基于多尺度加权引导滤波的红外图像增强方法

现有的红外图像存在细节模糊、边缘和纹理不清晰的问题。针对上述问题,本文提出一种基于加权引导滤波的红外图像增强方法。首先,将图像通过带转向核的多尺度加权引导滤波进行分层处理,得到多幅含有细节信息的细节层图像和基础层图像;接着,对细节层采用基于Markov-Possion的最大后验概率算法和Gamma校正算法对细节层进行增强;然后,对基础层采用限制对比度的自适应直方图均衡算法进行对比度拉伸,最后,进行线性融合得到增强后的图像。综合主、客观实验结果,得出本文方法具有良好的细节增强效果,处理后的图像边缘和纹理信息比较突出,且算法在信息熵(IE),熵增强(EME)和平均梯度(AG)3个指标都有较优的计算结果。基本满足红外图像细节得到增强,边缘纹理清晰的需求。

基于注意力机制的红外目标检测方法

由于红外探测器感应波段与可见光不同,不依赖于大气光的反射传播,而是取决于环境中物体自身散发的辐射强度,所以其在雾霾、夜晚等可见度低的条件下往往比可见光具有更好的目标检测效果。针对红外场景中目标检测精度低、实行性差的问题,提出一种基于注意力机制的红外目标检测方法。首先,设计一种轻量化网络结构;其次,采用注意力机制提高网络的特征提取能力;然后,改进迭代特征金字塔结构提高对不同尺度目标的检测能力;最后,在训练过程中引入complete intersection over union(CIoU)损失函数和梯度均衡机制(GHM)损失函数改善正负样本不平衡问题。与其他算法的对比实验结果表明,所提算法的检测精度和速度显著提高。