CN107301419A - 一种基于百分比击中击不中变换的红外弱小目标检测方法 - Google Patents
一种基于百分比击中击不中变换的红外弱小目标检测方法 Download PDFInfo
- Publication number
- CN107301419A CN107301419A CN201710381548.9A CN201710381548A CN107301419A CN 107301419 A CN107301419 A CN 107301419A CN 201710381548 A CN201710381548 A CN 201710381548A CN 107301419 A CN107301419 A CN 107301419A
- Authority
- CN
- China
- Prior art keywords
- mrow
- target
- matching degree
- per
- pixel
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本发明属于无人机目标的检测方法领域,具体涉及一种基于百分比击中击不中变换的红外弱小目标检测方法。具体包括1)选取训练样本;2)确定选取样本的前景结构元素FG和背景结构元素BG;3)确定待检测目标与结构元素最小匹配度P;4)读取待检测视频,计算最大匹配度Per;5)比较最小匹配度P与最大匹配度Per,分离图像目标与背景;6)显示检测结果,并读入下一帧图像,重复步骤4‑5。本发明应用百分比击中击不中变换对红外弱小目标进行检测,不仅抗噪声性能好,并且达到了高检测率、低虚警率的检测效果。
Description
技术领域
本发明属于无人机目标的检测方法领域,特别涉及一种基于百分比击中击不中变换的红 外弱小目标检测方法。
背景技术
随着军事高科技的飞速发展,以精确制导导弹为代表的各种精确制导武器在现代战场中 发挥了越来越强大的威力,对军事要地和飞机、军舰等高价值作战平台的安全构成了严重的 威胁。大量的事实表明,若不能及时发现并对抗来袭目标,火力再强的作战平台也只能是导 弹的攻击目标。可见,为了确保军事要地和高价值作战平台的安全并增强其生存能力,必须 对来袭目标进行有效的检测、跟踪和对抗。
早期的目标检测与跟踪系统主要是以雷达为代表的主动探测系统,其具有作用距离远, 全天候工作的优点。然而,由于本身固有的对外辐射特性,使得雷达探测系统存在容易暴露 己方作战平台从而容易受到反辐射导弹攻击的缺点。红外探测器自身不辐射能量,仅以被动 的方式接收目标辐射的热能探测目标,因此较雷达探测系统而言,红外探测系统具有隐蔽性 好、抗电磁干扰能力强的优点。因此,利用红外成像技术检测和跟踪来袭目标能够在雷达探 测系统被干扰的情况下,辅助甚至取代雷达工作。
复杂背景下红外弱小目标检测跟踪技术就是在背景图像灰度分布不平稳、目标强度显著 小于背景强度的条件下,研究并开发出小目标检测跟踪所涉及的背景抑制、目标检测和目标 跟踪等一系列的理论和技术。具体而言,其主要理论和技术难点有以下几个方面:
远距离目标通常受到复杂背景的干扰,因此红外传感器获取的图像信噪比很低;由于弱 小目标在图像中所占的像素非常少,因此无形状、尺寸和纹理等信息可以利用,从而很难采 用传统的目标检测技术检测目标;在实战中,被探测的目标的运动轨迹具有随机性,并且其 机动性往往很高,再加上非高斯过程噪声的影响,使得传统的跟踪算法对实际的高机动目标 跟踪效果不够理想;随着系统性能指标要求的不断提高,所需处理图像的分辨率越来越大, 相应的算法也越来越复杂,从而造成了各检测跟踪算法的运算量和存储量呈几何倍增长。
目前,国内外研究人员提出的许多检测方法均需要利用目标的运动信息或纹理信息,例 如:光流法、帧间差分法、背景消减法、纹理特征方法等等。而对空中的无人机目标,其成 像面积较小,没有纹理信息可以利用,悬浮姿态时没有运动信息可以利用,而且红外成像系 统噪声形式复杂,成像距离远,因此无人机目标在图像中表现形式小且信噪低,为了克服这 些问题,研究者提出了一种将百分比击中击不中变换应用与红外噪声图像中无人机目标的检 测。
申请公布号为CN103729854A的发明公开了一种基于张量模型的红外弱小目标检测方法。 通过建立张量检测模型,避免的对复杂背景及微弱信噪比的目标进行识别带来的困难。
申请公布号为CN105551060A的发明公开了一种基于时空显著性和四元余弦变换的红外 弱小目标检测方法。采用SODD滤波器把具有局部方向性的杂波滤波为类条状分布的背景杂波, 得到四幅二阶方向导数图,通过两组相互垂直的通道分别相乘,得到两个特征通道图,加入强 度特征通道图和运动特征通道图,共同组成一个四元组,用四元余弦变换的符号函数的反四元 余弦变换得到最终的红外弱小目标检测结果。
申请公布号为CN105931235A的发明公开了一种基于复数滤波器的海空红外图像弱小目 标检测方法。以复数Scharr滤波器为滤波模板,并使用该模板,与红外图像进行相关运算求得 复数梯度图像,沿梯度的反向方向作直线,汇聚点多的位置经一定的后处理得到红外弱小目标 位置。
发明内容
本发明的目的在于提供解决如何在低信噪比条件提高有效检测效果问题的一种基于百分 比击中击不中变换的红外弱小目标检测方法。
本发明的基本思路:
灰度情况下的击中击不中变换并非递增变换,因此对灰度图像的连续截面作连续击中击 不中变换并不能确定灰度图像的子图,对于一副二维图像X而言,当结构元素位于给定像素 (x∈E)处时,前景结构元素(FG)从第0级到给定级tFG自下而上与图像截面(图像在灰度级t 处的截面定义为灰度值大于或等于t的图像像素集合)匹配,而背景结构元素(BG)则从tmax级 到给定级tBG自上而下与图像截面进行匹配。则像素点(x)表现为“击中”的定义为:前景结 构元素(FG)在(x)处从0到tFG间的每一灰度级下都与图像对应灰度级下截面完全匹配,背景 结构元素(BG)在(x)处从tmax到tBG间的每一个灰度级下都与图像对应灰度级下截面的补集完 全匹配,若tFG>tBG,则该像素点表现为“击中”;否则,表现为“击不中”,击中击不中变换 能够抽取图像中与给定邻域结构相匹配的所有像素,但是只有图像上像素点与给定邻域结构 匹配程度达到百分百时,该点才能被检测出来,在有噪声的情况下,仅仅一个噪声点的影响 都可能导致目标错检或者漏检,因此,当放宽给定结构元素与图像邻域结构对于完全匹配这 个约束条件,当图像像素点与结构元素达到一定程度匹配就表现为“击中”,该条件下的击中 击不中变换为百分比击中击不中变换,百分比击中击不中变换能够有效提高检测性能,但结 构元素与目标匹配程度不易确定且容易造成大量的虚假目标,本发明就这个问题提供了解决 方案。
一种基于百分比击中击不中变换的红外弱小目标检测方法,包括以下步骤:
(1)训练样本的选取:对包含目标的10幅图片进行处理,人工裁剪出统一大小为15×15 的目标样本;
(2)结构元素的确定:把其中5个样本二值化,通过做“与”操作确定对应的前景结构 元素(FG)和背景结构元素(BG);
(3)待检测目标与结构元素最小匹配度P值的确定:用FG和BG对其余5个训练样本进行训练,绘制出每个样本在不同灰度级(t)下与结构元素FG和BG匹配程度的曲线,并由此确定每个样本与结构元素的最大匹配度(Per),把样本的Per值进行比较,其中最小的Per值 即为待检测目标与结构元素的最小匹配度(P);
(4)读取待检测视频,计算最大匹配度:从视频的第一帧开始,每次处理读取一帧图像, 用FG和BG扫描图像上的每个像素,计算每个像素邻域与结构元素对(FG和BG)的最大匹配 度(Per);
(5)分离图像目标与背景:将图像上每个像素邻域与结构元素对的最大匹配度(Per)与 进行比较,当Per≥P时,表现为“击中”,当Per<P时,表现为“击不中”,从而达到分离 目标与背景的目的;
(6)显示检测结果,并读入下一帧图像,重复步骤4-5。
本发明的有益效果:利用百分比击中击不中变换实现复杂噪声背景,低信噪比条件下的 弱小目标检测,本发明不需要进行背景抑制等预处理手段,抗噪声性能好,检测率高,能够 有效解决天空背景下的红外弱小目标检测问题。
附图说明
图1为一种基于百分比击中击不中变换的红外弱小目标检测方法的流程图;
图2(a)~(e)分别为5个样本目标区域的Per曲线图;
图3(a)~(d)分别为待检测视频的第50帧、第150帧、第250帧、第350帧;
图4(a)~(d)分别为待检测视频的第50帧、第150帧、第250帧、第350帧的检测效果图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明的具体过程:
步骤1:训练样本的选取:对包含目标的10幅图片进行处理,人工裁剪出统一大小为 15×15的目标样本;
步骤2:结构元素的确定:把其中5个样本二值化,通过做“与”操作确定对应的前景结构元素(FG)和背景结构元素(BG);
步骤3:待检测目标与结构元素最小匹配度P值的确定:用FG和BG对其余5个训练样本进行训练,绘制出每个样本在不同灰度级(t)下与结构元素FG和BG匹配程度的曲线,并由此确定每个样本与结构元素的最大匹配度(Per),把样本的Per值进行比较,其中最小的Per 值即为待检测目标与结构元素的最小匹配度(P);
步骤4:读取待检测视频,计算最大匹配度:从视频的第一帧开始,每次处理读取一帧 图像,用FG和BG扫描图像上的每个像素,计算每个像素邻域与结构元素对(FG和BG)的最大匹配度(Per);
步骤5:分离图像目标与背景;将图像上每个像素邻域与结构元素对的最大匹配度(Per) 与进行比较,当Per≥P时,表现为“击中”,当Per<P时,表现为“击不中”,从而达到分离目标与背景的目的;
步骤6:显示检测结果,并读入下一帧图像,重复步骤4-5。
步骤1~3为样本的训练过程:其中步骤3中对于(P)值的确定具体实现步骤如下:
步骤(3-1):求出样本区域灰度最小值(tmin)与最大值(tmax),灰度级(t)的变化范围为 [tmin,tmax];
步骤(3-2):计算前景与背景结构集合中的元素个数:Card(FG),Card(BG);
步骤(3-3):前景结构元素(FG)在像素(x)处,对应某一灰度级t的像素邻域截面{I(x+fg)≥t}中与对应结构元素像素集合中值相等的元素个数为:
cardfg(x)=Card{fg∈FG|I(x+fg)≥t} (1)
背景结构元素(BG)在像素(x)处,对应某一灰度级t下的像素邻域截面的补集 {I(x+bg)<t}中与对应结构元素像素集合中值相等的元素个数为:
cardbg(x)=Card{bg∈BG|I(x+bg)<t} (2)
在像素(x)处,对应某一灰度级t下的前景结构匹配度(Perfg(x))与背景结构匹配度 (Perbg(x))定义为:
以FG和BG覆盖训练样本,此时x为样本中心,使t从tmin循环到tmax,根据上述四个公式 计算每一灰度级(t)下样本的Perfg(x)和Perbg(x),以灰度级t为横坐标,Perfg(x)和Perbg(x) 为纵坐标,绘制出对应的匹配曲线,从曲线上可以看出在(x)处,Perfg(x)随着灰度级t的增 加而减小,Perbg(x)随着灰度级t的增加而增加,则二者在某灰度级下将会相等,把该灰度级 下的匹配度定义为该样本区域与结构元素的最大匹配度(Per),把Perfg(x)作为横坐标, Perbg(x)作为纵坐标,曲线与过原点45度直线交点为Per,还可通过以下公式求取:
步骤(3-4):比较5个样本与结构元素的最大匹配度(Per),把其中的最小值作为待检测 目标与结构元素的最小匹配度(P)。
步骤4~5是读取图像并检测的过程,从视频的第一帧开始,每次处理读取一帧图像,用FG 和BG扫描图像上的每个像素(x),计算每个像素(x)邻域与结构元素的最大匹配度(Per),将 图像上每个像素(x)邻域与结构元素的最大匹配度(Per)与进行比较,当Per≥P时,表现为“击 中”,当Per<P时,表现为“击不中”,从而达到分离目标与背景的目的:
I(x)是像素(x)处的灰度值,n是图像类型所占字节数,灰度图像n为8。显示检测结果, 读取视频下一帧进行处理直至处理完成。
实施例:
通过在Matlab R2012a运行环境下对实际拍摄的红外小目标视频进行了实验,序列图像 一共350帧,图像大小为320×256像素,目标大小约为30个像素,信噪比为2左右,背景为 天空,选取第50帧、第150帧、第250帧、第350帧(图2(a)~(d)),通过本发明提供的 方法进行检测。
根据训练结果,将待检测视频与结构元素的最小匹配度(P)定为93,对于实际拍摄的红 外弱小目标序列图像进行实验,通过本发明提供的方法能够检测出每一帧图像中的小目标, 且未检测到虚假目标,通过图2(a)~(d)以及可以看出,本发明提供的方法能够在较低信噪 比下,不需要经过背景抑制等预处理方法便可以实现目标的检测,并且达到高检测率、低虚 警率的检测效果。
Claims (7)
1.一种基于百分比击中击不中变换的红外弱小目标检测方法,其特征在于,由以下步骤组成:
(1)选取训练样本;
(2)确定选取样本的前景结构元素FG和背景结构元素BG;
(3)确定待检测目标与结构元素最小匹配度P;
(4)读取待检测视频,计算最大匹配度Per;
(5)比较最小匹配度P与最大匹配度Per,分离图像目标与背景;
(6)显示检测结果,并读入下一帧图像,重复步骤4-5。
2.根据权利要求1所述的一种基于百分比击中击不中变换的红外弱小目标检测方法,其特征在于,所述的步骤(1)选取训练样本具体为:对包含目标的10幅图片进行处理,人工裁剪出统一大小的目标样本。
3.根据权利要求1所述的一种基于百分比击中击不中变换的红外弱小目标检测方法,其特征在于,所述的步骤(2)确定选取样本的结构元素具体为:任意选取其中的5个样本二值化,通过做“与”操作确定对应的前景结构元素FG和背景结构元素BG。
4.根据权利要求1所述的一种基于百分比击中击不中变换的红外弱小目标检测方法,其特征在于,所述的步骤(3)具体包括以下步骤:
(3-1)求出样本区域灰度最小值灰度级(t)的变化范围为[tmin,tmax];
(3-2)计算前景结构元素FG和背景结构元素BG集合中的元素个数:Card(FG),Card(BG);
(3-3)计算前景结构元素FG在像素(x)处,对应某一灰度级t的像素邻域截面{I(x+fg)≥t}中与对应结构元素像素集合中值相等的元素个数:
cardfg(x)=Card{fg∈FG|I(x+fg)≥t};
计算背景结构元素BG在像素(x)处,对应某一灰度级t下的像素邻域截面的补集{I(x+bg)<t}中与对应结构元素像素集合中值相等的元素个数:
cardbg(x)=Card{bg∈BG|I(x+bg)<t};
计算在像素(x)处,对应某一灰度级t下的前景结构匹配度Perfg(x)与背景结构匹配度Perbg(x):
<mrow>
<mi>P</mi>
<mi>e</mi>
<mi>r</mi>
<mi>f</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>r</mi>
<mi>d</mi>
<mi>f</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>C</mi>
<mi>a</mi>
<mi>r</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>F</mi>
<mi>G</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mo>,</mo>
<mi>P</mi>
<mi>e</mi>
<mi>r</mi>
<mi>b</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>r</mi>
<mi>d</mi>
<mi>b</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>C</mi>
<mi>a</mi>
<mi>r</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mi>G</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mo>;</mo>
</mrow>
求取结构元素的最大匹配度Per:
<mrow>
<mi>P</mi>
<mi>e</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
</munder>
<mo>{</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<mi>P</mi>
<mi>e</mi>
<mi>r</mi>
<mi>f</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>P</mi>
<mi>e</mi>
<mi>r</mi>
<mi>b</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>}</mo>
<mo>;</mo>
</mrow>
(3-4)比较5个样本与结构元素的最大匹配度Per,把其中的最小值作为待检测目标与结构元素的最小匹配度P。
5.根据权利要求1所述的一种基于百分比击中击不中变换的红外弱小目标检测方法,其特征在于,所述的步骤(4)读取待检测视频,计算最大匹配度Per具体为:从视频的第一帧开始,每次处理读取一帧图像,用FG和BG扫描图像上的每个像素,计算每个像素邻域与结构元素对的最大匹配度Per。
6.根据权利要求5所述的一种基于百分比击中击不中变换的红外弱小目标检测方法,其特征在于:所述的结构元素对为样本的前景结构元素FG和背景结构元素BG。
7.根据权利要求1所述的一种基于百分比击中击不中变换的红外弱小目标检测方法,其特征在于,所述的步骤(5)比较最小匹配度P与最大匹配度Per,分离图像目标与背景具体为:将图像上每个像素(x)邻域与结构元素的最大匹配度(Per)与进行比较,当Per≥P时,表现为“击中”,当Per<P时,表现为“击不中”,记下比较的结果,得到
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mn>2</mn>
<mi>n</mi>
</msup>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>P</mi>
<mi>e</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mi>P</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>P</mi>
<mi>e</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>P</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,I(x)是像素(x)处的灰度值,n是图像类型所占字节数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710381548.9A CN107301419A (zh) | 2017-05-26 | 2017-05-26 | 一种基于百分比击中击不中变换的红外弱小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710381548.9A CN107301419A (zh) | 2017-05-26 | 2017-05-26 | 一种基于百分比击中击不中变换的红外弱小目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107301419A true CN107301419A (zh) | 2017-10-27 |
Family
ID=60137915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710381548.9A Pending CN107301419A (zh) | 2017-05-26 | 2017-05-26 | 一种基于百分比击中击不中变换的红外弱小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301419A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446901A (zh) * | 2018-09-21 | 2019-03-08 | 北京晶品特装科技有限责任公司 | 一种可嵌入式移植的实时人形目标自动识别算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1482573A (zh) * | 2003-07-24 | 2004-03-17 | 上海交通大学 | 基于旋转不变形态学神经网络的红外目标识别方法 |
US20120033857A1 (en) * | 2008-10-10 | 2012-02-09 | Alain Bergeron | Selective and adaptive illumination of a target |
CN102663406A (zh) * | 2012-04-12 | 2012-09-12 | 中国海洋大学 | 一种基于显微图像的角毛藻和非角毛藻自动分类方法 |
CN106296603A (zh) * | 2016-08-03 | 2017-01-04 | 哈尔滨工程大学 | 一种水下声纳图像的小目标检测方法 |
-
2017
- 2017-05-26 CN CN201710381548.9A patent/CN107301419A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1482573A (zh) * | 2003-07-24 | 2004-03-17 | 上海交通大学 | 基于旋转不变形态学神经网络的红外目标识别方法 |
US20120033857A1 (en) * | 2008-10-10 | 2012-02-09 | Alain Bergeron | Selective and adaptive illumination of a target |
CN102663406A (zh) * | 2012-04-12 | 2012-09-12 | 中国海洋大学 | 一种基于显微图像的角毛藻和非角毛藻自动分类方法 |
CN106296603A (zh) * | 2016-08-03 | 2017-01-04 | 哈尔滨工程大学 | 一种水下声纳图像的小目标检测方法 |
Non-Patent Citations (1)
Title |
---|
PAUL MURRAY 等: "A New Design Tool for Feature Extraction in Noisy Images Based on Grayscale Hit-or-Miss Transforms", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446901A (zh) * | 2018-09-21 | 2019-03-08 | 北京晶品特装科技有限责任公司 | 一种可嵌入式移植的实时人形目标自动识别算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rao et al. | Siamese transformer network for hyperspectral image target detection | |
CN105957054B (zh) | 一种图像变化检测方法 | |
CN103455797B (zh) | 航拍视频中运动小目标的检测与跟踪方法 | |
CN104361590B (zh) | 一种控制点自适应分布的高分辨率遥感影像配准方法 | |
CN111666854B (zh) | 融合统计显著性的高分辨率sar影像车辆目标检测方法 | |
CN104834915B (zh) | 一种复杂云天背景下小红外目标检测方法 | |
CN101957993A (zh) | 自适应红外小目标检测方法 | |
CN106096604A (zh) | 基于无人平台的多波段融合探测方法 | |
CN105528619A (zh) | 基于小波变换和svm的sar遥感影像变化检测方法 | |
CN112184749B (zh) | 基于视频sar跨域联合的动目标跟踪方法 | |
CN109308713A (zh) | 一种基于前视声纳的改进核相关滤波水下目标跟踪方法 | |
CN109541585A (zh) | 一种基于峰度评估的人体穿墙检测成像方法 | |
CN117237740B (zh) | 一种基于CNN和Transformer的SAR图像分类方法 | |
CN114549642B (zh) | 一种低对比度红外弱小目标检测方法 | |
CN116310837A (zh) | 一种sar舰船目标旋转检测方法及系统 | |
CN106897730B (zh) | 基于融合类别信息与局部保持投影的sar目标型号识别方法 | |
Sun et al. | Background suppression based-on wavelet transformation to detect infrared target | |
Jiang et al. | Automatic space debris extraction channel based on large field of view photoelectric detection system | |
Liu et al. | A multi-scale feature pyramid SAR ship detection network with robust background interference | |
Wan et al. | Orientation Detector for Small Ship Targets in SAR Images Based on Semantic Flow Feature Alignment and Gaussian Label Matching | |
Liu et al. | HPN-SOE: Infrared small target detection and identification algorithm based on heterogeneous parallel networks with similarity object enhancement | |
CN107301419A (zh) | 一种基于百分比击中击不中变换的红外弱小目标检测方法 | |
Du et al. | SARNas: A hardware-aware SAR target detection algorithm via multiobjective neural architecture search | |
Diao et al. | Image sequence measures for automatic target tracking | |
CN105931235A (zh) | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171027 |