CN101241599A - 红外线列探测器成像中基于列的弱小目标检测方法 - Google Patents
红外线列探测器成像中基于列的弱小目标检测方法 Download PDFInfo
- Publication number
- CN101241599A CN101241599A CNA2008100339829A CN200810033982A CN101241599A CN 101241599 A CN101241599 A CN 101241599A CN A2008100339829 A CNA2008100339829 A CN A2008100339829A CN 200810033982 A CN200810033982 A CN 200810033982A CN 101241599 A CN101241599 A CN 101241599A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- detection
- column
- fkt
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种图像处理技术领域的红外线列探测器成像中基于列的弱小目标检测方法。本发明直接在各探测元扫描而成的每一单列中,根据小目标的特征使用信号处理和模式识别的方法对目标进行检测,不需要先对扫描的场图像进行帧图像重构后再进行目标检测,加快了检测速度,摆脱了图像非均匀性的影响,并且可以在第一时间判断目标是否存在,及早作出响应。本发明中使用了匹配滤波、小波变换和FKT算法对单列进行目标检测,并对其检测结果进行融合,构成了快速、稳健的导引头信号处理单元,有效地捕获场景中的弱小目标。本发明充分利用了扫描图像的特点,大幅提高了使用红外线列扫描器导引头的目标检测效率。
Description
技术领域
本发明涉及一种图像处理技术领域的检测方法,具体是一种红外线列探测器成像中基于列的弱小目标检测方法。
背景技术
红外成像制导是目前实现精确制导技术的重要方法之一。为了尽早发现敌方的飞机、导弹等目标,红外成像制导系统必须尽可能在目标距离很远的时候就将其捕获,因而红外成像制导中的关键技术之一就是准确地将红外图像中远处的弱小目标准确地检测出来。目前红外成像制导技术主要有两种形式,一是采用探测器和旋转光机扫描器相结合的图像扫描制导,二是红外焦平面成像制导。由于前者的成本低,易于小型化,且技术相对成熟,因而目前其仍然具有一定的应用范围。
红外线列探测器是光机扫描制导系统的核心。实际应用的红外线列探测器以固定半径进行圆锥扫描来获取扫描数组,在成像过程中,由于红外线列扫描机构的圆周扫描运动和弹体自旋运动,而获得的扫描数据并没有这些空间信息,所以不能直接利用这些扫描数据获得扫描图像。因此必须利用红外线扫描机构和弹体自旋的一些物理特性以及所得扫描数据进行图像重建,获得可用的真实场景红外图像,随后才可在其中进行目标检测及跟踪。此外,由于线列探测元必须工作在深制冷环境中,而线列组件结构难以保证探测元工作在相同温度下,因而各探测元之间的响应率不一致,导致输出图像中出现条纹分布,这就是红外探测器扫描图像的非均匀性。
由于红外线列探测器的直接输出信号是扫描而成的场图像,从该图像中无法辨认自然场景,难以直接加以利用,只有将多帧场图像经过重构算法重新组合为真实场景的帧图像后,才能运用现有各种红外弱小目标检测算法对其中目标进行检测。
经过对现有技术的文献检索发现,已有若干与“红外小目标检测”相关的技术,如:中国专利申请号为200610028323.7,名称为“基于神经网络和形态学的红外弱小目标单帧检测方法”,专利申请号为200610021067.9,名称为“一种复杂背景下红外图像序列中运动目标的检测方法,但目前所有与“红外小目标检测”相关的专利技术都仅适用于红外面成像,并且尚未发现任何直接应用于红外线列成像中的小目标检测专利技术。如果将已有的红外面成像中目标检测的技术应用于红外线列成像中,则必须首先进行图像重建然后才可进行目标检测。但采用这样的方法则会产生以下几个问题:1.对探测元扫描获得的每一帧场图像都要进行重建,并且进行重建要使用较为复杂的算法,耗费可观的计算量;2.由于红外探测元工作时的非均匀性,重构后图像的质量往往无法保证,需要进一步使用非均匀性校正算法对图像进行修正;3.如果在某一场景下没有目标存在,那么事实上就没有对场图像进行重建的必要。如果对这样的场图像也进行重建就造成了一部分处理时间的浪费。上述问题都将给红外线列探测器的图像信号处理带来困难,或是降低对目标进行检测的效率。因而使用现有的针对红外面成像的小目标检测各算法不能很好的处理红外线列成像中的小目标检测问题。
发明内容
本发明的目的在于针对现有技术的不足,提供一种红外线列探测器成像中基于列的弱小目标检测方法,使其在红外线列探测器成像中,直接在各探测元扫描输出的一维列信号中进行弱小目标检测的方法。本发明不需要先对场图像进行重建,获得真实场景图像后再进行目标检测,可以减少可观的计算量,加快目标检测速度,提高检测效率;通过对各探测元输出列信号进行独立检测,可摆脱探测元响应非均匀性的影响,不需要对图像进行非均匀性校正,对图像质量的变化不敏感,又可节省计算开销;可以在探测器输出信号的第一时间,就判断场景中目标是否存在,及早作出响应,确定目标位置或丢弃无目标的图像。
本发明是通过以下的技术方案实现的,本发明利用红外目标不同于背景杂波的特性,在红外线列探测器所成的图像中,直接在各探测元扫描而成的每一单列中,根据小目标的特征使用信号处理和模式识别的方法对目标进行检测。不需要先对扫描的场图像进行帧图像重构后再进行目标检测。本发明对目标进行检测选用了三种在一维列信号中提取红外小目标的方法,即使用匹配滤波、小波变换高频系数重构和FKT(Fukunaga-Kontz,Transform,人名缩写)变换进行目标检测。匹配滤波利用了目标的灰度分布特性,小波变换利用了目标的频率分布特性,而FKT变换作为一种学习算法,从模式分类的角度对目标和背景进行了分离。三种方法分别从信号处理和模式识别的层面对目标的不同特性加以把握,都能够独立对扫描图像进行目标检测。为了获得更为鲁棒的检测效果,消除可能产生的虚警,对三种方法各自的检测结果再进行融合,形成一套完整的红外线列探测器成像目标检测方案。
所述使用匹配滤波进行目标检测,是指:红外小目标受其物理特性所限,在图像中的表现具有一定的规律性。红外小目标可以使用高斯灰度分布函数进行建模,因而可以构建一个符合高斯灰度函数的目标模板,并通过匹配滤波器在一维列信号中将与目标模板接近的目标检测出来。
所述使用小波变换高频系数重构进行目标检测,是指:红外小目标通常表现为图像信号中的突变点,对应于图像中的高频分量。小波变换是分析信号时频特性的有力工具,通过对探测器成像中的每一列信号进行一维离散小波变换可以得到相应的高频和低频系数。为了分离高频目标信号和频率相对较低的低频背景信号,提取出小波系数中幅值较大的高频系数,使用其进行信号重构,就可以保留图像中的目标区域,并大幅抑制背景。
所述使用FKT变换进行目标检测,是指:匹配滤波、小波变换高频系数重构都是从信号处理的角度对列像素进行处理的。事实上,对小目标的检测还可以看作一个二类模式分类的问题,即区分出目标类和背景类。FKT变换是一种很好的处理两类识别的算法,可以使用FKT变换进行目标检测方法。对于红外线列探测器扫描图像而言,使用预先生成的一维的目标训练样本训练FKT算法的参数,就可以在图像的每一列中区分目标类和背景类,完成对于目标的检测。
所述对三种方法各自的检测结果再进行融合,是指:使用了上述三种方法对扫描图像进行处理后,会各自生成一幅检测图像,其中目标区域的信噪比已经得到了很大的增强,而背景杂波则被大幅抑制,因而此时可以很容易地将目标区分出来。对每幅检测图像设定一个阈值分割出目标区域,由此可以确定各方法独立判定的目标位置。
不论是什么目标检测方法,要想达到100%的检测准确率几乎是不可能的。因此为了进一步提高在红外线列扫描图像中目标检测准确率,需要对以上方法各自给出的检测结果进行综合判断,得到一个融合结果,同时还不能增加过多计算量。对于同一幅图像,各方法会给出各自对目标位置的判定。将各判定位置进行相互比较,如果各判定结果完全一致,则认为该位置即为目标;如果各结果中只有两个一致,则将这两个结果判定的目标位置作为最终输出;如果三个方法结果完全不一致,则认为经各方法检测后目标区域信噪比最大的检测结果最具有说服力,并将其作为最终检测输出。
从计算量角度来考虑,匹配滤波的计算量较小,执行速度很快;对信号进行小波变换则可以使用快速Mallat(人名)算法,能够达到实时要求;而对于FKT变换而言,其参数训练过程完全可通过离线处理完成,需要在线处理的代码成分很小,因而三种方法经程序优化都可以满足实时性要求。此外,由于这些方法都对同一帧红外扫描图像进行处理,因而还可对程序进行优化使其能够并行处理,进一步缩减运行时间。
本发明正是针对现有技术在红外线列成像中进行目标检测的不足,提出了有别于已有目标检测技术的基于列的目标检测方法,使其对于在红外线列探测器成像中进行目标检测的效率大大提高。根据本发明中基于列的目标检测思路,线列探测器的成像特点得到了充分的利用,能够高效、快速地完成对于目标的检测;而根据这一思路所选用的三种信号处理和模式分类方法,则从不同的侧面把握了目标信号的特征,经过其各自的判断和整体的融合后,可以稳健地将图像中的小目标检测出来。因而对于使用红外线列探测器的导引头而言,本发明可构成一个快速、稳健的信号处理单元,有效地捕获场景中的弱小目标。
附图说明
图1为本发明一个实施例的示意图
其中:(a)为原始线列扫描器成像,其中包含一微弱小目标;(b)(c)(d)分别为本发明中使用匹配滤波、小波变换和FKT变换进行检测后的输出结果;(e)为本发明中将三种结果融合后的最终目标位置。
图2为本发明另一个实施例的示意图
其中:(a)为原始另一线列扫描器成像,其中包含的小目标极其微弱,几乎难以分辨;(b)(c)(d)分别为本发明中使用匹配滤波、小波变换和FKT变换进行检测后的输出结果;(e)为本发明中将三种结果融合后的最终目标位置。
具体的实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明实施例采用C语言实现,在具有Intel CPU 1.8GHz,内存512MB的Pentium IV个人电脑上对大小为128×154的线列扫描图像进行测试。该线列图像通过128像元的中波红外线列探测器,以固定半径进行圆锥扫描获得。实施过程如下:
1.使用匹配滤波器进行目标检测
由于目标信号的灰度呈近似高斯分布,在本实例中根据经验选取函数 t∈[-3,3]描述已知目标信号。在扫描图像的每一列信号中对已知的目标信号进行匹配运算。将匹配运算后的结果作为检测输出,则输出图像中与信号模型相似的目标区域的对应着输出峰值,而背景区域的输出值较小。
2.使用小波变换高频系数重构进行目标检测
根据实验选用db5小波,对扫描图像的每一列信号进行一维的4级小波分解,获得信号的近似低频系数A3和高频系数Di,i=1,2,3。将A3置零,并为Di设置阈值Ti=0.8Di,i=1,2,3,将低于该阈值的Di也置零,仅对剩余的Di进行信号重构,并将重构后的图像作为输出。此时的输出图像中仅剩余了目标区域和少量的噪声点,而低频背景信号已被抑制。
3.使用FKT变换进行目标检测
离线处理部分:首先利用高斯灰度函数随机生成FKT变换所需要的一维的小目标信号训练样本121个,从真实扫描图像的列中提取出一维背景信号训练样本121个,设定每一个样本向量的长度为11。使用这些样本并对FKT变换算法进行训练后,可以得到一个11×11的矩阵T,将T矩阵的数值保存下来。
在线处理部分:经离线处理得到矩阵T后,即可使用FKT变换进行分类运算。对扫描图像的每一列都执行FKT变换中给出的分类计算步骤,则与目标训练样本相似的目标区域和与背景训练样本相似的背景区域就能够明显地区分开。将其分类的结果作为输出图像中,其中目标区域的灰度值较大而背景区域的灰度值较小。
4.分割输出图像
经过上述的处理,原始图像中的背景已经被大大抑制,而目标区域的信噪比得到了很大的提升。对每一幅输出图像设定阈值Si=0.8Gi,i=1,2,3,其中Gi为输出图像中的灰度最大值。根据该阈值对图像进行分割,由此得到对应的二值图像,设目标区域的值为1,背景区域的值为0。
5.判定结果融合
将对应于各检测方法的二值图像中的目标区域进行位置比对。将三幅二值图像进行叠加运算,则叠加后的图像中只可能出现3、2、1、0四个值。
如果叠加图像中的最大值为3,说明3对应的区域被三种方法同时判决为目标区域,因而结果一致,将其认定为目标区域;
如果叠加图像中的最大值为2,说明2对应的区域被两种方法判定为目标区域,虽然与另一种方法的判决有分歧,但由于多数方法判定其为目标,因而依然认定其为目标区域;
如果叠加图像中的最大值为1,说明三种方法各自的判决完全不同。此时无法直接作出最终判决,因而回到输出图像中,计算各自检测后目标区域的信噪比。认为具有最大信噪比的目标区域最具有说服力,因而将其作判定为最后的检测输出。
使用这样的融合方式只需要少量的计算,能够最大程度地减低判决过程的计算量。
图1为本发明一个实施例的示意图:其中,(a)为原始线列扫描器成像,其中包含一微弱小目标,手工绘制的方框指明了目标位置;(b)(c)(d)分别为本发明中使用匹配滤波、小波变换和FKT变换进行检测后的输出结果。各图像中手工绘制的方框指明了各自给出的目标位置,目标位置对应着输出图像中的灰度最大值,并且三种结果输出一致;(e)为本发明中将三种结果融合后的最终目标位置,即手工绘制方框内的白点。
图2为本发明另一个实施例的示意图:其中,(a)为原始另一线列扫描器成像,其中包含的小目标极其微弱,几乎难以分辨,手工绘制的方框指明了目标位置;(b)(c)(d)分别为本发明中使用匹配滤波、小波变换和FKT变换进行检测后的输出结果,各图像中手工绘制的方框指明了各自给出的目标位置,目标位置对应着输出图像中的灰度最大值,但由于目标相当微弱,三种结果输出不完全一致;(e)为本发明中将三种结果融合后的最终目标位置,即手工绘制方框内的白点。
红外线列探测器通过各探测元对空间进行扫描获得扫描图像,但是直接的扫描图像不含空间信息,无法从该图像中辨认自然场景,难以直接加以利用,因而只有将多帧场图像经过重构方法重新组合为真实场景的帧图像后,才能够运用现有的各种红外弱小目标检测方法对其中的目标进行检测。但是这样的信号处理流程不仅需要对每一帧场图像都进行重建,而且由于探测元工作时的非均匀性,重构的图像质量往往无法保证,需要进一步使用非均匀性校正方法对图像进行修正。此外,如果场景中没有目标的存在,则事实上就没有对场图像进行重建的必要。这些问题都给红外线列探测器成像中的目标检测带来困难,降低了效率。针对这样的问题,本发明直接在各探测元扫描而成的每一单列中,根据小目标的特征使用信号处理和模式识别的方法对目标进行检测,不需要先对扫描的场图像进行帧图像重构后再进行目标检测,加快了检测速度,摆脱了图像非均匀性的影响,并且可以在第一时间判断目标是否存在,及早作出响应。本发明中使用了匹配滤波、小波变换和FKT方法对单列进行目标检测,并对其检测结果进行融合,构成了快速、稳健的导引头信号处理单元,有效地捕获场景中的弱小目标。本发明充分利用了扫描图像的特点,大幅提高了使用红外线列扫描器导引头的目标检测效率。
Claims (6)
1.一种红外线列探测器成像中基于列的弱小目标检测方法,其特征在于,在红外线列探测器所成的图像中,直接在各探测元扫描而成的每一单列中,根据小目标的特征使用信号处理和模式识别的方法对目标进行检测,即在扫描图像的每一列中,对其分别使用匹配滤波、小波变换和FKT变换进行目标检测,然后对匹配滤波、小波变换和FKT变换的检测结果进行融合,将融合结果作为最终检测输出。
2.根据权利要求1所述的红外线列探测器成像中基于列的弱小目标检测方法,其特征是,所述使用匹配滤波进行目标检测,是指:红外小目标使用高斯灰度分布函数进行建模,构建一个符合高斯灰度函数的目标模板,并通过匹配滤波器在一维列信号中将与目标模板接近的目标检测出来。
3.根据权利要求1所述的红外线列探测器成像中基于列的弱小目标检测方法,其特征是,所述使用小波变换高频系数重构进行目标检测,是指:通过对探测器成像中的每一列信号进行一维离散小波变换得到相应的高频和低频系数,提取出小波系数中幅值大的高频系数,使用其进行信号重构,就能保留图像中的目标区域,并大幅抑制背景。
4.根据权利要求1所述的红外线列探测器成像中基于列的弱小目标检测方法,其特征是,所述使用FKT变换进行目标检测,是指:对于红外线列探测器扫描图像,使用预先生成的一维的目标训练样本训练FKT算法的参数,在图像的每一列中区分目标类和背景类,完成对于目标的检测。
5.根据权利要求1所述的红外线列探测器成像中基于列的弱小目标检测方法,其特征是,所述对匹配滤波、小波变换和FKT变换的检测结果进行融合,是指:分别使用了匹配滤波、小波变换和FKT变换方法对扫描图像进行处理后,会各自生成一幅检测图像,其中目标区域的信噪比已经得到了很大的增强,而背景杂波则被大幅抑制,很容易地将目标区分出来,对每幅检测图像设定一个阈值分割出目标区域,由此确定各方法独立判定的目标位置,然后将各判定结果进行匹配和对比,经融合确定最终的目标位置。
6.根据权利要求5所述的红外线列探测器成像中基于列的弱小目标检测方法,其特征是,所述将各判定结果进行匹配和对比,是指:将各判定位置进行相互比较,如果各判定结果完全一致,则认为该位置即为目标,如果各结果中只有两个一致,则将这两个结果判定的目标位置作为最终输出,如果三个方法结果完全不一致,则认为经各方法检测后目标区域信噪比最大的检测结果最具有说服力,并将其作为最终检测输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100339829A CN101241599A (zh) | 2008-02-28 | 2008-02-28 | 红外线列探测器成像中基于列的弱小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100339829A CN101241599A (zh) | 2008-02-28 | 2008-02-28 | 红外线列探测器成像中基于列的弱小目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101241599A true CN101241599A (zh) | 2008-08-13 |
Family
ID=39933099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008100339829A Pending CN101241599A (zh) | 2008-02-28 | 2008-02-28 | 红外线列探测器成像中基于列的弱小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101241599A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799875A (zh) * | 2010-02-10 | 2010-08-11 | 华中科技大学 | 一种目标检测方法 |
CN101882314A (zh) * | 2010-07-20 | 2010-11-10 | 上海交通大学 | 基于超完备稀疏表示的红外小目标检测方法 |
CN101957993A (zh) * | 2010-10-11 | 2011-01-26 | 上海交通大学 | 自适应红外小目标检测方法 |
CN101344967B (zh) * | 2008-09-02 | 2011-03-16 | 西北工业大学 | 天文图像中弱小动目标的检测方法 |
CN101520891B (zh) * | 2009-03-17 | 2011-08-17 | 西北工业大学 | 星空图像目标轨迹检测方法 |
CN102291521A (zh) * | 2011-04-28 | 2011-12-21 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于红外线列探测器的图像数据处理方法 |
CN101968382B (zh) * | 2010-01-20 | 2012-05-09 | 南通大学 | 一种焦平面探测器读出信号的数字信号处理方法 |
CN102735347A (zh) * | 2012-06-06 | 2012-10-17 | 合肥工业大学 | 目标跟踪红外凝视层析成像方法及装置 |
CN103617630A (zh) * | 2013-12-18 | 2014-03-05 | 国网重庆潼南县供电有限责任公司 | 基于小波分析的电力系统设备红外图像分割方法及系统 |
WO2014044201A1 (zh) * | 2012-09-21 | 2014-03-27 | Wang Hao | 热成像信息记录装置和热成像信息记录方法 |
CN104268835A (zh) * | 2014-09-23 | 2015-01-07 | 西安电子科技大学 | 一种基于图像几何分离的红外弱小目标增强方法 |
CN104657959A (zh) * | 2013-11-25 | 2015-05-27 | 北京环境特性研究所 | 一种基于小波变换抑制的海面亮带的方法 |
CN105069406A (zh) * | 2015-07-23 | 2015-11-18 | 南京信息工程大学 | 基于优化的核Fukunaga-Koontz变换的人脸识别方法 |
CN105139432A (zh) * | 2015-08-05 | 2015-12-09 | 西安电子科技大学 | 基于高斯模型的红外弱小目标图像仿真方法 |
CN108549077A (zh) * | 2018-03-20 | 2018-09-18 | 西安电子工程研究所 | 一种雷达导引头扫描方法 |
CN112861877A (zh) * | 2021-01-20 | 2021-05-28 | 沈阳理工大学 | 一种基于飞行载体的红外简易图像识别方法 |
-
2008
- 2008-02-28 CN CNA2008100339829A patent/CN101241599A/zh active Pending
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101344967B (zh) * | 2008-09-02 | 2011-03-16 | 西北工业大学 | 天文图像中弱小动目标的检测方法 |
CN101520891B (zh) * | 2009-03-17 | 2011-08-17 | 西北工业大学 | 星空图像目标轨迹检测方法 |
CN101968382B (zh) * | 2010-01-20 | 2012-05-09 | 南通大学 | 一种焦平面探测器读出信号的数字信号处理方法 |
CN101799875A (zh) * | 2010-02-10 | 2010-08-11 | 华中科技大学 | 一种目标检测方法 |
CN101799875B (zh) * | 2010-02-10 | 2011-11-30 | 华中科技大学 | 一种目标检测方法 |
CN101882314A (zh) * | 2010-07-20 | 2010-11-10 | 上海交通大学 | 基于超完备稀疏表示的红外小目标检测方法 |
CN101882314B (zh) * | 2010-07-20 | 2012-06-20 | 上海交通大学 | 基于超完备稀疏表示的红外小目标检测方法 |
CN101957993A (zh) * | 2010-10-11 | 2011-01-26 | 上海交通大学 | 自适应红外小目标检测方法 |
CN102291521A (zh) * | 2011-04-28 | 2011-12-21 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于红外线列探测器的图像数据处理方法 |
CN102291521B (zh) * | 2011-04-28 | 2014-04-30 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于红外线列探测器的图像数据处理方法 |
CN102735347A (zh) * | 2012-06-06 | 2012-10-17 | 合肥工业大学 | 目标跟踪红外凝视层析成像方法及装置 |
CN102735347B (zh) * | 2012-06-06 | 2014-01-22 | 合肥工业大学 | 目标跟踪红外凝视层析成像方法及装置 |
WO2014044201A1 (zh) * | 2012-09-21 | 2014-03-27 | Wang Hao | 热成像信息记录装置和热成像信息记录方法 |
CN104657959A (zh) * | 2013-11-25 | 2015-05-27 | 北京环境特性研究所 | 一种基于小波变换抑制的海面亮带的方法 |
CN103617630A (zh) * | 2013-12-18 | 2014-03-05 | 国网重庆潼南县供电有限责任公司 | 基于小波分析的电力系统设备红外图像分割方法及系统 |
CN104268835A (zh) * | 2014-09-23 | 2015-01-07 | 西安电子科技大学 | 一种基于图像几何分离的红外弱小目标增强方法 |
CN104268835B (zh) * | 2014-09-23 | 2017-07-18 | 西安电子科技大学 | 一种基于图像几何分离的红外弱小目标增强方法 |
CN105069406A (zh) * | 2015-07-23 | 2015-11-18 | 南京信息工程大学 | 基于优化的核Fukunaga-Koontz变换的人脸识别方法 |
CN105069406B (zh) * | 2015-07-23 | 2018-06-01 | 南京信息工程大学 | 基于优化的核Fukunaga-Koontz变换的人脸识别方法 |
CN105139432A (zh) * | 2015-08-05 | 2015-12-09 | 西安电子科技大学 | 基于高斯模型的红外弱小目标图像仿真方法 |
CN105139432B (zh) * | 2015-08-05 | 2018-03-06 | 西安电子科技大学 | 基于高斯模型的红外弱小目标图像仿真方法 |
CN108549077A (zh) * | 2018-03-20 | 2018-09-18 | 西安电子工程研究所 | 一种雷达导引头扫描方法 |
CN108549077B (zh) * | 2018-03-20 | 2021-09-17 | 西安电子工程研究所 | 一种雷达导引头扫描方法 |
CN112861877A (zh) * | 2021-01-20 | 2021-05-28 | 沈阳理工大学 | 一种基于飞行载体的红外简易图像识别方法 |
CN112861877B (zh) * | 2021-01-20 | 2023-06-27 | 沈阳理工大学 | 一种基于飞行载体的红外简易图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101241599A (zh) | 红外线列探测器成像中基于列的弱小目标检测方法 | |
Chadwick et al. | Distant vehicle detection using radar and vision | |
CN106056751B (zh) | 冠字号码的识别方法及系统 | |
CN104408707B (zh) | 一种快速数字成像模糊鉴别与复原图像质量评估方法 | |
CN102704215B (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
CN102496016B (zh) | 一种基于时空协同框架的红外目标检测方法 | |
CN107392136B (zh) | 一种基于特征自适应震荡衰减的签名真伪性鉴别系统 | |
CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
Moalla et al. | Application of convolutional and recurrent neural networks for buried threat detection using ground penetrating radar data | |
CN106326860A (zh) | 基于视觉的手势识别方法 | |
Fei et al. | A novel visual attention method for target detection from SAR images | |
CN102096824A (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
CN107203743B (zh) | 一种人脸深度跟踪装置及实现方法 | |
CN105354856A (zh) | 一种基于mser与orb相结合的人体匹配与定位方法及系统 | |
Tian et al. | Human Detection using HOG Features of Head and Shoulder Based on Depth Map. | |
CN104143102A (zh) | 在线图像数据处理方法 | |
Gao et al. | Biologically inspired progressive enhancement target detection from heavy cluttered SAR images | |
Palenichka et al. | Multi-scale segmentation of forest areas and tree detection in LiDAR images by the attentive vision method | |
CN110490153B (zh) | 一种基于三维动态特征的离线笔迹个体识别系统及方法 | |
CN113298007B (zh) | 一种小样本sar图像目标识别方法 | |
CN112949380B (zh) | 一种基于激光雷达点云数据的智能水下目标识别系统 | |
CN110334727A (zh) | 一种隧道裂缝智能匹配检测方法 | |
CN101369308B (zh) | 基于视觉选择注意和像素依赖的无监督变化检测方法 | |
Wei et al. | CFPA-Net: cross-layer feature fusion and parallel attention network for detection and classification of prohibited items in x-ray baggage images | |
JP3499807B2 (ja) | レーダにおける目標の類識別方法及び装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20080813 |