基于形态学Top-Hat算子和知识处理的目标识别方法

提出了一种基于形态学Top-hat算子和目标形态特征以及空间关系知识处理的目标识别方法。该方法先对SPOT图象进行开Top-Hat和闭Top-Hat运算,以突出目标,抑制背景,然后根据目标固有的形态特征,对目标进行形态滤波,最后利用目标的空间关系特征进行进一步处理,去除虚假目标点。实验表明,该方法对复杂背景的SPOT图象上似圆状目标识别取得了良好的效果。

基于TOP-HAT滤波器算子的红外弱小目标检测算法

针对红外序列图像中运动弱小点目标的检测问题,设计了一种基于改进神经网络优化的修正T op-H at形态学滤波器算子。其中形态学滤波器的结构元素采用两层前馈神经网络,通过大量样本训练优化,将T op-H at运算作为一个整体当作一层,输出层节点定义为T op-H at运算后图像矩阵的最大值。实测数据的处理结果表明:针对低信噪比(RSN≈2)图像,在虚警概率≤5%情况下,优化的修正T op-H at形态学滤波器算子对复杂图像检测概率≥75%,与固定结构元素的T op-H at形态学滤波器相比检测概率提高了近8%,算法的运算时间仅增加了0.7m s。

基于自适应形态学Top-Hat滤波器的红外弱小目标检测方法

针对红外序列图像中运动弱小目标的检测问题,提出了一种基于自适应形态学Top-Hat算子和改进的自适应门限的弱小目标检测方法,其中形态学滤波器的结构元素采用两层前馈神经网络通过大量样本训练优化.将Top-Hat运算作为一个整体当作一层,输出层节点定义为作Top-Hat运算后图像矩阵的最大值,并针对所检测的大多数弱小点目标采用自适应门限进行分割,同时对SNR>4左右的点目标用固定门限进行分割.实验结果表明,该方法对SNR较低的复杂图像具有良好的滤波效果.

遗传算法优化的形态学边缘检测算子

图像边缘检测通常是以类似于素描图的图像表达出物体的要素和特征,其任务是使图像边缘准确定位和抑制噪声。在传统形态学算子基础上提出一种遗传算法优化的形态学Top-Hat算子。实验表明,与传统的边缘检测算法相比,该算法不仅具有较强的边缘提取能力,而且通过合理选择结构元素能明显降低噪声对检测结果的影响,准确检测出图像边缘。

基于场景运动分析的弱小目标形态学检测方法

本文提出一种基于场景运动分析的弱小运动目标形态学检测方法:首先利用场景运动分析校正序列图像,应用本文提出的结构元进行Top-Hat形态学滤波以抑制背景杂波,将滤波图像进行二值化和差分处理以提取可疑目标并抑制虚警,使用点-航迹关联法最终捕获目标。外场试验表明,同传统的形态学检测方法相比,可有效抑制航拍图像中的地物干扰,降低虚假目标数量。

基于视觉注意的光学遥感图像舰船目标检测方法

根据大视场光学遥感图像中舰船目标检测的实际需求,借鉴了人眼视觉注意感知的特性,引入一种基于自适应形态学的显著图快速生成方法。通过加入杂波率系数来自适应地控制Top-Hat算子中的结构元素尺寸,结合一组模拟人眼视觉感知特性的Gabor滤波器组,在有效抑制复杂背景的同时,实现了舰船目标的提取与检测。实验表明,该算法在各种海况下有较高的检测率与较低的虚警率,比传统算法的检测效果有较大改善。