改进神经网络的船舶红外图像边缘检测方法

研究改进神经网络的船舶红外图像边缘检测方法,提升边缘检测抗噪声干扰能力。采用块匹配的主成分分析方法对船舶红外图像实施去噪处理后,经梯度算子将降噪后船舶红外图像转换为二值图像;以BP神经网络为基础,通过附加动量法-自适应学习速率调整BP神经网络权值,提高网络训练鲁棒性;将转换后舰船二值图像作为改进神经网络的输入,在实施网络训练后得出输出值,依据输出值和设置阈值的对比结果,获取船舶红外图像边缘点,实现船舶红外图像边缘检测。实验结果表明:该方法降噪后船舶红外图像的PSNR值全部高于40 dB,降噪效果较好;可有效提取船舶红外图像边缘特征且边缘检测结果清晰、连贯,能够达到船舶红外图像边缘检测标准。

复杂海面背景下船舶红外偏振图像融合方法

针对海上船舶目标不清晰导致检测准确率低的问题,提出一种基于深度学习框架的船舶红外与红外偏振图像的融合方法来增强海面船舶弱目标,提高检测准确率。将源图像分为船舶轮廓部分和特征部分,轮廓部分通过加权平均策略进行融合,采用非局部均值对船舶偏振图像进行去噪;特征部分采用VGG网络提取,进而重建融合图像。与传统图像融合方法相比,所提方法能够保留更多的船舶红外与偏振特征,使融合后的图像信息得到增强,并在对比度和信噪比上均有较好提高,为复杂海面背景下的船舶目标检测提供新的方法。