基于小波变换和LBP算子的人脸识别研究

为了提高人脸识别效果,针对当前人脸识别方法存在的局限性,如识别准确率低,耗时长等,提出了基于小波变换与LBP算子的人脸识别方法。首先采集待识别的人脸图像,并采用小波变换对人脸图像作多尺分解,通过对高频子图像进行处理,消除光照变化对人脸识别的干扰,然后采用LBP算子提取人脸图像纹理特征,将特征连接组合在一起产生特征向量,最后采用k近邻算法根据特征向量建立人脸识别的分类器。采用标准人脸识别数据集Yale-B与AR作为测试对象,测试结果表明,小波变换与LBP算子能够克服当前人脸识别方法的弊端,提高人脸识别的准确率,并且人脸识别效率得到了明显改善,整体人脸识别效果要优于当前其它方法,为后续人脸处理打下了良好的基础。

基于双树复小波变换和混沌粒子群优化的红外小目标检测

针对存在背景干扰和噪声情况下的红外图像弱小目标检测问题,提出了基于双树复小波变换和混沌粒子群优化的检测方法。该方法一方面先基于双树复小波变换对原始图像进行去噪,再利用Top-hat算子抑制背景;另一方面先利用Top-hat算子抑制原始图像的背景,经双树复小波去噪后,再进一步使用Top-hat算子。将上述两方面得到的图像求和即为预处理图像。然后基于混沌粒子群优化的类内绝对差及背景与目标面积差的阈值选取方法分割预处理图像。大量实验结果表明,与基于小波和形态学的红外目标检测方法相比,该方法抗噪性强,具有更为优越的检测性能。

基于复杂融合特征与灰度-纹理直方图描述子的红外弱小目标检测追踪算法

为了解决当前红外目标检测追踪算法仅依靠单一图像特征对弱小目标增强,使其在背景杂波与噪声干扰严重条件下,难以剔除图像背景中的伪目标像素,导致弱小目标检测与追踪精度不高,提出了基于复杂融合特征与联合灰度-纹理直方图描述子的红外弱小目标检测与追踪算法。首先,针对红外图像不同特征的背景干扰因素,引入不同方向的腐蚀操作结构元素,设计了分类Top-Hat变换算子,充分抑制背景杂波与噪声,从而将弱小目标从复杂背景中凸显出来;随后,引入方差权重信息熵,构建复杂融合特征,对红外图像进行分割,确定候选目标区域;并基于管道滤波模式,对候选目标区域中的真实弱小目标与伪目标进行筛选,将虚假目标过滤;再考虑弱小目标的强度与纹理特征,基于LBP技术(local binary pattern),设计了灰度-纹理直方图描述子,充分描述红外弱小目标的边缘、线端与角点等鲁棒性特征,较好地保留目标的空域信息,有效剔除图像背景中的伪目标像素;最后,联合均值漂移算法,对红外弱小目标进行精确追踪。实验结果显示:与当前红外目标检测追踪技术相比,在复杂背景干扰条件下,本文算法具有更高的检测精度与更低的追踪误差。

基于二次分割的港口舰船目标检测方法

针对光学遥感图像中港口舰船的纹理、灰度特征与码头十分接近,直接分割相对困难的问题,提出了基于二次分割的港口舰船目标检测方法。该方法首先将Top-hat算子引入分水岭分割算法中,解决了分水岭算法过分割现象,同时获得较完整的海陆分离结果;其次对分割后的陆地区域使用Freeman链码进行轮廓描述,并结合改进的Hough变换进行目标区域的分离,通过二次分割有效地将码头与舰船分开;最后,计算各区域的面积实现港口舰船的识别。实验结果表明,该方法鲁棒性强,易于实现,通过实测数据可以解决港口舰船目标的检测问题。

形态学重建与Canny结合实现机场跑道边界检测

针对机场边界检测出现跑道边界不连续和误检的现象,采用形态学方法对机场的灰度对比度和结构特征进行增强,即先利用大尺寸的结构体进行形态学重建顶帽变换增强机场与背景的灰度对比度,然后采用形态学重建滤波器平滑图像噪声,提高机场内部的同质性;在此基础上对增强后的图像进行梯度计算,并基于判别分析估计了双阈值,采用Canny算子实现跑道边缘检测。为了检验提出的方法,对4幅不同城市、不同类型的机场高分辨影像完成了机场跑道的边界提取。其中临潼和开封机场属于军事用途的机场,其跑道边界被完美地提取出来,背景被完全抑制;首都和咸阳机场为大型国际机场,其获取的跑道外部边界也比较完整。另外设计了对比实验,检验了不同步骤对结果的影响。实验结果表明,该文的跑道边界检测方法有效且简洁,它同时解决了跑道与背景对比度增强、图像随机噪声与无关背景对象抑制,以及跑道边界完整性保持等几个问题,为机场跑道信息提取提供了一个可靠的方案。

基于形态学方法的红外小目标检测

为了降低复杂背景下红外小目标检测的虚警率,在分析目标特性的基础上,给出了一种高提升滤波与形态学Top-hat算子相结合的检测方法.该方法首先对红外图像进行高提升滤波,提高图像对比度;通过Top-hat变换滤除背景,利用伽马变换提高信噪比(SNR),经阈值分割检测出可能的目标,然后通过对序列图像的处理最终确定目标,并形成稳定航迹.仿真结果表明:与单一的Top-hat变换相比,该方法能够更准确检测出信噪比不小于2的目标,且虚警率低.

基于LWT和递归最小类内绝对差的红外小目标检测

针对存在背景干扰和噪声情况下的红外弱小目标检测问题,提出一种基于提升小波变换(LWT)和递归最小类内绝对差的检测方法。一方面先利用提升小波对原始图像进行去噪,再利用Top-hat算子抑制背景;另一方面先利用Top-hat算子抑制原始图像的背景,经提升小波去噪后,再进一步使用Top-hat算子;上述两方面得到的图像求和即为预处理图像。然后采用递归最小类内绝对差阈值选取方法分割预处理图像。针对红外小目标图像进行了大量实验,并与基于形态滤波及基于小波和形态学的红外小目标检测方法进行了比较。结果表明本文方法提高了信噪比,检测率分别提高15%和10%。

空间观测图像宇宙线噪声去除算法

空间观测图像容易受到宇宙线噪声的干扰。本文提出一种空间观测图像宇宙线噪声去除算法。首先利用Top-hat变换抑制观测图像的杂散光,处理之后的观测图像背景均匀,直方图的近Gaussian形状得以恢复。然后利用形态学运算和中值滤波相结合的方法排除高亮过饱和恒星的干扰。最后利用Laplacians边缘检测算法检测宇宙线噪声像素,并利用邻域最小值滤波的方法对宇宙线像素的灰度值进行插值处理。实验结果表明,本文方法在不产生误检测的前提下,检测概率超过90%,综合性能优于本文中提到的其它三种宇宙线噪声去除方法。

结合图像增强和改进Canny算子的遥感图像边缘检测

针对遥感图像对比度低和含有大量混合噪声,采用传统Canny算子难以有效地提取遥感图像边缘信息,本文提出一种结合图像增强和改进Canny算子的遥感图像边缘检测算法.首先利用NSCT(非下采样轮廓波变换)将图像分为高低频子图,采用高斯滤波器对高低频分量进行去噪预处理,并重构得到预处理后的图像;然后运用Top-hat变换对预处理后的图像进行图像增强突出细节信息;最后采用改进Canny算子得到边缘图像,并去除部分孤立点得到最终边缘图像.实验结果表明,本文算法相比传统Canny算子具有更好的去噪效果,有效增强了图像对比度,可以保留遥感图像更多真实边缘,改进了传统Otsu方法,提高计算效率.

红外背景抑制与弱小目标的检测算法

强噪声背景下红外图像中弱小目标的检测一直是研究的重点和难点。根据弱小目标、背景干扰和噪声在红外图像中的差异,研究了三种低信噪比条件下红外图像中弱小目标的检测算法:小波变换、数学形态学、Top—hat算子,分别给出了处理的图像和相应的数据。仿真实验表明:这三种检测算法能十分有效地提高信噪比、增强目标、抑制背景杂波和去除噪声干扰,对信噪比约为2的弱小目标检测能得到很好的结果。三种算法所得结果一致,而且处理速度快,适合于实时图像处理和目标探测。