用于无人机探测系统的红外小目标检测算法

为了解决无人机探测系统中目标检测算法在不同场景下适用性差、虚警率高的问题,采用可应用于不同复杂背景的红外小目标检测算法,设计了一种基于现场可编程门阵列与数字信号处理器架构的无人机探测系统。首先利用双边滤波算法平滑背景,保留目标区域边缘;再使用改进的多尺度顶帽算法进行目标增强和背景抑制,来提高目标区域与周围区域的差异对比;最后使用基于最大值和平均值的自适应阈值分割方法提取目标。结果表明,实验测得系统的检测率为98.15%,整体时延为33.33 ms,与现有典型红外小目标检测算法相比,该算法的信噪比增益和背景抑制因子分别平均提高6.8倍和7.44倍,有效地抑制了背景,增强了目标。该算法能有效解决复杂背景下的红外小目标检测问题,对提高无人机探测系统在不同场景下的适用能力与检测能力是有帮助的。

基于光学遥感图像的船舶目标检测技术研究

首先分析基于光学遥感图像的船舶目标检测流程,然后利用Top-Hat算法进行目标图像增强,并设计检测系统结构元尺寸自适应选择算法,以此来克服光学遥感图像的不均匀性和局部背景的粗糙性。最后进行不同海况的船舶目标检测试验。试验结果表明,本文算法虽然在实现过程中较阈值分割算法要复杂,但其适用范围更广,并且能够有效提高复杂海况下船舶目标检测的准确率。

红外序列图像的小目标检测

在红外序列图像中识别规则变化小目标时,传统Top-hat算法是常用的目标检测方法,但是可能会检测到很多虚假目标,而且目标发生变化时不能稳定检测。为了准确检测目标,提出一种红外序列图像中规则变化的小目标检测方法。首先对序列图像利用SIFT算法提取特征点,然后利用RANSAC算法进行特征匹配,拼接形成全景图像,结合对单帧图像利用改进的Top-hat算法进行小目标检测,并且标记,最后根据标记的统计结果得到真实目标位置。

一种红外可见光图像融合及其目标识别方法

为结合红外图像和可见光图像对目标检测识别的优点,提出了一种红外可见光图像融合及其目标识别方法.该方法根据数学形态学算法获得局部感兴趣区域,减少图像特征点生成范围,提高效率;通过使用基于多模态图像尺度与部分灰度不变图像特征算法建立合适的特征点定位和描述;最终根据局部不变性匹配原则,实现图像误匹配消除,得到配准关系.实验结果表明,本文方法能实现融合图像多目标的检测识别,其精度好,有一定的应用前景.

具有光照强度不变性的显微细胞图像处理算法

显微图像受光源光照强度的影响很大,研究了不受光照强度影响的显微细胞图像的增强技术。对显微灰度图像,用Top Hat算法对细胞进行了突出;对于显微彩色图像,先由图像的RGB空间变换到IHS(Intensity,HueandSaturation)空间,然后,通过对分量提取细胞的颜色信息。实验表明,以上两种方法消除了光照强度变化对图像的影响。

基于改进Hessian矩阵的冠脉造影图像增强算法研究

冠脉造影图像易受多种因素影响,如血管厚度变化巨大,背景噪声复杂,光照强度不均匀等。与其他医学图像相比,冠脉造影图像的处理难度比较大。通过使用多尺度Hessian矩阵血管检测方法,会导致血管附近产生大量的背景噪声,以及细微血管变模糊甚至丢失,影响到实验结果的准确性。本文提出了一种多尺度Hessian矩阵改进方法进行冠脉造影图像血管增强,该方法结合了形态学top-hat算法,实验结果证明了此方法的有效性。