CN108198198A - 基于小波变换和导向滤波的单帧红外小目标检测方法 - Google Patents

基于小波变换和导向滤波的单帧红外小目标检测方法 Download PDF

Info

Publication number
CN108198198A
CN108198198A CN201711401987.8A CN201711401987A CN108198198A CN 108198198 A CN108198198 A CN 108198198A CN 201711401987 A CN201711401987 A CN 201711401987A CN 108198198 A CN108198198 A CN 108198198A
Authority
CN
China
Prior art keywords
frequency sub
target
coefficient
band coefficient
band
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
Application number
CN201711401987.8A
Other languages
English (en)
Inventor
陈蓉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Source Letter Photoelectric Polytron Technologies Inc
Original Assignee
Hunan Source Letter Photoelectric Polytron Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Source Letter Photoelectric Polytron Technologies Inc filed Critical Hunan Source Letter Photoelectric Polytron Technologies Inc
Priority to CN201711401987.8A priority Critical patent/CN108198198A/zh
Publication of CN108198198A publication Critical patent/CN108198198A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/168—Segmentation; Edge detection involving transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于小波变换和导向滤波的单帧红外小目标检测方法，其涉及计算机视觉领域。该方法首先利用小波变换进行多尺度分解，再利用自适应特性的导向滤波处理小波分解获得的高频子带系数，尽可能地剔除了小目标的高频子带系数，最后根据小波分解得到低频子带系数和导向滤波处理后的高频子带系数进行逆小波变换有效地完成了对红外背景图像的预测；再通过原始红外图像和红外图像的预测背景进行做差操作获得了目标残差图，最后对目标残差进行图像分割和目标聚类操作，从而有效地检测出了小目标，这有助于在监控过程中尽早发现目标。

Description

基于小波变换和导向滤波的单帧红外小目标检测方法
技术领域
本发明涉及计算机视觉领域，特指一种基于小波变换和导向滤波的单帧红外小目标检测方法。
背景技术
红外成像系统具有隐蔽性好，可全天候工作，抗干扰能力强等诸多优点，为了尽早发现目标，在目标距离很远时，就需对其进行准确检测跟踪。
远距离获得的目标在图像中的像素尺寸较小，其信噪比和对比度较低，且没有可用于识别的形状信息和结构信息，同时具有不同复杂程度的背景，并存在噪声干扰，这些造成红外图像中小目标检测成为一个难点问题，需将目标从背景中检测出来的同时与噪声区分开。
目前单帧图像的红外小目标检测方法主要有：中值滤波法、空时域结合方法、形态学滤波法以及背景预测等方法。
由于红外图像中小目标在整幅图像中占用非常小的比例，而绝大部分是背景，因此背景预测法具有合理性。红外小目标背景抑制的方法主要有基于空域的方法和基于变换域的方法。其中，基于空域的方法包括Top-hat变换方法、中值滤波以及匹配算法等，该方法在平稳背景下有较好的效果，且具有较小的运算量，但是无法在复杂环境下将目标信号与图像边缘等细节加以区分，使得背景抑制结果存在较多的背景泄露，抑制漏检和虚警。基于变换域的方法，主要有基于小波变化和基于轮廓波的方法等，该方法主要通过将图像分解在不同的子带系数中，再根据实际需要对各子带系数分别进行处理，是一类灵活有效的背景抑制方法。若在变换域方法中，直接将变换域获得的高频系数置零来去掉目标和噪声信号，从而获得背景预测图像，这样进一步得到的残差图像中将同时存在目标及噪声信号，容易造成目标的误检。
发明内容
针对现有技术存在的缺陷，本发明提出一种基于小波变换和导向滤波的单帧红外小目标检测方法。该方法首先利用小波变换进行多尺度分解，再利用自适应特性的导向滤波处理小波分解获得的高频子带系数，尽可能地剔除了小目标的高频子带系数，最后根据小波分解得到低频子带系数和导向滤波处理后的高频子带系数进行逆小波变换有效地完成了对红外背景图像的预测；再通过原始红外图像和红外图像的预测背景进行做差操作获得了目标残差图，最后对目标残差进行图像分割和目标聚类操作，从而有效地检测出了小目标，这有助于在监控过程中尽早发现目标。
为实现上述技术目的，本发明的技术方案是：
一种基于小波变换和导向滤波的单帧红外小目标检测方法，包括以下步骤：
S1结合小波变换和导向滤波进行红外图像背景预测；
S1.1利用小波变换对输入的原始红外图像进行多尺度分解；
S1.2利用自适应特性的导向滤波处理步骤S1.1中小波分解后的高频子带系数；
S1.3将步骤S1.1中小波分解后得到的低频子带系数和经S1.2处理后的高频子带系数进行小波逆变换，即可获得预测的红外背景图像。
S2获取目标残差图；
将输入的原始红外图像与步骤S1得到的预测的红外背景图像进行做差操作求得目标残差图D(x,y)，即可消除原始红外图像的背景同时增强原始红外图像的小目标信号，即获得背景抑制结果。
S3对目标残差图进行自适应阈值分割，并对自适应分割后的结果进行目标聚类，获得最终的小目标检测结果。
本发明S1.1中：对输入原始红外图像利用小波变换对其进行3层小波分解。每一级小波分解可得到4个频带系数，其中包括3个高频子带系数和1个低频子带系数。3个高频子带系数分别为：水平方向上高频子带系数HL，垂直方向高频子带系数LH和对角方向上高频子带系数HH。1个低频子带系数为：图像近似系数，即低频子带系数LL。
输入的原始红外图像经过上述多尺度的小波分解后，由于红外图像中背景变化相对缓慢，可认为红外图像中的背景部分其属于图像低频部分，反映小目标、噪声和背景边缘等细节系数主要集中在高频子带中。
本发明S1.2的实现方法如下：假设小波分解的第l级，第m方向上的高频子带系数为Cl,m(i)，Cl,m(i)的导向滤波结果Sl,m(i)满足：
式中，ak和bk是在领域wk内的线性系数，Il,m(i)为引导系数，i为小波分解的第l级，第m方向上的高频子带系数坐标。
通过公式(2)拟合了Cl,m(i)滤波前和滤波后结果Sl,m(i)之间的最小距离，即：
采用最小二乘法求解公式(2)，求得系数：
式中，μk和为Il,m(i)为在邻域wk内的均值和方差；|w|为wk内引导系数的数目；是高频子带系数在wk内的均值；ε是导向滤波的一个可调函数，需要根据实际情况进行取值，一般情况下ε可取值0.01。。
利用自适应特性的引导滤波对小波分解的不同方向的高频子带系数进行滤波，得到了小目标信号被抑制的高频子带系数。
本发明S3中，对步骤S2中获得的目标残差图进行自适应阈值分割的方法如下：
自适应阈值分割的公式为：
其中，T＝ID+K×σD (6)
式中，f(x,y)为二值化的目标检测的结果图像；T为分割自适应阈值；D(x,y)为步骤S2中获得的目标残差图；ID和σD为目标残差图D(x,y)的均值和标准差，K一般取值3-10。
本发明S3中，对自适应分割后的结果进行目标聚类，方法如下：
(1)孤立噪声剔除；
(i)遍历整个自适应分割后的结果图像，当像素灰度值为0时，继续遍历；否者，进行第(ii)步条件检查；
(ii)统计当前像素点的8邻域不为0的像素个数；当前像素点的8邻域不为0的像素个数为1时，判定当前像素为孤立噪声点，将当前像素灰度置0；否者，当前像素点属于目标信息，保留当前像素点的灰度，继续第(i)步的图像遍历。
(2)目标聚类；
利用8邻域的连通域标记法对(1)中的结果进行聚类，获得最终的小目标检测结果。
本发明的有益技术效果：
1)本发明通过小波变换分解原始红外图像进行多尺度小波分解，获得各级的低频子带系数和高频子带系数，再通过自适应导向滤波处理高频子带系数，从而根据边缘和目标在不同系数上的分布特点，有针对性地通过自适应特性的导向滤波对高频子带系数进行调整，避免了采用统一的阈值或线性滤波处理高频子带系数，造成一部分背景系数被削弱甚至被剔除的现象，以致影响背景预测结果，同时，自适应特性的导向滤波在保留背景细节分量的同时，尽可能地剔除了小目标的高频子带系数，最后根据处理后的子带系数进行逆小波变换有效地完成了对红外背景图像的预测。
2)本发明通过原始红外图像和红外图像的预测背景进行做差操作获得了目标残差图，最后对目标残差进行自适应阈值分割和目标聚类操作获得了最终的小目标检测结果。
附图说明
图1为本发明的流程图
具体实施方式
本发明提供一种基于小波变换和导向滤波的单帧红外小目标检测方法。该方法可嵌入FPGA实现，运用于目标检测的摄像机中。下面将结合本申请说明书附图，对本发明的一种基于小波变换和导向滤波的单帧红外小目标检测方法的具体实施例做进一步详细说明，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，本发明的基于小波变换和导向滤波的单帧红外小目标检测方法，具体包括以下步骤：
S1结合小波变换和导向滤波进行红外图像背景预测；
S1.1利用小波变换对输入的原始红外图像进行多尺度分解；
红外图像中小目标的检测问题主要涉及目标背景以及噪声这三个部分。小波变换具有去噪特性和及时时频分辨能力，其多尺度特性能使其适应低信噪比的环境，通过小波变化可完成红外图像的高频部分和低频部分的分离。
输入原始红外图像，利用小波变换对原始红外图像进行3层小波分解。每一级小波分解可得到4个频带系数，其中3个高频子带系数分别为：水平方向上高频子带系数HL，垂直方向高频子带系数LH和对角方向上高频子带系数HH，1个低频子带系数为：图像近似系数，即低频子带系数LL。
输入的原始红外图像经过多尺度的小波分解后，由于红外图像中背景变化相对缓慢，可认为红外图像中的背景部分其属于图像低频部分，反映小目标、噪声和背景边缘等细节系数主要集中在高频子带中。
S1.2利用自适应特性的导向滤波处理步骤S1.1中小波分解后的高频子带系数；
假设小波分解的第l级，第m方向上的高频子带系数为Cl,m(i)，Cl,m(i)的导向滤波结果Sl,m(i)满足：
式中，ak和bk是在领域wk内的线性系数，Il,m(i)为引导系数，i为小波分解的第l级，第m方向上的高频子带系数坐标。
下面公式(2)拟合了Cl,m(i)滤波前和滤波后结果Sl,m(i)之间的最小距离，即：
采用最小二乘法求解公式(2)，求得系数：
式中，μk和为Il,m(i)为在邻域wk内的均值和方差；|w|为wk内引导系数的数目；是高频子带系数在wk内的均值；ε是导向滤波的一个可调函数，一般情况下ε可取值0.01。
利用自适应特性的引导滤波对小波分解的不同方向的高频子带系数进行滤波，得到了小目标信号被抑制的子带系数
S1.3将步骤S1.1中小波分解后得到低频子带系数和经S1.2处理后的高频子带系数进行小波逆变换，即可获得预测的红外背景图像。
S2获取目标残差图；
将原始红外图像与步骤S1得到的预测的红外背景图进行做差操作求得目标残差图D(x,y)，即可消除原始红外图像的背景同时增强原始红外图像的小目标信号，即获得背景抑制结果。
S3对目标残差图进行自适应阈值分割和目标聚类；
S3.1对步骤S2中获得的目标残差图进行自适应阈值分割；
自适应阈值分割的公式为：
其中，T＝ID+K×σD (6)
式中，f(x,y)为二值化的目标检测的结果图像；T为分割自适应阈值；D(x,y)为步骤S2中获得目标残差图；ID和σD为目标残差图D(x,y)的均值和标准差，K一般取值3-10。
S3.2对步骤S3.1的结果进行目标聚类。
(1)孤立噪声剔除；
(i)遍历整个步骤S3.1中的目标分割结果，当像素灰度值为0时，继续遍历；否者，进行第(ii)步条件检查；
(ii)统计当前像素点的8邻域不为0的像素个数，当前像素点的8邻域不为0的像素个数为1时判定当前像素为孤立噪声点，将当前像素灰度置0；否者，当前像素点属于目标信息，保留当前像素点的灰度，继续第(i)步的图像遍历。
(2)目标聚类；
利用8邻域的连通域标记法对(1)中的结果进行聚类，获得最终的小目标检测结果。
以上实施例仅起到解释本发明技术方案的作用，本发明所要求的保护范围并不局限于上述实施例所述的实现系统和具体实施步骤。因此，仅对上述实施例中具体的公式及算法进行简单替换，但其实质内容仍与本发明所述方法相一致的技术方案，均应属于本发明的保护范围。

Claims (5)

1.一种基于小波变换和导向滤波的单帧红外小目标检测方法，其特征在于，包括以下步骤：
S1结合小波变换和导向滤波进行红外图像背景预测；
S1.1利用小波变换对输入的原始红外图像进行多尺度分解；
S1.2利用自适应特性的导向滤波处理步骤S1.1中小波分解后的高频子带系数；
S1.3将步骤S1.1中小波分解后得到的低频子带系数和经S1.2处理后的高频子带系数进行小波逆变换，即可获得预测的红外背景图像；
S2获取目标残差图；
将输入的原始红外图像与步骤S1得到的预测的红外背景图像进行做差操作求得目标残差图D(x,y)，即可消除原始红外图像的背景同时增强原始红外图像的小目标信号，即获得背景抑制结果；
S3对目标残差图进行自适应阈值分割，并对自适应分割后的结果进行目标聚类，获得最终的小目标检测结果。
2.根据权利要求1所述的基于小波变换和导向滤波的单帧红外小目标检测方法，其特征在于，S1.1中对输入原始红外图像利用小波变换对其进行3层小波分解；每一级小波分解可得到4个频带系数，其中包括3个高频子带系数和1个低频子带系数；3个高频子带系数分别为：水平方向上高频子带系数HL，垂直方向高频子带系数LH和对角方向上高频子带系数HH；1个低频子带系数为：图像近似系数即低频子带系数LL。
3.根据权利要求2所述的基于小波变换和导向滤波的单帧红外小目标检测方法，其特征在于，S1.2的实现方法如下：假设小波分解的第l级，第m方向上的高频子带系数为Cl,m(i)，Cl,m(i)的导向滤波结果Sl,m(i)满足：
式中，ak和bk是在领域wk内的线性系数，Il,m(i)为引导系数，i为小波分解的第l级，第m方向上的高频子带系数坐标；
通过公式(2)拟合了Cl,m(i)滤波前和滤波后结果Sl,m(i)之间的最小距离，即：
采用最小二乘法求解公式(2)，求得系数：
式中，μk和为Il,m(i)为在邻域wk内的均值和方差；|w|为wk内引导系数的数目；是高频子带系数在wk内的均值；ε是导向滤波的一个可调函数；
利用自适应特性的引导滤波对小波分解的不同方向的高频子带系数进行滤波，得到了小目标信号被抑制的高频子带系数。
4.根据权利要求2所述的基于小波变换和导向滤波的单帧红外小目标检测方法，其特征在于，S3中，对步骤S2中获得的目标残差图进行自适应阈值分割的方法如下：
自适应阈值分割的公式为：
其中，T＝ID+K×σD (6)
式中，f(x,y)为二值化的目标检测的结果图像；T为分割自适应阈值；D(x,y)为步骤S2中获得的目标残差图；ID和σD为目标残差图D(x,y)的均值和标准差，K取值3-10。
5.根据权利要求4所述的基于小波变换和导向滤波的单帧红外小目标检测方法，其特征在于，S3中对自适应分割后的结果进行目标聚类，方法如下：
(1)孤立噪声剔除；
(i)遍历整个自适应分割后的结果图像，当像素灰度值为0时，继续遍历；否者，进行第(ii)步条件检查；
(ii)统计当前像素点的8邻域不为0的像素个数；当前像素点的8邻域不为0的像素个数为1时，判定当前像素为孤立噪声点，将当前像素灰度置0；否者，当前像素点属于目标信息，保留当前像素点的灰度，继续第(i)步的图像遍历；
(2)目标聚类；
利用8邻域的连通域标记法对(1)中的结果进行聚类，获得最终的小目标检测结果。
CN201711401987.8A 2017-12-22 2017-12-22 基于小波变换和导向滤波的单帧红外小目标检测方法 Pending CN108198198A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711401987.8A CN108198198A (zh) 2017-12-22 2017-12-22 基于小波变换和导向滤波的单帧红外小目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711401987.8A CN108198198A (zh) 2017-12-22 2017-12-22 基于小波变换和导向滤波的单帧红外小目标检测方法

Publications (1)

Publication Number Publication Date
CN108198198A true CN108198198A (zh) 2018-06-22

Family

ID=62583637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711401987.8A Pending CN108198198A (zh) 2017-12-22 2017-12-22 基于小波变换和导向滤波的单帧红外小目标检测方法

Country Status (1)

Country Link
CN (1) CN108198198A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272489A (zh) * 2018-08-21 2019-01-25 西安电子科技大学 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN109544535A (zh) * 2018-11-26 2019-03-29 马杰 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统
CN109886336A (zh) * 2019-02-21 2019-06-14 山东超越数控电子股份有限公司 一种基于舰基图像的目标检测方法及系统
CN110047045A (zh) * 2019-04-10 2019-07-23 新疆大学 去除遥感图像中薄云的方法及装置
CN110660028A (zh) * 2019-09-04 2020-01-07 南京邮电大学 一种基于联合边缘滤波形态学的小目标检测方法
RU2743224C1 (ru) * 2020-04-07 2021-02-16 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации Способ обнаружения малоразмерных объектов на изображениях
CN112991190A (zh) * 2019-12-16 2021-06-18 荣耀终端有限公司 图像降噪方法及其介质和电子设备
CN115082810A (zh) * 2022-07-28 2022-09-20 中国科学院空天信息创新研究院 同步轨道卫星红外图像船舶检测方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745203A (zh) * 2014-01-15 2014-04-23 南京理工大学 基于视觉注意和均值漂移的目标检测与跟踪方法
CN103761731A (zh) * 2014-01-02 2014-04-30 河南科技大学 一种基于非下采样轮廓波变换的红外空中小目标检测方法
CN104103080A (zh) * 2014-07-02 2014-10-15 华中科技大学 一种复杂背景下弱小目标检测的方法
CN104463911A (zh) * 2014-12-09 2015-03-25 上海新跃仪表厂 基于复杂背景估计的红外运动小目标检测方法
CN104732543A (zh) * 2015-03-30 2015-06-24 中国人民解放军63655部队 一种沙漠戈壁背景下红外弱小目标快速检测方法
CN105869156A (zh) * 2016-03-25 2016-08-17 中国科学院武汉物理与数学研究所 一种基于模糊距离的红外小目标检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761731A (zh) * 2014-01-02 2014-04-30 河南科技大学 一种基于非下采样轮廓波变换的红外空中小目标检测方法
CN103745203A (zh) * 2014-01-15 2014-04-23 南京理工大学 基于视觉注意和均值漂移的目标检测与跟踪方法
CN104103080A (zh) * 2014-07-02 2014-10-15 华中科技大学 一种复杂背景下弱小目标检测的方法
CN104463911A (zh) * 2014-12-09 2015-03-25 上海新跃仪表厂 基于复杂背景估计的红外运动小目标检测方法
CN104732543A (zh) * 2015-03-30 2015-06-24 中国人民解放军63655部队 一种沙漠戈壁背景下红外弱小目标快速检测方法
CN105869156A (zh) * 2016-03-25 2016-08-17 中国科学院武汉物理与数学研究所 一种基于模糊距离的红外小目标检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张世锋等: ""红外背景抑制与小目标检测算法"", 《中国图象图形学报》 *
荣生辉等: ""基于改进得人剪切波变换和引导滤波的红外弱小目标背景抑制方法"", 《光子学报》 *
郭张婷等: ""红外小目标的分类背景预测与图像分块技术"", 《激光与红外》 *
阮秋琦等译: "《数字图像处理（第三版）》", 30 June 2011 *
黄鑫娟等: ""自适应混合高斯背景模型的运动目标检测方法"", 《计算机应用》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272489A (zh) * 2018-08-21 2019-01-25 西安电子科技大学 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN109544535A (zh) * 2018-11-26 2019-03-29 马杰 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统
CN109886336A (zh) * 2019-02-21 2019-06-14 山东超越数控电子股份有限公司 一种基于舰基图像的目标检测方法及系统
CN110047045A (zh) * 2019-04-10 2019-07-23 新疆大学 去除遥感图像中薄云的方法及装置
CN110047045B (zh) * 2019-04-10 2023-05-23 新疆大学 去除遥感图像中薄云的方法及装置
CN110660028A (zh) * 2019-09-04 2020-01-07 南京邮电大学 一种基于联合边缘滤波形态学的小目标检测方法
CN112991190A (zh) * 2019-12-16 2021-06-18 荣耀终端有限公司 图像降噪方法及其介质和电子设备
RU2743224C1 (ru) * 2020-04-07 2021-02-16 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации Способ обнаружения малоразмерных объектов на изображениях
CN115082810A (zh) * 2022-07-28 2022-09-20 中国科学院空天信息创新研究院 同步轨道卫星红外图像船舶检测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN108198198A (zh) 基于小波变换和导向滤波的单帧红外小目标检测方法
CN109242888B (zh) 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法
CN106846289B (zh) 一种红外光强与偏振图像融合方法
Guo et al. Lightweight deep network-enabled real-time low-visibility enhancement for promoting vessel detection in maritime video surveillance
CN109636766B (zh) 基于边缘信息增强的偏振差分与光强图像多尺度融合方法
CN102800086B (zh) 一种海上场景显著性检测方法
CN107274365A (zh) 一种基于反锐化掩模和nsct算法的矿井图像增强方法
CN108550145B (zh) 一种sar图像质量评估方法和装置
CN108564597B (zh) 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法
CN110163818A (zh) 一种用于海事无人机的低照度视频图像增强方法
Saini et al. Object detection in underwater image by detecting edges using adaptive thresholding
CN105913404A (zh) 基于帧累积的低照度成像方法
Pan et al. De-scattering and edge-enhancement algorithms for underwater image restoration
CN105719254B (zh) 一种图像降噪方法及系统
CN108932492A (zh) 一种基于非采样剪切波变换的图像指纹提取方法
Jia et al. Research on the decomposition and fusion method for the infrared and visible images based on the guided image filtering and Gaussian filter
Ein-shoka et al. Quality enhancement of infrared images using dynamic fuzzy histogram equalization and high pass adaptation in DWT
CN110348442A (zh) 一种基于支持向量机的船载雷达图像海上油膜识别方法
Li et al. Bionic vision-based synthetic aperture radar image edge detection method in non-subsampled contourlet transform domain
Mohan et al. Medical image denoising using multistage directional median filter
Chen et al. Infrared dim target detection method based on local feature contrast and energy concentration degree
TWI460667B (zh) 模糊指紋影像重建方法
CN107563982A (zh) 一种遥感图像增强方法
CN104601861B (zh) 一种针对光纤监控视频序列的降噪方法及系统
Steckenrider et al. Detection and classification of stochastic features using a multi-Bayesian approach

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: 20180622