基于混沌PSO或分解的二维最小误差阈值分割

为了进一步提升现有的二维最小误差阈值分割快速递推算法的运行速度,提出分别基于混沌粒子群优化(PSO)和分解的2种二维最小误差阈值分割算法.第1种算法利用混沌粒子群优化算法搜寻二维最小误差法的最佳分割阈值,且在迭代过程的适应度函数计算中引入递推算法,大大减少了冗余计算;第2种算法将二维最小误差法的运算分解成一维最小误差法和一维最小类内对数方差法的运算,计算复杂度由二维递推算法的O(L2)进一步降为O(L).实验结果表明,提出的2种算法能够在分割效果达到或优于现有的二维最小误差阈值分割法的同时,大大加快运行速度.

二维最小误差分割在红外图像中的快速实现

最小误差分割算法的图像分割性能优异,但一维的最小误差分割算法容易受到噪声的干扰。利用图像的二维直方图,二维最小误差分割算法不仅能够利用图像的灰度信息,同时利用了相邻像素之间的邻域信息,取得更加理想的分割效果。但在实际使用的过程中,二维最小误差算法采用穷尽搜索的算法运算时间长,二维直线型最小误差分割算法无法反映全局最优解,降维形式的最小误差算法复杂度高。本文将结合粒子群优化算法(PSO)将二维最小误差分割算法应用在红外图像上,大大提升了算法的求解速度,能够在实现更低对比度的红外图像分割的同时满足工程中实时检测的要求。

基于多向背景预测的红外弱小目标检测

杂波背景中的弱小目标检测是红外图像处理中的一个重要问题。普通的二维滤波背景预测方法可以用来检测图像中的小目标,但是也存在对复杂场景的适应性差,杂波边缘虚警高的问题。通过分析二维最小均方滤波背景预测算法的方向特性,在对图像四邻域滤波残差进行像素级加权融合后,得到了一种基于多方向融合自适应滤波背景预测的弱小目标检测方法。对构造图像和实际红外云杂波场景中的小目标检测仿真表明,该方法对不同背景适应性较强,在保持目标检测概率的同时显著抑制了杂波边缘虚警,有效提高了杂波背景中小目标的检测性能。