新型Top-hat变换及其在红外小目标检测中的应用

为了简单有效地提高Top-hat变换的目标检测能力,降低噪声及复杂背景对其性能的影响,提出了一类新的Top-hat变换。首先分析了经典Top-hat变换的缺点,然后用两个不同但互相关联的结构元素重新组织经典Top-hat变换的运算形成新型Top-hat变换。接着分析了新型Top-hat变换和经典Top-hat变换的不同,并详细分析了由此产生的新特性。由于新型Top-hat变换中的两个结构元素充分考虑了目标区域与其周围区域的差异,使得新型Top-hat变换不仅能抑制经典Top-hat变换的缺点,而且能增强其目标检测能力。实验结果表明,新型Top-hat变换较经典Top-hat变换和其他常用算法能更好地检测复杂背景下的红外弱小目标。

top-hat变换与庐枞矿集区大地电磁强干扰分离

作为一种非线性信号处理方法,基于数学形态学的广义形态滤波已经展现出其在大地电磁时间域信号去噪中的作用;然而,广义形态滤波在滤除大地电磁时间域信号中噪声波形的同时,也滤除了时间域信号中包含有用信息的缓变化。针对这一问题,提出一种基于数学形态学top-hat变换的大地电磁时间域噪声压制方案,利用top-hat变换对波峰和波谷的检测能力,采用直线型结构元素,对大地电磁时间域信号进行去噪。用该方法对庐枞矿集区大地电磁实测数据进行处理后,数据的标准差与曲线相似性参数都优于处理前数据,表明所提方法能够去除噪声波形并保留时间域信号的缓变化,恢复受噪声污染的大地电磁时间域信号,提高大地电磁视电阻率曲线的质量。

基于CLAHE和top-hat变换的手背静脉图像增强算法

为了克服光强,手背厚度对手背静脉图像的影响,提出一种新的手背静脉图像增强方法,对比度受限的局部直方图均衡(CLAHE)和top-hat变换相结合的方法。在进行CLAHE处理的基础上,利用top-hat变换提取图像的波峰和波谷,并将提取的波峰和波谷进行直方图修正,拉开灰度分布,再与之进行加减运算。实验表明,该算法能得到很清晰的增强效果。

基于新Top Hat变换局部对比度的红外小目标检测

复杂场景下由背景物体产生的虚警是红外小目标检测中的难点,在目标信号微弱时问题尤为突出。为了抑制虚警,提出一种基于局部对比度特征的小目标检测算法。首先,利用一种新型Top Hat变换检测出图像中的潜在目标区域;然后分析潜在目标区域及其邻域特性,计算本文提出的局部对比度特征;最后基于此特征提取目标区域。对合成图像和实际红外图像的实验表明,本算法能有效地抑制背景景物造成的虚警,取得很高的检测率,并且对目标强度的变化以及目标所在背景的变化均具有一定的适应性。

基于Top-Hat变换和四叉树分解理论的SAR图像目标检测方法

SAR图像目标检测方法没有固定的范式,是图像分析、理解和解译的基础。针对含有目标的SAR图像,提出一种基于Top-Hat变换和四叉树分解理论的SAR图像目标检测方法。对含有目标的灰度SAR图像,利用Top-Hat变换减小图像的突变,并使用图像的特征均值和特征方差值作为阈值进行动态阈值的四叉树分解。最后根据目标固有的特征对候选的若干区域选择一个真实的目标,并采用X波段SAR图像验证该方法能够有效地实现SAR图像目标区域的检测。

基于白Top-Hat变换的医学图像局部对比度增强算法

提出了一种简单、高效的医学图像局部对比度增强算法。该算法的主要特点是在对医学图像进行多尺度形态学top-hat变换增强对比度时,仅采用白top-hat变换和用增加亮对比度区域的灰度值方法来代替黑top-hat变换,从而避免了常用形态学增强方法中丢失原始医学图像灰度信息的弊端。通过使用CT,M R医学图像与已有的局部对比度增强典型算法进行实验比较,结果表明,本文算法在增强图像局部对比度和减少计算时间均具有优势。

自适应多尺度开闭平均-hat变换及在轴承故障诊断中的应用

针对传统多尺度形态学分析方法(TMMA)因采用全部尺度的算术平均值作为输出结果而影响故障特征提取的问题,提出了一种自适应多尺度开闭平均hat变换方法,并将其成功应用于轴承故障诊断中.首先,借助单尺度形态学算子、多尺度结构元素和加权运算等手段,构建一种多尺度开闭平均hat变换(MAVGH);随后,通过谱峭度指标确定MAVGH的最优尺度范围,并运用布谷鸟优化算法自适应搜索最优尺度范围内的组合权重系数.仿真和工程应用分析结果表明,对于仿真信号,相比TMMA、WMMG、EMD和小波分析,提出方法的特征频率强度系数(CFIC)分别提高了35.88%、33.91%、31.13%和46.97%;对于应用实例,相比TMMA、WMMG、EMD和小波分析,提出方法的CFIC值分别提高了6.26%、8.06%、2.84%和7.68%.

基于Top-Hat预处理和小波能量分析的车牌定位算法

针对车牌定位不准的问题,提出一种新的数学形态学变换结合小波分析的车牌快速定位方法。该方法对Top-Hat变换图像二值化,然后分别在水平与垂直方向投影,在对投影信号进行一维小波分析的基础上,利用小波多分辨率特性结合车牌位置信息来缩小搜索范围,从而提高了定位精度和实时性。对多幅图像利用该算法进行车牌定位,平均定位时间0.125 s,与其他几种常见算法进行仿真试验比较表明,该算法具有较好的实时性和鲁棒性。

海空背景下红外弱小目标检测方法

针对在海上搜救中弱小目标难以被发现的情况,提出了一种海空背景下红外弱小目标的检测方法.该方法首先进行背景预测,然后将原图像和背景预测后的图像差分进行目标提取,使用Top-Hat变换对目标提取后的差分图像进行滤波处理以去除残余波浪噪声影响,最后使用自适应阈值检测,检测出弱小目标所在的方位.通过和传统的对单帧图像采取Top-Hat变换滤波做法的比较,可以看出该方法可以较好地去除海浪的影响,检测出亮度较高的红外运动弱小目标,辅助海上搜救工作的完成.

基于数学形态学的扫描地图点状符号识别方法

提出了一种基于数学形态学的扫描地图符号双向模板匹配识别方法。试验结果表明,与常规模板匹配法相比,该方法不仅能良好地去除扫描地图上噪声的影响,而且能有效、可靠地识别扫描地图符号,平均正确识别率达90%以上。

复杂背景条件下的红外运动小目标检测算法(英文)

在红外成像制导系统中,运动小目标易受到背景和噪声的严重干扰,从而导致较低的信噪比,给目标检测带来了难度。为此,我们首先使用基于Top-Hat变换的数学形态学滤波对红外数字图像进行背景抑制。进而对经过黑、白Top-Hat变换后的图像求取并集,然后,通过自适应门限分割得到小目标。试验结果表明该方法在信噪比接近2的时候仍能够得到较好的目标检测效果。

一种基于数学形态学的星点提取方法

星点提取是星图数据处理的重要步骤之一，其精度直接影响姿态确定精度。本文将遥感影像处理中的数学形态学引入到星图处理领域，首先分析了数学形态学的基本思想和基本运算；然后针对星图影像的特点，提出了一种基于新型Top—Hat变换的星图星点提取算法，着重分析了新型Top—Hat变换中结构元素的设计；最后进行了真实星图和仿真星图的试验，试验结果验证了算法的正确性和有效性。

基于星相机的高精度卫星姿态计算算法研究

在航空航天技术的具体应用中,星相机是一种重要的卫星姿态设备,其通过拍摄稳定恒星的图像来获取卫星的高精度姿态信息,从而实现卫星姿态的精确控制。因此,基于星相机的卫星姿态计算算法就成为了星敏感器研究的重要内容。为了实现卫星姿态的高精度计算,文中参考并分析了大量的文献,修改了Top-hat变换,并设计出了一个高可靠度、高精度的卫星姿态计算方法。通过数据实验分析证明,该算法可以用于星点提取,实现了3"~9"的高精度姿态计算。

基于数学形态学的测试卡图案识别方法

提出了一种基于数学形态学的双向匹配识别方法,通过对测试运动员的测试卡图案进行识别,试验结果表明该方法不仅能良好地去除测试卡图案上噪声的影响,而且能有效识别测试卡上图案,识别正确率高达95%以上。