多尺度各向异性扩散方程的红外弱小目标检测算法

针对复杂背景下红外弱小目标检测效果不佳的问题,结合多尺度分析法和各向异性扩散方程,利用图像尺度和方向信息,提出一种新的红外弱小目标检测算法.首先,采用Surfacelet变换对图像进行多尺度、多方向分解,得到不同尺度下高频子带系数和低频子带系数;其次根据不同频带的特点,分别采用改进的各向异性扩散方程差分滤波和局部去均值滤波对高频子带系数和低频子带系数进行处理;最后,采用逆Surfacelet变换重构处理后的子带系数,并采用自适应阈值分割对重构的图像进行分割,以实现目标检测.采用多组红外图像进行试验,并与小波滤波以及各向异性扩散滤波进行比较,实验结果显示,该算法能有效抑制背景及其边缘,可以获得比另外两种算法更好的红外弱小目标检测效果.

时空域非线性滤波红外序列图像非均匀性校正

针对现有非均匀性校正方法中校正结果收敛速度慢、图像退化、存在"鬼影"现象等问题,提出一种空域三边滤波与时域梯度加权均值滤波相结合的红外序列图像非均匀性校正方法.该方法首先利用三边滤波将图像分解为基本分量与细节分量;然后对分离出的细节分量序列图像的时域曲线进行梯度加权均值滤波,从而分离出细节分量中非均匀性和场景细节;最后用原图减去非均匀性,得到校正结果.实验结果表明,该方法能有效地抑制"鬼影"并改善图像退化现象,校正结果无论主观视觉还是客观评价指标均明显优于时域高通与神经网络校正方法.

奇异值非线性修正的低对比度红外图像实时增强

由于场景中目标与背景的温差相对较小,红外图像会存在对比度低、视觉效果差的问题,针对这一问题,提出一种基于奇异值非线性修正的红外图像对比度实时增强方法。该方法首先对红外图像进行奇异值分解得到其原始奇异值,然后采用一个对数型非线性变换对图像奇异值进行优化,最后根据修正的奇异值重构出对比度增强的红外图像。利用对数型非线性变换修正图像奇异值不仅能够有效拉伸奇异值的动态范围,同时可优化奇异值的变化梯度,使图像的能量信息得到更充分地表达,改善红外图像不良的视觉效果。实验结果表明,该方法较几种对比方法在视觉效果和客观评价方面均具有更优的增强性能;同时体现出良好的实时性,为实现红外图像的实时增强提供了新途径。

基于改进的分块压缩感知红外图像重建

针对基于压缩感知理论的红外图像重建问题,提出一种基于改进的分块压缩感知红外图像重建方法。该方法首先对原始红外图像进行分块,并对每个子块用相同的观测矩阵进行随机观测,获得少量的观测数据;然后利用谱图小波变换优异的稀疏特性,将其引入平滑投影Landweber算法进行迭代优化重建,同时采用混合中值滤波进行处理以增加图像的平滑度和减少块伪影,最后输出满足要求的高质量红外图像。实验结果表明,在相同采样率下,该方法对于不同类型红外图像的重建性能均优于目前广为采用的一些小波压缩感知方法,可获得更高质量的红外图像。

基于改进的剪切波变换和引导滤波的红外弱小目标背景抑制方法

由于传统的背景抑制方法没有充分利用信号的方向信息,使其不能有效区分背景边缘和红外弱小目标,从而造成背景抑制结果中有较多的背景泄露.针对上述问题,本文利用改进的剪切波变换和引导滤波,提出了一种新的背景抑制方法.首先,采用改进的剪切波变换对红外弱小目标图像进行多尺度和多方向分解,将图像分解得到不同的高频子带系数和低频子带系数;其次,利用目标信号与边缘在方向上的差异,采用自适应引导滤波对高频子带系数进行处理;再次,对分解后的低频子带系数和处理后的高频子带系数进行改进的剪切波逆变换,得到预测的背景图像;最后,将原图像与背景预测图像相减获得背景抑制且目标增强的红外图像.为了验证本文方法的有效性,采用多组实验对其进行验证,并与经典的Max-Median、TDLMS和Top-hat等方法作比较.多组实验结果均表明本文方法在主观视觉和客观评价指标方面均优于其它三种经典方法,可有效提高红外搜索跟踪系统对红外弱小目标的探测概率.

双邻域差值放大的高动态红外弱小目标检测方法(特邀)

针对现有红外弱小目标检测方法背景抑制不充分、计算复杂度高,导致红外侦察预警系统虚警率高、响应速度慢的问题,提出一种基于双邻域差值放大的高动态红外弱小目标检测方法。首先,分析真实红外图像中目标与邻域的均值特性;然后,计算出目标区域与内外双层邻域的差异,从而提升亮、暗弱小目标的局部对比度并抑制复杂背景和噪声;最后,利用自适应阈值分割算法获取目标的位置。针对信杂比增益和背景抑制因子难以客观评价红外图像序列的目标增强和背景抑制性能的问题,提出一种目标轨迹显著图评价方法,有效评价红外图像序列目标检测性能。实验结果表明:与同类检测方法相比,该方法的信杂比增益与背景抑制因子分别提高了12%与10%,运行时间约缩短了34 ms,是一种有效可行的高动态红外弱小目标检测方法。

基于深度学习的认知成像激光雷达(特邀)

为提升传统成像激光雷达系统对场景的感知能力和信号处理算法的泛化能力,提出了一种基于深度学习的认知成像激光雷达方法,通过深度学习点云目标检测算法的处理结果进一步调控核心成像参数,形成认知反馈,提升系统成像质量和环境感知能力。为验证该方法的可行性,设计并实现了一套认知成像激光雷达演示模块,通过实验对比分析,选择激光器的发射功率、成像系统的扫描视场和扫描角分辨率三个成像参数进行认知反馈,并结合深度学习方法实现了与场景的动态交互学习,解决了传统激光雷达成像参数固化的问题。实验结果表明,采用基于深度学习的认知成像工作模式有效提升了现有深度学习点云目标检测算法的泛化能力和目标检测精度。

基于Tetrolet变换的图像融合

Tetrolet变换与目前广为采用的小波变换相比,在处理高维信号时具有更好的方向性,能够精确地表达图像的结构及纹理特征。本文将Tetrolet变换用于不同频谱图像的融合,以期获取更大的信息量。首先,将待融合的图像分别进行Tetrolet变换,得到不同尺度的高通和低通子带。然后,对低通子带采用基于局部区域梯度信息的融合方法得到低通融合系数,而对高通子带采用基于邻域方差加权的融合方法得到高通融合系数;最后,通过重构得到融合图像。采用多种图像进行了融合实验,其结果均表明,经Tetrolet变换获取的融合图像特征更为丰富、信息量更大,融合图像的信息熵和标准差都优于目前广为采用的小波变换和PCA变换图像融合算法;本文方法可有效地提高ATR系统和视觉对目标的识别探测概率和降低虚警率。