景红外弱小目标实际检测图。
图3为本发明实施例1提供的海面复杂背景红外弱小目标实际检测图。
图4为本发明提供的一种红外弱小目标检测***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
请参阅图1,为本发明实施例1提供的红外弱小目标检测方法,包括下述步骤:
步骤S110:计算原始图像的Facet方向导数特征。
在一些较佳的实施例中,在计算原图像的Facet方向导数特征的步骤中,包括下述步骤:
基于Facet模型,在原始图像的5x5邻域内灰度强度曲面拟合一个二元三次多项式f(r,c)的表达式,所述表达式如下,其中,r,c为5x5邻域内的行列坐标,Ki是拟合系数:
0度方向、90度方向以及任意α度方向导数特征计算公式为:
其中Ki可以由原图像I与卷积核wi的卷积快速计算,wi如下:
通过所述表达式计算原图像的Facet方向导数特征。
步骤S120:在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图;
在一些较佳的实施例中,在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图的步骤中,具体包括:
设Facet_α为沿α方向的一阶导数图像,Facet_α(r,c)为位置中心点p(r,c)上的灰度值,DR为距离p(r,c)为R的邻域图像;
记沿着α方向且过p(r,c)的直线上的灰度值集合为Line(DR,α),并设frontLine(DR,α)为沿α方向线且在点p(r,c)之前截取到的DR内灰度值集合,backLine(DR,α)为沿α方向线且在点p(r,c)之后截取到的DR内灰度值集合;
分别计算集合frontLine(DR,α)内的最大值MaxVar(DR,α)和backLine(DR,α)内的最小值MinVar(DR,α)以及集合Line(DR,α)内所有灰度的均值MeanVar(DR,α),则在中心点p(r,c)位置上的局部沿α方向的相对极差为:
定义显著性度量公式如下:
C(p,DR,α)=exp(RR(p,DR,α));
对局部沿α方向的相对极差公式进行近似为:
其中mean[·]表示求集合·的灰度均值;
设M(range,α)为由mean[frontLine(DR,α)]-mean[backLine(DR,α)]值构成的图像,则M(range,α)可以由下面的卷积公式求得:
M(range,α)=Facet_αe k(range,α)
其中,k(range,α)只在沿α方向的前半部分为1,后半部分为-1,其余元素全为0,其余的以此类推;
例如:7×7的α=45°方向的,k(range,α)如下:
M(mean,α)可以由下面的卷积公式求得:
M(mean,α)=Facet_αe k(mean,α),
k(range,α)只在沿α方向全为1,其余元素全为0,其余的以此类推;
例如7×7的α=45°方向的k(mean,α)为:
将M(range,α)与M(mean,α)逐像素相除并做自然指数拉伸得到对应像素的显著度值。
步骤S130:将各个方向上的所述相对极差对比度显著图进行融合得到显著性图像;
在将各个方向上的所述相对极差对比度显著图进行融合得到显著性图像的步骤中,具体为:
采用下述公式将各个方向上的相对极差对比度显著图进行融合得到显著性图像,
步骤S140:提取所述显著性图像的目标。
在提取所述显著性图像的目标的步骤中,具体包括:对所述显著性图像用高斯平滑滤波以及阈值分割提取目标。
具体地,所述阈值分割通过下述公式实现,
κ是限定因子,thr是分割阈值,T是分割图像,1值代表小目标所在像素的区域,0代表背景区域。
请参阅图2及图3,分别为本发明实施例1提供的天空复杂背景红外弱小目标实际检测图及海面复杂背景红外弱小目标实际检测图,通过上述红外弱小目标检测方法,其采用的模型简单,计算复杂度低,并且可以基于卷积核近似计算,十分方便,经过相关数据集测试,该方法可以具有很高的信杂比增益和背景抑制能力,弱小目标正确检测概率以及算法实时性优良。
本发明提供的红外弱小目标检测方法,通过计算原始图像的Facet方向导数特征,在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图,将各个方向上的所述相对极差对比度显著图进行融合得到显著性图像,再提取所述显著性图像的目标,本发明提供的红外弱小目标检测方法,模型结构简单,计算复杂度低,并且可以基于卷积核近似计算,十分方便,具有很高的信杂比增益和背景抑制能力,弱小目标正确检测概率达到98%以上,实时性算法良好。
实施例二
请参阅图4,为本发明提供的一种红外弱小目标检测***,包括:特征提取模块110,计算原始图像的Facet方向导数特征;显著度值获取模块120,在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图;图像融合模块130,将各个方向上的所述相对极差对比度显著图进行融合得到显著性图像;及目标提取模块140,提取所述显著性图像的目标。
以下详细描述各个模块的工作方式。
在一些较佳的实施例中,特征提取模块110包括:基于Facet模型,在原始图像的5x5邻域内灰度强度曲面拟合一个二元三次多项式f(r,c)的表达式,所述表达式如下,其中,r,c为5x5邻域内的行列坐标,Ki是拟合系数:
0度方向、90度方向以及任意α度方向导数特征计算公式为:
其中Ki可以由原图像I与卷积核wi的卷积快速计算,wi如下:
通过所述表达式计算原图像的Facet方向导数特征。
显著度值获取模块120在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图的步骤中,具体包括:
设Facet_α为沿α方向的一阶导数图像,Facet_α(r,c)为位置中心点p(r,c)上的灰度值,DR为距离p(r,c)为R的邻域图像;
记沿着α方向且过p(r,c)的直线上的灰度值集合为Line(DR,α),并设frontLine(DR,α)为沿α方向线且在点p(r,c)之前截取到的DR内灰度值集合,backLine(DR,α)为沿α方向线且在点p(r,c)之后截取到的DR内灰度值集合;
分别计算集合frontLine(DR,α)内的最大值MaxVar(DR,α)和backLine(DR,α)内的最小值MinVar(DR,α)以及集合Line(DR,α)内所有灰度的均值MeanVar(DR,α),则在中心点p(r,c)位置上的局部沿α方向的相对极差为:
定义显著性度量公式如下:
C(p,DR,α)=exp(RR(p,DR,α));
对局部沿α方向的相对极差公式进行近似为:
其中mean[·]表示求集合·的灰度均值;
设M(range,α)为由mean[frontLine(DR,α)]-mean[backLine(DR,α)]值构成的图像,则M(range,α)可以由下面的卷积公式求得:
M(range,α)=Facet_αe k(range,α)
其中,k(range,α)只在沿α方向的前半部分为1,后半部分为-1,其余元素全为0,其余的以此类推;
例如:7×7的α=45°方向的,k(range,α)如下:
M(mean,α)可以由下面的卷积公式求得:
M(mean,α)=Facet_αe k(mean,α),
k(range,α)只在沿α方向全为1,其余元素全为0,其余的以此类推;
例如7×7的α=45°方向的k(mean,α)为:
将M(range,α)与M(mean,α)逐像素相除并做自然指数拉伸得到对应像素的显著度值。
图像融合模块130将各个方向上的所述相对极差对比度显著图进行融合得到显著性图像,具体为:采用下述公式将各个方向上的相对极差对比度显著图进行融合得到显著性图像,
目标提取模块140对所述显著性图像用高斯平滑滤波以及阈值分割提取目标。
具体地,所述阈值分割通过下述公式实现,
κ是限定因子,thr是分割阈值,T是分割图像,1值代表小目标所在像素的区域,0代表背景区域。
请参阅图2及图3,分别为本发明实施例2提供的天空复杂背景红外弱小目标实际检测图及海面复杂背景红外弱小目标实际检测图,通过上述红外弱小目标检测方法,其采用的模型简单,计算复杂度低,并且可以基于卷积核近似计算,十分方便,经过相关数据集测试,该方法可以具有很高的信杂比增益和背景抑制能力,弱小目标正确检测概率以及算法实时性优良。
本发明提供的红外弱小目标检测***,通过计算原始图像的Facet方向导数特征,在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图,将各个方向上的所述相对极差对比度显著图进行融合得到显著性图像,再提取所述显著性图像的目标,本发明提供的红外弱小目标检测***,模型结构简单,计算复杂度低,并且可以基于卷积核近似计算,十分方便,具有很高的信杂比增益和背景抑制能力,弱小目标正确检测概率达到98%以上,实时性算法良好。
当然本发明的红外弱小目标检测方法还可具有多种变换及改型,并不局限于上述实施方式的具体结构。总之,本发明的保护范围应包括那些对于本领域普通技术人员来说显而易见的变换或替代以及改型。
Claims (5)
1.一种红外弱小目标检测方法,其特征在于,包括下述步骤:
计算原始图像的Facet方向导数特征;
在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图;
将各个方向上的所述相对极差对比度显著图进行融合得到显著性图像;提取所述显著性图像的目标;
在计算原图像的Facet方向导数特征的步骤中,包括下述步骤:
基于Facet模型,在原始图像的5x5邻域内灰度强度曲面拟合一个二元三次多项式f(r,c)的表达式,所述表达式如下,其中,r,c为5x5邻域内的行列坐标,Ki是拟合系数:
0度方向、90度方向以及任意α度方向导数特征计算公式为:
其中Ki可以由原图像I与卷积核wi的卷积快速计算,wi如下:
通过所述表达式计算原图像的Facet方向导数特征;
在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图的步骤中,具体包括:
设Facet_α为沿α方向的一阶导数图像,Facet_α(r,c)为位置中心点p(r,c)上的灰度值,DR为距离p(r,c)为R的邻域图像;
记沿着α方向且过p(r,c)的直线上的灰度值集合为Line(DR,α),并设frontLine(DR,α)为沿α方向线且在点p(r,c)之前截取到的DR内灰度值集合,12为沿α方向线且在点p(r,c)之后截取到的DR内灰度值集合;
分别计算集合frontLine(DR,α)内的最大值MaxVar(DR,α)和backLine(DR,α)内的最小值MinVar(DR,α)以及集合Line(DR,α)内所有灰度的均值MeanVar(DR,α),则在中心点p(r,c)位置上的局部沿α方向的相对极差为:
定义显著性度量公式如下:
C(p,DR,α)=exp(RR(p,DR,α));
对局部沿α方向的相对极差公式进行近似为:
其中mean[·]表示求集合·的灰度均值;
设M(range,α)为由mean[frontLine(DR,α)]-mean[backLine(DR,α)]值构成的图像,则M(range,α)可以由下面的卷积公式求得:
M(range,α)=Facet_αek(range,α);
其中,k(range,α)只在沿α方向的前半部分为1,后半部分为-1,其余元素全为0,其余的以此类推;
M(mean,α)可以由下面的卷积公式求得:
M(mean,α)=Facet_αek(mean,α);
k(range,α)只在沿α方向全为1,其余元素全为0,其余的以此类推;
将M(range,α)与M(mean,α)逐像素相除并做自然指数拉伸得到对应像素的显著度值。
3.如权利要求1所述的红外弱小目标检测方法,其特征在于,在提取所述显著性图像的目标的步骤中,具体包括:
对所述显著性图像用高斯平滑滤波以及阈值分割提取目标。
5.一种红外弱小目标检测***,其特征在于,采用如权利要求1至4任一项所述的红外弱小目标检测方法,包括:特征提取模块,计算原始图像的Facet方向导数特征;
显著度值获取模块,在所述Facet方向导数特征图的局部内,沿着当前方向计算相对极差对比度显著图;
图像融合模块,将各个方向上的所述相对极差对比度显著图进行融合得到显著性图像;及
目标提取模块,提取所述显著性图像的目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325921.8A CN111861968B (zh) | 2019-04-23 | 2019-04-23 | 一种红外弱小目标检测方法及检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325921.8A CN111861968B (zh) | 2019-04-23 | 2019-04-23 | 一种红外弱小目标检测方法及检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861968A CN111861968A (zh) | 2020-10-30 |
CN111861968B true CN111861968B (zh) | 2023-04-28 |
Family
ID=72952012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910325921.8A Active CN111861968B (zh) | 2019-04-23 | 2019-04-23 | 一种红外弱小目标检测方法及检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861968B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343758B (zh) * | 2021-04-26 | 2022-03-15 | 西安卓越视讯科技有限公司 | 基于红外图像的远距离无人机小目标探测方法 |
CN114648547B (zh) * | 2022-03-09 | 2023-06-27 | 中国空气动力研究与发展中心计算空气动力研究所 | 用于反无人机红外探测***的弱小目标检测方法和装置 |
CN115222775B (zh) * | 2022-09-15 | 2022-12-06 | 中国科学院长春光学精密机械与物理研究所 | 弱小目标检测跟踪装置及其检测跟踪方法 |
CN118279397A (zh) * | 2024-05-30 | 2024-07-02 | 中国科学院长春光学精密机械与物理研究所 | 基于一阶方向导数的红外弱小目标快速检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6265972B1 (en) * | 2000-05-15 | 2001-07-24 | Digital Security Controls Ltd. | Pet resistant pir detector |
KR101033965B1 (ko) * | 2010-11-12 | 2011-05-11 | 삼성탈레스 주식회사 | 적외선 영상의 표적 모델링 방법 |
CN105975923A (zh) * | 2016-05-03 | 2016-09-28 | 湖南拓视觉信息技术有限公司 | 用于跟踪人体对象的方法和*** |
CN106548457A (zh) * | 2016-10-14 | 2017-03-29 | 北京航空航天大学 | 一种利用多方向一阶偏导数的红外弱小目标检测方法 |
CN106780465A (zh) * | 2016-08-15 | 2017-05-31 | 哈尔滨工业大学 | 基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法 |
CN109242813A (zh) * | 2018-09-11 | 2019-01-18 | 中国科学院长春光学精密机械与物理研究所 | 基于潜在低秩表示与nsst的图像融合方法及装置 |
-
2019
- 2019-04-23 CN CN201910325921.8A patent/CN111861968B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6265972B1 (en) * | 2000-05-15 | 2001-07-24 | Digital Security Controls Ltd. | Pet resistant pir detector |
KR101033965B1 (ko) * | 2010-11-12 | 2011-05-11 | 삼성탈레스 주식회사 | 적외선 영상의 표적 모델링 방법 |
CN105975923A (zh) * | 2016-05-03 | 2016-09-28 | 湖南拓视觉信息技术有限公司 | 用于跟踪人体对象的方法和*** |
CN106780465A (zh) * | 2016-08-15 | 2017-05-31 | 哈尔滨工业大学 | 基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法 |
CN106548457A (zh) * | 2016-10-14 | 2017-03-29 | 北京航空航天大学 | 一种利用多方向一阶偏导数的红外弱小目标检测方法 |
CN109242813A (zh) * | 2018-09-11 | 2019-01-18 | 中国科学院长春光学精密机械与物理研究所 | 基于潜在低秩表示与nsst的图像融合方法及装置 |
Non-Patent Citations (1)
Title |
---|
《基于视觉显著性的红外小目标检测算法研究》;白婷;《信息科技》;20171115;正文第4-5章 * |
Also Published As
Publication number | Publication date |
---|---|
CN111861968A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861968B (zh) | 一种红外弱小目标检测方法及检测*** | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN109785291B (zh) | 一种车道线自适应检测方法 | |
CN101216941B (zh) | 剧烈光照变化下基于角点匹配与光流法的运动估计方法 | |
Gonçalves et al. | HAIRIS: A method for automatic image registration through histogram-based image segmentation | |
CN107169972B (zh) | 一种非合作目标快速轮廓跟踪方法 | |
CN110097093A (zh) | 一种异源图像精确匹配方法 | |
CN108225319B (zh) | 基于目标特征的单目视觉快速相对位姿估计***及方法 | |
CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
CN105160649A (zh) | 基于核函数非监督聚类的多目标跟踪方法及*** | |
CN112163995B (zh) | 一种超大航拍条带图像的拼接生成方法及装置 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
CN110956661A (zh) | 基于双向单应矩阵的可见光与红外相机动态位姿计算方法 | |
CN106875430B (zh) | 动态背景下基于固定形态的单一运动目标追踪方法和装置 | |
CN113012197A (zh) | 一种适用于动态交通场景的双目视觉里程计定位方法 | |
CN111915651B (zh) | 基于数字影像地图与特征点跟踪的视觉位姿实时估计方法 | |
CN114719873B (zh) | 一种低成本精细地图自动生成方法、装置及可读介质 | |
CN106780309A (zh) | 一种合成孔径雷达图像拼接方法 | |
CN109102528A (zh) | 一种船舶跟踪方法及*** | |
CN117789198B (zh) | 基于4d毫米波成像雷达实现点云退化检测的方法 | |
CN116468786A (zh) | 一种面向动态环境的基于点线联合的语义slam方法 | |
CN111161308A (zh) | 一种基于关键点匹配的双波段融合目标提取方法 | |
CN110309729A (zh) | 基于异常峰值检测和孪生网络的跟踪与重检测方法 | |
CN113781523A (zh) | 一种足球检测跟踪方法及装置、电子设备、存储介质 | |
CN117315547A (zh) | 一种解决动态物体大占比的视觉slam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 |