CN113658191A - 一种基于局部概率超图相异度量的红外弱小目标检测方法 - Google Patents

一种基于局部概率超图相异度量的红外弱小目标检测方法 Download PDF

Info

Publication number
CN113658191A
CN113658191A CN202110756141.6A CN202110756141A CN113658191A CN 113658191 A CN113658191 A CN 113658191A CN 202110756141 A CN202110756141 A CN 202110756141A CN 113658191 A CN113658191 A CN 113658191A
Authority
CN
China
Prior art keywords
node
dissimilarity
nodes
edge
hypergraph
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
Application number
CN202110756141.6A
Other languages
English (en)
Other versions
CN113658191B (zh
Inventor
杨小冈
卢瑞涛
张涛
夏克寒
范继伟
刘闯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202110756141.6A priority Critical patent/CN113658191B/zh
Publication of CN113658191A publication Critical patent/CN113658191A/zh
Application granted granted Critical
Publication of CN113658191B publication Critical patent/CN113658191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20076—Probabilistic image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于局部概率超图相异度量的红外弱小目标检测方法，引入了概率超图模型，设计了一种全新的度量方式，称为概率超图相异性，提升了描述的鲁棒性；然后构建了多尺度局部概率超图相异性度量，有效的辨别了目标区域和背景区域；最后，通过自适应阈值分割实现了对目标的有效检测。

Description

一种基于局部概率超图相异度量的红外弱小目标检测方法
技术领域
本发明属于图像处理领域，特别涉及一种基于局部概率超图相异度量的红外弱小目标检测方法。
背景技术
红外弱小移动目标检测是计算机视觉领域的研究特点和难点，在预警防空、图像制导、救灾探险、安防巡视等诸多领域有着较为广泛的应用。由于飞行器距离目标通常在数公里之外，目标的成像像素通常在几十个甚至十几个像素之内，在红外图像中完全没有形状、纹理、结构信息，很难对目标进行有效描述。并且，由于红外图像的成像机理不同，图像中会存在较多的背景干扰，例如噪声干扰、强边缘干扰、杂波干扰、高亮区域干扰等，会引起极低的信噪比，带目标检测带了较大的困难和挑战。
目前的弱小目标检测算法包括基于单帧图像的检测的算法和多帧图像的检测算法。由于基于多帧检测算法大都基于单帧检测的结果进行后续处理，并且基于单帧检测算法的算法结构简单、计算效率高、易于实现等优点，受到了研究人员更多的关注。目前基于单帧的检测算法主要包括三大类：基于传统滤波的算法、基于矩阵分解的方法和基于人类视觉的方法。基于传统滤波的算法利用滤波算法在空间域和频率域上对图像进行滤波操作，从而对目标进行增强和背景进行抑制，常用的算法有中值滤波、均值滤波、形态学滤波等。这类算法在简单背景下或者有先验知识的条件下通常可以取得较好的结构，但对复杂场景下的检测效果不佳。基于矩阵分解的算法，通常采用块图表示的方式来对红外图像进行表达，背景杂波干扰具有一定的相关性，因此具有低秩性，而目标则具有稀疏性，因此可以通过矩阵分解的方法消除背景杂波干扰。这类算法在应对强边缘和纹理干扰的情况下，会出现较大的误检测率。基于人类视觉的检测算法，大都基于目标的中心对比特性，利用中心区域和周围邻域的亮度对比来进行检测，经典的算法有LCM、ILCM、WLDM、MPCM等，这类算法的计算效率很高，但是大都采用欧式距离来进行度量，这种度量在复杂的场景下并不可靠。
发明内容
本发明提出一种基于局部概率超图相异度量的红外弱小目标检测方法，所要解决的技术问题是如何提高复杂场景下的红外弱小目标的检测效果。
为达到上述目的，本发明采取如下的技术方案：
一种基于局部概率超图相异度量的红外弱小目标检测方法，包括以下步骤：
S1：构建概率超图模型为G＝(V,E,w)，其中V表示节点集，E表示超边集合，w为超边权重；并设计概率超图模型中两个节点vi和vj之间的相异性描述ds(vi,vj)；
S2：依据步骤S1中两个节点之间的相异性描述得到中心节点与邻域节点的相异性描述为ds(v0,vi)，构建中心节点与邻域节点的相异性算子D(v0,vi)＝ds(v0,vi)·ω(v0,vi)，其中ω(v0,vi)为中心节点与邻域节点之间的超边权重比值；构建局部概率超图模型相异性度量
Figure BDA0003147564370000021
其中，两个节点vi和vi’沿中心节点v0对称，D(v0,vi')为中心节点与节点vi’的相异性算子，Δ为两个节点vi和vi’相差的节点数；
S3：利用局部概率超图模型相异性度量，对整幅图像进行滑动窗操作，得到显著性图；对多个尺度的显著性图进行最大池化操作，得到最终的显著性图；
S4：基于自适应阈值分割算法，对最终的显著性图进行分割，大于阈值的区域判定为红外弱小目标区域。
本发明还包括如下技术特征：
具体的，所述步骤S1包括：
步骤S1.1，定义一个概率超图模型为G＝(V,E,w)，其中V表示节点集，E表示超边集合，w为超边的权重；节点和超边的隶属关系如下式：
Figure BDA0003147564370000022
其中
Figure BDA0003147564370000023
表示超边
Figure BDA0003147564370000024
的平均强度，
Figure BDA0003147564370000025
vg表示超边
Figure BDA0003147564370000026
中的任一节点，
Figure BDA0003147564370000027
表示超边
Figure BDA0003147564370000028
包含的节点数量，f(·)表示节点对应的特征，在图像中即对应灰度值；
Figure BDA00031475643700000214
表示节点vi与超边
Figure BDA0003147564370000029
的相似性，超边
Figure BDA00031475643700000210
是由节点vl及其最邻近的k个节点共同构成，
Figure BDA00031475643700000215
可转化为节点vi与超边
Figure BDA00031475643700000211
的节点vl之间的距离，表示为|f(vi)-f(vl)|，λ为加权系数，通常取2；
Figure BDA00031475643700000212
其中vi表示第i个节点，
Figure BDA00031475643700000213
表示第
Figure BDA00031475643700000216
条超边；
步骤S1.2，设计概率超图模型中两个节点之间的相异性描述为：
ds(vi,vj)＝|uxi|1·|xj|1-|xi|1·|uxj|1 (2-1)
其中
Figure BDA0003147564370000031
为节点-超边的特征向量，
Figure BDA0003147564370000032
为增量特征向量，向量xm和uxm的维度为N；上式(2-2)和(2-3)中，
Figure BDA00031475643700000311
为超边的度，xm的第l个元素包含了三部分：
Figure BDA00031475643700000312
Figure BDA0003147564370000033
和
Figure BDA0003147564370000034
具体的：第一项
Figure BDA00031475643700000313
表示节点vm与超边
Figure BDA0003147564370000035
的距离；第二项
Figure BDA0003147564370000036
表示了超边
Figure BDA0003147564370000037
的紧密程度，可以通过
Figure BDA0003147564370000038
的标准差计算得到；第三项
Figure BDA0003147564370000039
为超边
Figure BDA00031475643700000310
的平均强度。
具体的，所述步骤3包括：利用特定尺度的局部概率相异性度量，对整幅图像进行滑动窗操作，得到特定尺度下的显著性图；对多个尺度的显著性图进行最大池化操作，得到最终的显著性图LPHDMm(r,c)＝max(LPHDMs(r,c)),s＝1,...,L，其中s表示尺度参数，L为设定的最大尺度；(r,c)为图像中的横坐标和纵坐标。
具体的，所述步骤S4包括：利用自适应阈值对最终的显著性图LPHDMm进行分割，分割检测出弱小目标；所述自适应阈值T表示为：T＝k×μ+(1-k)×σ，其中μ表示最终的显著性图的均值，σ表示最终显著性图的方差，k给设定的参数并设定为0.5-0.8；经过分割之后，保留下来的区域为红外弱小目标区域。
本发明与现有技术相比，有益的技术效果是：
本发明设计了一种基于局部概率超图相异度量的红外弱小目标检测方法，引入了概率超图模型，设计了一种全新的度量方式，称为概率超图相异性，提升了描述的鲁棒性；然后构建了多尺度局部概率超图相异性度量，对目标区域进行了有效增强，对背景区域进行了抑制，有效的辨别了目标区域和背景区域；最后，通过自适应阈值分割实现了对目标的有效检测；解决了如何提高空地复杂动态背景下的红外弱小移动目标的检测效果。
附图说明
图1为本发明实施例的方法流程图。
图2为简单图与超图的对比示意图。
图3为局部窗口中的超边和节点示意图。
图4为五种算法的检测结果对比。
具体实施方式
本发明设计了一种基于局部概率超图相异度量的红外弱小目标检测方法，引入了概率超图模型，设计了一种全新的度量方式，称为概率超图相异性，提升了描述的鲁棒性；然后构建了多尺度局部概率超图相异性度量，有效的辨别了目标区域和背景区域；最后，通过自适应阈值分割实现了对目标的有效检测。
以下对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
一种基于局部概率超图相异度量的红外弱小目标检测方法，如图1所示，包括以下步骤：
S1：构建概率超图模型为G＝(V,E,w)，其中V表示节点集，E表示超边集合，w为超边权重；并设计概率超图模型中两个节点vi和vj之间的相异性描述ds(vi,vj)；有效提高节点之间差异描述的鲁棒性；步骤S1具体为：
步骤S1.1，构建概率超图模型：
定义一个概率超图模型为G＝(V,E,w)，其中V表示节点集，E表示超边集合，w为超边的权重；通常来说，超图的描述比简单图更为鲁棒有效，图2给出了简单图和超图的关系描述。
节点和超边的隶属关系如下式：
Figure BDA0003147564370000041
其中
Figure BDA0003147564370000042
表示超边
Figure BDA0003147564370000043
的平均强度，
Figure BDA0003147564370000044
vg表示超边
Figure BDA0003147564370000045
中的任一节点，
Figure BDA0003147564370000046
表示超边
Figure BDA0003147564370000047
包含的节点数量，f(·)表示节点对应的特征，在图像中即对应灰度值；
Figure BDA00031475643700000411
表示节点vi与超边
Figure BDA0003147564370000048
的相似性，超边
Figure BDA0003147564370000049
是由节点vl及其最邻近的k个节点共同构成，
Figure BDA00031475643700000412
可转化为节点vi与超边
Figure BDA00031475643700000410
的节点vl之间的距离，表示为|f(vi)-f(vl)|，λ为加权系数，通常取2；
Figure BDA0003147564370000051
其中vi表示第i个节点，
Figure BDA0003147564370000052
表示第
Figure BDA00031475643700000511
条超边；
本实施例构建了一种有效的概率超图模型来捕获目标的局部特性，将超边定义为中心节点和其周围最邻近的K个节点组成(本发明中K一般取5～15)
因此，可以获取概率超图模型中所有节点和超边的隶属矩阵：
Figure BDA0003147564370000053
Hk为所有节点和超边的隶属矩阵，|V|表示节点个数，|E|为超边个数；
步骤S1.2，设计节点之间的相异性描述：
概率超图中两个节点之间的相异性描述为：
Figure BDA0003147564370000054
其中
Figure BDA0003147564370000055
表示两个超边之间的距离，定义为
Figure BDA0003147564370000056
基于
Figure BDA0003147564370000057
上式两个节点之间的相异性描述可以继续推导：
Figure BDA0003147564370000058
其中
Figure BDA0003147564370000059
为节点-超边的特征向量，
Figure BDA00031475643700000510
为增量特征向量，向量xm和uxm的维度为N；上式(2-2)和(2-3)中，
Figure BDA00031475643700000512
为超边的度，定义超边的度
Figure BDA00031475643700000513
为超边内的每个节点分布的标准差：
Figure BDA0003147564370000061
其中，l为p或q；xm的第l个元素包含了三部分：
Figure BDA0003147564370000062
具体的：第一项
Figure BDA00031475643700000610
表示节点vm与超边
Figure BDA0003147564370000063
的距离；第二项
Figure BDA0003147564370000064
表示了超边
Figure BDA0003147564370000065
的紧密程度，可以通过
Figure BDA0003147564370000066
的标准差计算得到；第三项
Figure BDA0003147564370000067
为超边
Figure BDA0003147564370000068
的平均强度。
S2：对图像的局部区域进行空间划分，依据步骤S1中的概率超图模型中两个节点之间的相异性计算方法得到空间划分后的图像的中心像素与周围邻域像素的相异性，引入权重系数构建中心像素与周围邻域像素的相异性算子；对同方向的相异性算子进行叠加，对不同方向的相异性算子进行乘积操作，构建局部概率相异性度量；
步骤S2中具体为：
S21：依据步骤S1中两个节点之间的相异性描述得到中心节点与邻域节点的相异性描述，构建中心节点与邻域节点的相异性算子；
受到局部度量检测算法的启发，采用大小为滑动窗口3P×3P来捕获中心像素和周围邻域像素的结构关系；在构建的概率超图模型中，每个节点对应窗口中的每个像素，每个超边都包含了中心节点和其灰度上最临近的K个节点；为了在满足计算量条件下充分增强目标的局部特性，选择中心节点v0和其周围的8个节点v1～v8来计算，如图3所示；中心节点和周围节点的相异性算子定义为：
D(v0,vi)＝ds(v0,vi)·ω(v0,vi)
其中ds(v0,vi)表示中心节点v0和邻域节点vi之间的局部概率超图相异性，ω(v0,vi)表示中心节点与邻域节点之间的权重系数；ω(v0,vi)表示为所有包含节点v0的超边与包含节点vi的超边的灰度均值之比：
Figure BDA0003147564370000069
ω(v0,vi)充分利用了超图的高阶约束关系，显著增强了目标的中心对比特性，并且有效的抑制了背景的杂波干扰。
S22：一般来说，目标节点的灰度比周围邻域节点的灰度要高，因此，对于特定的方向上，可以对中心节点与邻域节点的相异性算子进行叠加来增强红外弱小目标的方向性，对于所有的方向进行相乘运算来抑制背景的干扰，得到构建的局部概率超图相异性度量
Figure BDA0003147564370000071
其中，两个节点vi和vi’沿中心节点v0对称，D(v0,vi')为中心节点与节点vi’的相异性算子，Δ为两个节点vi和vi’相差的节点数；更具体的，在本实施例中，选择中心节点v0和其周围的8个节点v1～v8来计算，因此有：
Figure BDA0003147564370000072
其中，两个节点vi和vi+4沿中心节点v0对称，D(v0,vi+4)为中心节点与节点vi+4的相异性算子；
S3：利用特定尺度的局部概率相异性度量，对整幅图像进行滑动窗操作，得到特定尺度下的显著性图；对多个尺度的显著性图进行最大池化操作，得到最终的显著性图；
步骤S3具体为：
在处理目标尺度变化时，为了保证所提出的局部度量的有效性，窗口的大小应尽可能与目标尺度相吻合。因此，对于特定尺寸的局部概率超图相异性度量，可以通过滑动窗口的方式得到该尺寸下的显著图。那么对于得到的不同尺度下的显著性图，可以通过最大池化(max pooling)操作得到最终的显著性图：
LPHDMm(r,c)＝max(LPDMs(r,c)),s＝1,...,L
其中s表示尺度参数，并且有s＝0.5*(P-1)，L为设定的最大尺度，本发明中L取2，那么与L对应的尺度参数s最大值取5；r，c为图像中的横坐标和纵坐标。
S4：基于自适应阈值分割算法，对最终的显著性图进行分割，大于阈值的区域判定为目标区域。步骤S4具体为：
利用自适应的阈值对最终的显著性图LPHDMm进行分割，便可以分割检测出弱小目标，自适应阈值T可以表示为：T＝k×μ+(1-k)×σ；其中μ表示最终的显著性图的均值，σ表示最终显著性图的方差，k给设定的参数，通常设定为0.5-0.8。经过分割之后，保留下来的区域被认为是真正的红外弱小目标。
通过以下仿真进一步说明：
1.仿真条件
为了测试本发明的有效性，在4组真实采集的红外图像序列中进行仿真验证和对比评估。本发明对比了四种流行的弱小目标检测算法，这些算法包括RLCM,MLHM,MPCM,和WLDM。所有的仿真环境为Matlab R2016b，硬件运行平台为1.9-GHz的i7处理器和16GB的内存的笔记本电脑。
2.仿真实验
图4给出了所有的五种测试算法在4组图像序列中的典型检测结果。从图中可以看出，测试图像中包含了严重的背景干扰，例如背景高亮区域、显著边缘以及强角点等。相比于其他检测算法，本发明取得了较好的检测结果。弱小目标被有效的进行增强，同时，背景干扰得到了较好的抑制。RLCM在Seq1和Seq4这两个序列中取得了较为满意的结果。尽管MLHM和MPCM在Seq1，Seq3和Seq4中也取得了不俗结果，但是这两种算法的三维灰度分布上有明显的背景干扰点。

Claims (4)

1.一种基于局部概率超图相异度量的红外弱小目标检测方法，其特征在于，包括以下步骤：
S1：构建概率超图模型为G＝(V,E,w)，其中V表示节点集，E表示超边集合，w为超边权重；并设计概率超图模型中两个节点vi和vj之间的相异性描述ds(vi,vj)；
S2：依据步骤S1中两个节点之间的相异性描述得到中心节点与邻域节点的相异性描述为ds(v0,vi)，构建中心节点与邻域节点的相异性算子D(v0,vi)＝ds(v0,vi)·ω(v0,vi)，其中ω(v0,vi)为中心节点与邻域节点之间的超边权重比值；构建局部概率超图模型相异性度量
Figure FDA0003147564360000011
其中，两个节点vi和vi’沿中心节点v0对称，D(v0,vi')为中心节点与节点vi’的相异性算子，Δ为两个节点vi和vi’相差的节点数；
S3：利用局部概率超图模型相异性度量，对整幅图像进行滑动窗操作，得到显著性图；对多个尺度的显著性图进行最大池化操作，得到最终的显著性图；
S4：基于自适应阈值分割算法，对最终的显著性图进行分割，大于阈值的区域判定为红外弱小目标区域。
2.如权利要求1所述的基于局部概率超图相异度量的红外弱小目标检测方法，其特征在于，所述步骤S1包括：
步骤S1.1，定义一个概率超图模型为G＝(V,E,w)，其中V表示节点集，E表示超边集合，w为超边的权重；节点和超边的隶属关系如下式：
Figure FDA0003147564360000012
其中
Figure FDA0003147564360000013
表示超边
Figure FDA0003147564360000014
的平均强度，
Figure FDA0003147564360000015
vg表示超边
Figure FDA0003147564360000016
中的任一节点，
Figure FDA0003147564360000017
表示超边
Figure FDA0003147564360000018
包含的节点数量，f(·)表示节点对应的特征，在图像中即对应灰度值；
Figure FDA00031475643600000112
表示节点vi与超边
Figure FDA0003147564360000019
的相似性，超边
Figure FDA00031475643600000110
是由节点vl及其最邻近的k个节点共同构成，
Figure FDA00031475643600000113
可转化为节点vi与超边
Figure FDA00031475643600000111
的节点vl之间的距离，表示为|f(vi)-f(vl)|，λ为加权系数，通常取2；
Figure FDA0003147564360000021
其中vi表示第i个节点，
Figure FDA0003147564360000022
表示第
Figure FDA00031475643600000215
条超边；
步骤S1.2，设计概率超图模型中两个节点之间的相异性描述为：
ds(vi,vj)＝|uxi|1·|xj|1-|xi|1·|uxj|1 (2-1)
其中
Figure FDA0003147564360000023
为节点-超边的特征向量，
Figure FDA0003147564360000024
为增量特征向量，向量xm和uxm的维度为N；上式(2-2)和(2-3)中，
Figure FDA00031475643600000216
为超边的度，xm的第l个元素包含了三部分：
Figure FDA0003147564360000025
Figure FDA0003147564360000026
和
Figure FDA0003147564360000027
具体的：第一项
Figure FDA0003147564360000028
表示节点vm与超边
Figure FDA0003147564360000029
的距离；第二项
Figure FDA00031475643600000210
表示了超边
Figure FDA00031475643600000211
的紧密程度，可以通过
Figure FDA00031475643600000212
的标准差计算得到；第三项
Figure FDA00031475643600000213
为超边
Figure FDA00031475643600000214
的平均强度。
3.如权利要求1所述的基于局部概率超图相异度量的红外弱小目标检测方法，其特征在于，所述步骤3包括：利用特定尺度的局部概率相异性度量，对整幅图像进行滑动窗操作，得到特定尺度下的显著性图；对多个尺度的显著性图进行最大池化操作，得到最终的显著性图LPHDMm(r,c)＝max(LPHDMs(r,c)),s＝1,...,L，其中s表示尺度参数，L为设定的最大尺度；(r,c)为图像中的横坐标和纵坐标。
4.如权利要求1所述的基于局部概率超图相异度量的红外弱小目标检测方法，其特征在于，所述步骤S4包括：利用自适应阈值对最终的显著性图LPHDMm进行分割，分割检测出弱小目标；所述自适应阈值T表示为：T＝k×μ+(1-k)×σ，其中μ表示最终的显著性图的均值，σ表示最终显著性图的方差，k给设定的参数并设定为0.5-0.8；经过分割之后，保留下来的区域为红外弱小目标区域。
CN202110756141.6A 2021-07-05 2021-07-05 一种基于局部概率超图相异度量的红外弱小目标检测方法 Active CN113658191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110756141.6A CN113658191B (zh) 2021-07-05 2021-07-05 一种基于局部概率超图相异度量的红外弱小目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110756141.6A CN113658191B (zh) 2021-07-05 2021-07-05 一种基于局部概率超图相异度量的红外弱小目标检测方法

Publications (2)

Publication Number Publication Date
CN113658191A true CN113658191A (zh) 2021-11-16
CN113658191B CN113658191B (zh) 2022-09-30

Family

ID=78477936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110756141.6A Active CN113658191B (zh) 2021-07-05 2021-07-05 一种基于局部概率超图相异度量的红外弱小目标检测方法

Country Status (1)

Country Link
CN (1) CN113658191B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108022244A (zh) * 2017-11-30 2018-05-11 东南大学 一种基于前景和背景种子用于显著目标检测的超图优化方法
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
CN109767439A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 一种自适应窗口的多尺度差异与双边滤波的目标检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108022244A (zh) * 2017-11-30 2018-05-11 东南大学 一种基于前景和背景种子用于显著目标检测的超图优化方法
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
CN109767439A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 一种自适应窗口的多尺度差异与双边滤波的目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王晓阳等: "局部对比度结合区域显著性红外弱小目标检测", 《强激光与粒子束》 *
谷雨等: "基于改进多尺度分形特征的红外图像弱小目标检测", 《光学精密工程》 *

Also Published As

Publication number Publication date
CN113658191B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN109934815B (zh) 一种结合atv约束的张量恢复红外弱小目标检测方法
CN109447073B (zh) 一种基于张量鲁棒主成分分析的红外弱小目标检测方法
CN103942557B (zh) 一种煤矿井下图像预处理方法
CN107403134B (zh) 基于局部梯度三边的图域多尺度红外弱小目标检测方法
CN109215025B (zh) 一种基于非凸秩逼近极小化的红外弱小目标检测方法
CN108038856B (zh) 基于改进多尺度分形增强的红外小目标检测方法
CN111768350B (zh) 一种红外图像增强方法及***
CN113449658A (zh) 基于空域、频域、时域的夜间视频序列显著性检测方法
Li et al. A small target detection algorithm in infrared image by combining multi-response fusion and local contrast enhancement
Liu et al. Small target detection from infrared remote sensing images using local adaptive thresholding
CN112329764A (zh) 一种基于tv-l1模型的红外弱小目标检测方法
Wang et al. The PAN and MS image fusion algorithm based on adaptive guided filtering and gradient information regulation
CN112395944A (zh) 基于加权的多尺度比差联合对比度红外小目标检测方法
CN110033006B (zh) 基于颜色特征非线性降维的车辆检测跟踪方法
CN112163606B (zh) 基于块对比度加权的红外小目标检测的方法
CN110363105B (zh) 一种全极化sar图像相干斑抑制方法
Juliu et al. Dim and small target detection based on improved spatio-temporal filtering
CN113658191B (zh) 一种基于局部概率超图相异度量的红外弱小目标检测方法
CN111461999A (zh) 一种基于超像素相似性测量的sar图像相干斑抑制方法
CN111340741A (zh) 基于四元数与l1范数的粒子群优化灰度图像增强方法
CN115861669A (zh) 一种基于聚类思想的红外弱小目标检测方法
CN116051444A (zh) 一种有效的红外与可见光图像自适应融合方法
CN115731135A (zh) 基于低秩张量分解和自适应图全变分的高光谱图像去噪方法及***
CN115205216A (zh) 一种基于显著性和加权引导滤波的红外小目标检测方法
CN112734666B (zh) 基于相似值的sar图像相干斑非局部均值抑制方法

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