基于尺度空间技术的归一化Facet模型位场边界识别

边界识别是位场数据处理解释中的重要环节,传统边界识别方法通常不能均衡深、浅部地质体边界.基于尺度空间技术和归一化的Facet模型检测算子,本文开发了一种带通空间滤波和边缘检测相结合的边界识别方法,有效地提高位场数据边界识别的精度和可靠性.为了验证本文算法的有效性和稳定性,分析了不同尺度空间函数和检测算子对算法的影响,并且对比了传统边界识别方法的效果.理论模拟和实际数据分析表明,利用位场垂向二阶导数进行的基于尺度空间技术的归一化Facet模型边界识别方法不仅算法的稳定性强,而且可以避免高阶导数对噪声干扰放大作用,同时均衡深部和浅部地质体边界,从而可以更精确地识别地质体的形态.

基于Contourlet变换和Facet模型的红外小目标检测方法

针对存在复杂背景干扰和噪声情况下的红外弱小目标检测问题,提出了一种基于循环平移Contourlet变换和Facet模型多向梯度特性的检测方法。首先通过循环平移Contourlet变换,利用硬阈值对图像进行去噪,提高图像的信噪比和平滑性;然后设计了一种基于Facet模型多向梯度特性的中值滤波器,对去噪后的图像进行滤波,有效地抑制复杂背景和噪声;其次采用两级最大类间方差算法对滤波后的图像进行分割;最后根据相邻帧候选目标的位置和速度关系进一步检测弱小目标。实验证明,这种算法抗噪性强,对包含强纹理结构的复杂背景具有良好的抑制作用,能够有效地检测出弱小目标。

基于小面模型的星图中星获取算法研究

利用小面模型对原始星图的局部区域作灰度曲面最佳拟合。在拟合曲面上进行灰度极大值像素点的位置估计,初步得到星图中星的中心位置,从而加速星图中星的获取过程。基于所定义的性能评价指标,对模拟星图进行了星图获取的实验验证。研究表明,该算法具有较强的适应性。

一种新的红外复杂背景自适应抑制算法

为了解决低信噪比非平稳复杂云层背景下红外弱小目标检测问题,提出了一种新的基于Facet模型的正则化双向扩散滤波算法.该算法采用Facet模型拟合图像曲面,并设计了平均方向导数梯度算子描述拟合图像曲面的多向梯度特征,以准确识别目标和背景的特征差别.结合平均方向导数梯度算子,设计了一种新的正则化双向扩散背景抑制技术.与传统算法相比,这种算法能够依据目标和背景的特征差别自适应地在前向扩散(目标增强)和后向扩散(背景抑制)之间切换,以实现在抑制背景杂波的同时增强目标.理论分析和实验结果表明,这种算法对包含强纹理结构的非平稳复杂云层背景杂波具有良好的抑制作用,并且算法结构简单,运算量小,易于硬件实时实现.

基于小面拟合的红外小目标提取方法研究

天空和海空背景下红外小目标图像的分割与聚类是检测和识别目标过程的预处理部分。基于小面模型对原始红外图像的局部区域作灰度曲面的最佳拟合,利用导出的二阶方向导数算子在拟合曲面上进行灰度极大值的像素点位置估计,实现对图像中小目标像素的分割和提取。对模拟和实际的天空和海空红外图像进行了实验验证。实验表明,该算法具有较强的适应性。

红外运动小目标检测的小面拟合算法

针对红外图像序列中运动小目标,提出一种基于预测的小面拟合目标检测算法。首先根据图像序列中目标运动的连续性及方向性,采用二阶自回归模型预测目标的搜索窗口。然后根据天空背景红外图像中小目标灰度高于背景的特征,利用小面拟合模型对搜索窗口的局部区域作灰度曲面拟合,提取搜索窗口内灰度极值点作为目标,提出了相应的目标检测算子。对红外图像序列的实验表明,该算法可有效检测天空背景下红外运动小目标,算法的实时性和抗干扰能力优于传统的目标检测方法。