全局通道注意力增强的毫米波图像目标检测

针对主动毫米波图像中目标与背景纹理区分度较低导致隐匿目标漏检问题,并根据安检实时性要求,提出一种基于全局通道注意力增强的主动毫米波图像目标检测方法。该方法以YOLOv5s为载体,在坐标注意力位置方向上引入全局通道注意模块,增强对隐匿目标全局通道信息的关注,从而提升在隐匿目标与背景纹理区分度较低时的检测能力;再利用K-means++聚类算法重新生成适合毫米波图像目标检测的锚框。实验结果表明,无论是阵列图像数据集还是线扫图像数据集,该方法增强了对隐匿目标的特征注意,提高了召回率,在满足安检实时性的前提下,提升了检测性能。通过增加少量参数,在阵列图像数据集上,精度、召回率和mAP@.5达到了92.0%、90.93%和95.32%;在线扫图像数据集上,精度、召回率和mAP@.5达到了94.65%、92.67%和97.73%。平均单张图像推理时间在两个数据集上均达到1 ms,满足实时性要求。

基于注意力机制的毫米波图像隐匿目标自主识别方法

在人体安检中,毫米波成像是一种对人体安全的检测方法。目前,使用平面毫米波扫描人体图像中存在被检测物体较小、边缘模糊等问题,导致传统的目标检测方法实现高准确率的检测变得困难。本文提出应用注意力机制及图像增强方法,提高目标检测方法对人体毫米波图像隐匿物体检测的精确度和召回率。研究结果表明,注意力机制与图像增强方法可提高毫米波图像目标检测的准确率和召回率。

一种被动毫米波图像混合噪声抑制方法

针对采集到的被动毫米波图像存在严重噪声污染,低分辨率,以及目前大部分去噪方法对混合噪声去噪效果不明显的问题,本文提出了一种基于非局部均值滤波和自适应中值滤波的混合噪声盲去噪算法。该算法首先利用像素非局部自相似先验知识对噪声强度进行估计,然后采用自适应中值滤波来滤除被动毫米波图像中的强噪声点,最后通过改进的非局部均值滤波来消除图像的大部分噪声。实验结果表明,所提出的方法在去除图像中噪声的同时保留了图像的边缘,并明显改善了被动毫米波图像的主观视觉感受。

基于改进YOLOv3-Tiny的毫米波图像目标检测

毫米波是一种不具有电离辐射的电磁波,其能够穿透绝缘衣物布料和对人体无害的特性使得毫米波在人体安检领域有着巨大的发展前景。将深度学习方法运用至毫米波图像目标检测领域,提出一种基于改进YOLOv3-Tiny的毫米波图像目标检测方法。首先,在特征提取网络中增加卷积层提升网络深度,并增加至3个不同尺度的预测层加强对毫米波图像目标的检测能力;然后,在特征金字塔(FPN)中引入注意力机制(CBAM),使网络更关注毫米波图像中待测目标的特征,忽略背景噪声冗余的特征。结果表明,改进后的网络平均准确率可达93.4%,单帧检测速度为15 ms,模型参数仅为38.7M,为毫米波安检系统高精度、小型化的研究提供了参考价值。

基于K-SVD的偏微分方程模型在毫米波图像恢复中的应用

在图像被大噪声污染或具有较低分辨率时,传统的偏微分方程(PDE)模型的稳态解会产生明显的阶梯效应,恢复图像质量较差。针对此缺点,提出了一种新的基于K-奇异值分解(K-SVD)的PDE图像恢复方法,并应用于毫米波(MMW)图像的恢复。K-SVD是一种图像稀疏表示方法,对图像进行稀疏估计的同时实现去噪,对噪声方差较大的图像具有较好的去噪鲁棒性。首先采用K-SVD对MMW图像进行去噪,对去噪图像再应用全变分(TV)模型的PDE方法进行恢复。对所提出的算法分别使用模拟的MMW图像和真实的MMW图像进行测试,并进一步和K-SVD、PDE方法比较,同时使用峰值信噪比(PSNR)对恢复图像进行评价。根据不同噪声方差下的PSNR数据和恢复图像的视觉效果,实验结果证明了所提方法能够有效地恢复MMW图像。

基于统计处理和B样条小波变换的毫米波图像边缘检测

针对毫米波图像噪声强、分辨率低的特点,提出了一种新的边缘检测方法。该方法首先根据统计信号处理理论定义了标准化梯度强度这一物理量;然后采用3次B样条函数的一阶导数作为边缘检测算子,由小波变换后得到的图像水平、垂直方向的高频信息,并根据这些信息确定出标准化梯度强度;接着采用单门限的处理得到图像粗边缘;最后对粗边缘施行非最大抑制处理和滤波来得到检测结果。实验证明,该方法可用固定的单门限自动、快速地检测出毫米波图像中人体背景下物体的边缘,满足安检需要。

基于模糊径向基神经网络和稀疏表示的毫米波图像恢复

针对毫米波(MMW)图像包含大量未知噪声、图像分辨率较低的问题,考虑模糊径向基函数神经网络(F-RBFNN)的非线性滤波特性和基于K-奇异值分解(K-SVD)稀疏表示(SR)的自适应消噪特性,提出了一种级联消噪的毫米波图像恢复方法。F-RBFNN将模糊逻辑的知识表达和推理能力与RBFNN的快速学习能力和泛化能力结合起来,可根据实际问题调整网络结构参数,对MMW图像达到非线性滤波的目的。进一步利用K-SVD稀疏表示具有人眼视觉特性,在保持目标特征的同时可有效消噪的优点,对FRBFNN的训练结果再次进行局部图像降噪,得到分辨率较高的MMW图像。采用相对信噪比(RSNR)作为消噪图像的评价标准,实验结果表明,与F-RBFNN、K-SVD消噪、小波消噪等方法相比,基于F-RBFNN和SR的降噪方法能够获得较好的MMW图像恢复质量。

一种改进的毫米波图像超分辨复原方法

针对无源毫米波图像分辨率低的问题,提出了一种基于对比度金字塔变换和改进非线性频谱外推方法的图像超分辨复原算法。该算法通过采用基于高频细节局部方差的高斯函数自适应调整频谱外推系数,并用其对对比度金字塔分解的高频细节进行频谱外推,同时采用Context模型去噪,最终重构出高分辨图像。通过该方法对无源毫米波图像进行超分辨复原,其结果表明新算法能有效增强图像的轮廓,提高图像的分辨率。

一种固定阈值的毫米波图像边缘检测方法

文章提出了一种固定阈值的毫米波图像边缘检测方法。根据图像的统计特征确定出像素的标准梯度强度,并采用单阈值对图像进行边缘粗定位,然后施行非最大抑制处理和滤波,得到最终检测结果。由于该算法对各幅毫米波图像设置相同的阈值,故能实现自动检测,同时还具有计算量小的特点。实验结果表明该方法进行毫米波图像边缘检测的有效性和可行性。

一种新的毫米波图像去噪方法

毫米波(MMW)焦平面成像系统得到的图像质量较差,为此,结合基于人类视觉系统(HVS)的自适应中值滤波和轮廓波变换,提出一种新的MMW图像去噪方法。利用基于HVS的自适应中值滤波方法实现噪声的自适应检测和滤波,滤除脉冲噪声。根据轮廓波分解的方向性和能量变化特性对中值滤波结果进行变换,并对得到高频子带做阈值去噪处理,以最大限度保留图像轮廓。实验结果表明,与传统方法相比,该方法所得图像的峰值信噪比较高。

应用改进自蛇模型和L-R算法恢复毫米波图像

在毫米波的图像恢复中,L-R算法是一种简单而有效的非线性方法,但当噪声不可忽略时,L-R算法难以获得较好的复原结果。针对毫米波图像数据量少和图像分辨率低的特点,提出基于改进自蛇模型和L-R算法毫米波图像恢复方法,以局部方差构造自蛇模型的边缘停止函数,其改进自蛇模型在消除噪声的同时更能够保留图像中的边缘和细节特征,然后使用L-R算法进行图像恢复,这种改进算法通过使用基于改进自蛇模型去噪能有效地减少噪声对L-R算法的影响。实验结果表明:在信噪比和相关度方面本文算法提高了L-R算法的性能,可用于含噪声的图像复原。

基于BEMD与双树复小波-局部Wiener滤波的毫米波图像去噪

为了有效地去除毫米波图像中含有的噪声,提高目标识别的精度,提出一种将二维经验模式分解(BEMD,Bidimensional Empirical Mode Decomposition)与基于双树复小波变换(DTCWT)的加窗局部Wiener滤波相结合的图像去噪算法。首先,对毫米波图像进行BEMD分解,得到不同特征尺度的本征模函数(IMF,Intrinsic Mode Function)子图像集;其次,利用双树复小波变换对中高频IMF子图像进行多尺度、多方向分解,并结合带有椭圆方向窗的局部Wiener滤波算法对各个高频方向子带进行去噪;最后通过DTCWT逆变换重构得到去噪后的IMF,并与残差图像相加进行BEMD重构。实验结果表明,该融合算法与单独的BEMD,DTCWT-Wiener滤波及离散小波变换-Wiener滤波算法相比,去噪后图像的视觉效果更好,提取的目标的边缘及细节特征更清晰,因而峰值信噪比最高。

基于偏微分方程图像放大及在毫米波图像中的应用

提出融合方向扩散和高斯热扩散以及灰度保真项的偏微分方程图像放大模型,给出了数字实现方案,并应用到毫米波图像放大中。通过对Lena图像实验表明,高斯热扩散可减少线性插值算法带来的锯齿现象,方向扩散保护图像边缘的连续性,灰度保真项可平滑方块效应及噪声,与线性插值和文献〔7〕相比,本文方法在均方误差、信噪比和边缘保护指数性能最好。对手枪毫米波图像放大2倍时,本文算法在手枪背景区域平滑噪声、抑制虚假边缘能力明显好于文献〔7〕算法。

保边缘自蛇模型毫米波图像去噪

由于毫米波图像分辨率低并伴随有大量噪声,其图像边缘常被噪声污染或丢失,为此提出保边缘自蛇模型并应用于毫米波图像去噪。引入只在图像的边缘处具有最大值,且对噪声不敏感的非局部梯度,以此构造边缘停止函数,使其在图像边缘处接近0,而在平坦同质区域接近1;给出保边缘的自蛇模型迎风差分数字解法;提出毫米波图像去噪的定量评价算法性能指标。实验结果表明,该算法在等效视数和边缘清晰度性能指标上明显优于标准自蛇模型和保特征的各向异性扩散模型,具有较好的去噪效果和保边缘能力。

基于全局梯度特征的毫米波图像稀疏表示与特征提取

高穿透性、高抗干扰能力、可全天时全天候等优点使得毫米波成像在反恐安检、环境监测、气象预报等领域获得了广泛的应用,但分辨率和目标特征提取技术一直是毫米波成像发展的主要瓶颈。传统方法对毫米波图像进行去噪和特征提取时往往会造成失真,难以保持目标边缘信息以进行特性提取。稀疏理论利用固定的基函数表示毫米波图像的结构特征,在去除噪声的同时有效地保持了目标边缘信息。基于毫米波图像全局梯度特征,论文提出了一种基于全局梯度特征的毫米波图像稀疏表示与特征提取方法,实验数据的仿真成像结果验证了所提方法的有效性和实用性。

基于局部方差的自蛇模型平滑毫米波图像

针对毫米波图像数据量少和图像分辨率低的特点,提出基于局部方差自蛇模型平滑毫米波图像的方法.3×3窗口内的局部方差使毫米波图像在边缘和细节附近,其边缘停止函数接近为0,执行较小的平滑;在区域内部其边缘停止函数接近为1,进行较大的平滑,从而能够自适应地控制平滑过程.实验结果表明,所提出的平滑方法与传统自蛇模型相比,在消除噪声的同时更能够保留图像中的边缘和细节特征.

基于正则化方法的毫米波图像亮温反演

为了提高毫米波辐射图像的分辨率,该文采用正则化的方法对毫米波图像进行亮温反演。根据毫米波辐射图像的退化因素,分析了毫米波辐射计天线的亮温模型,给出了毫米波图像的离散退化函数。引入半二次正则化方法对毫米波图像进行亮温反演,该方法可以将图像退化函数从病态方程转换成确定性迭代算法,从而快速解出高分辨毫米波辐射图像。仿真结果表明该方法有效地提高了图像的分辨率,且所需时间短,满足实时性的要求。

利用深度学习进行毫米波图像违禁物体识别

毫米波人体成像技术是目前全球安防领域的先进技术,已在美国、英国等国机场用于旅客人身安检。但毫米波图像中违禁物体的高效识别仍然是一个亟待解决的难题,这极大地限制了毫米波成像技术在机场旅客筛选中的应用。文章将深度学习技术应用于毫米波图像,自动判别毫米波图像中是否藏有违禁物品,以及违禁物品藏在身体哪些部位。利用卷积神经网络(Convolutional Neural Network,CNN)对人体的毫米波图像提取特征,然后通过长短期记忆网络(Long Short-term Memory,LSTM)融合多视图图像特征,最后通过多路sigmoid分类器得到人体17个部位分别藏有违禁物品的概率值。实验中,在与训练集和验证集没有交集的测试集上的损失函数值为0.03,经设定阈值后,人体17个部位识别正确率为99.76%,说明了方法的有效性。

一种自适应二值化的毫米波图像边缘检测方法

针对毫米波图像分辨率较低、噪声大、成像物体边缘提取困难等问题,提出了一种基于自适应图像二值化的毫米波图像边缘检测方法。该方法通过对图像直方图的分析,自动地确定两个峰值的位置,得出阈值,对图像进行二值化,再对二值化后的图像进行边缘检测。实验表明,这种方法能较好地检测出毫米波图像中人与物体的边缘信息,同时又去掉了大多数由噪声引起的伪边缘。该方法避免了大量的方差计算,计算量仅为大津法的 50%左右,能够满足自适应性和实时性的要求。

基于卷积神经网络的毫米波图像人体隐匿物检测

本文提出一种基于卷积神经网络的毫米波图像中人体隐匿物检测算法.首先,通过滑动窗选取局部毫米波图像得到正负训练样本,相较于传统的IoU,利用文中提出的IoG指标,不仅可以解决目前毫米波图像数据量不足的问题,而且尽可能扩大正负样本之间的特征差别使得模型泛化能力得到提高.其次,由人工扩展数据集训练的卷积神经网络模型可自动学习到不同种类的隐匿物信息.最后,叠加所有的局部可疑区域得到可疑目标热度图,从而进一步得到隐匿物的位置.使用本文方法对中科院上海微系统提供的728张毫米波图像进行了隐匿物检测实验,训练阶段在局部图像块的验证集上达到了95.6%的查准率和97.6%的召回率,表明了本文提出的IoG指标的有效性和重要性;测试阶段在全图的测试集上达到了88.5%的检测率和13.5%的虚警率,相较于现有的方法,所提出的算法检测率更高、虚警率更低,表明本文方法的有效性和稳健性.