CN108230350A - 一种红外运动目标检测方法 - Google Patents
一种红外运动目标检测方法 Download PDFInfo
- Publication number
- CN108230350A CN108230350A CN201611150263.6A CN201611150263A CN108230350A CN 108230350 A CN108230350 A CN 108230350A CN 201611150263 A CN201611150263 A CN 201611150263A CN 108230350 A CN108230350 A CN 108230350A
- Authority
- CN
- China
- Prior art keywords
- predicted
- value
- filter
- tdlms
- following formula
- 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.)
- Withdrawn
Links
Classifications
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
本发明公开了一种红外运动目标检测方法,包括以下步骤:S1:采集红外视频图像,并对红外图像进行预处理;S2:采用TDLMS滤波器滤对红外图像进行背景预测;S3:将原图和滤波器输出的背景图进行差分;S4:后利用图像统计特性得到一个阈值,对差分图进行二值化,将目标提取出来。本发明对TDLMS滤波器的迭代步长与输入数据进行了改进,采用非线性步长,提高了滤波器的自适应性;增加了输入数据量,可以充分地利用被预测点周围像素信息进行背景预测,提高预测精度;在TDLMS滤波器结构中增加了一个输出决策模块,可以根据图像特性选取被预测点周围不同区域对背景进行预测,进一步提高了滤波器的灵敏度。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及一种红外运动目标检测方法。
背景技术
运动目标检测是计算机视觉领域的一个重要研究课题,许多研究学者致力于可见光图像的运动目标检测研究,提出了很多应用于可见光图像的检测算法,可见光图像的目标检测技术也日趋完善。由于可见光谱成像系统是根据物体反射的光进行成像的,光照的变化会对成像产生较大的影响,同时,当光照不足甚至完全黑暗的条件下,无法利用可见光谱摄像机进行高质量图像的采集与图像获取,这些限制因素,导致可见光谱成像系统的应用有一定的局限。因此,对于在特殊环境和恶劣条件下,需要系统依然能够持续、可靠地工作的场合,可见光谱成像系统是无法胜任的。
近年来,随着红外成像技术的不断发展,红外图像处理技术在运动目标检测中得到广泛应用。由于红外成像技术通过接收物体辐射的电磁波进行成像,并不依赖光照,因而可昼夜工作,也可实现远距离作业。红外图像中大部分属于背景区域,同时,背景区域间具有较高相关性,而目标区域所占分量很小,与其周围背景的相关性较小,因而可以根据背景信息将目标覆盖的背景预测出来,然后,将原图和预测背景进行差分,抑制背景成分,提高图像信杂比,突显目标位置和大小,最后通过后续处理提取出目标。通常,在对红外图像进行背景预测时,低通滤波器是一个很好的选择,低通滤波器可以将红外图像的低频背景保留下来,而把属于高频成分的目标和噪声抹去,因而采用低通滤波器对红外图像进行背景预测是一个很好的策略。
二维最小均方滤波器(TDLMS滤波器)是一种典型的自适应滤波器,可以自适应地调整滤波器权值矩阵,因而,采用TDLMS滤波器对红外图像进行背景预测时,可以根据输入数据的变化,自适应地调整权值矩阵,因而可以更灵敏地应对背景的变化,更准确地预测出背景图像,将原图和预测背景进行差分时,可以更加有效地提高图像信杂比和突显目标,从而更加有效地实现目标检测,同时,TDLMS滤波算法计算量比较小,具有良好的实时性,简单易于实现,因而,可以通过二维最小均方滤波器进行目标检测。
TDLMS滤波器可以对红外图像进行背景预测,实现目标的检测,从性能指标上来看,在红外目标检测方面具有较好的表现,然而,采用TDLMS滤波器进行目标检测时,也存在一定的不足和局限性:
一、TDLMS滤波器对红外图像进行背景预测时,由于滤波窗口所包含的像素信息有限,无法充分利用被预测像素的邻域信息。当滤波窗口覆盖在背景区域,输入数据有限,不会对预测背景有太大影响;然而,如果滤波窗口覆盖在目标区域,输入数据有限,则会由于目标区域信息在输入数据中所占比例较大,导致预测的背景中有较多目标信息残留,将原图和预测的背景图进行差分时,不能有效地提高图像信杂比,增加了进一步检测的难度。
二、迭代步长μ的选取对滤波器预测背景的效果起着重要作用。当滤波窗口滑至背景区域,若迭代步长μ具有较大的值,可及时地响应背景的变化,能够更准确地预测背景,减少差分图中虚假目标,降低红外目标检测过程中的虚警率;当滤波窗口移至目标区域时,如果迭代步长μ具有较小的值,可以更大程度地抹去目标,提高差分图的信杂比,改善红外目标检测的效果。因而,固定的迭代步长,无法满足实际应用的需求。
发明内容
本发明要解决的技术问题是提供一种红外运动目标检测方法。
一种红外运动目标检测方法,包括以下步骤:
S1:采集红外视频图像,并对红外图像进行预处理;
S2:采用TDLMS滤波器滤对红外图像进行背景预测;
S3:将原图和滤波器输出的背景图进行差分;
S4:后利用图像统计特性得到一个阈值,对差分图进行二值化,将目标提取出来。
进一步的,采用TDLMS滤波器滤对红外图像进行背景预测的具体方法如下:
1)假设输入图像X大小为M×N,滤波器输入窗口大小为P×P,则点X(m,n)的预测值Y(m,n)可以表示如下式:
其中,Wj为滤波器在第j次迭代过程中的权重矩阵;在预测过程中对一幅图像从左到右进行扫描,则j=m×N+n;
2)在第j此迭代过程中,滤波窗口覆盖的区域xj,表示如下式:
其中,xj(l,k)=X(m-l,n-k),l,k=0,...,P-1;
3)滤波器的权值矩阵Wj可表示如下式:
4)在第j次迭代时,滤波器权值矩阵Wj和输入矩阵xj点积的结果,即滤波器的输出Y(m,n),也可表示如下式:
5)在第j次迭代过程中,预测误差表示如下式:
其中,D(m,n)为期望输出值;
6)均方误差如下式:
7)为使均方误差达到最小,对关于权值矩阵Wj的误差MSE求最小值,滤波器权值矩阵Wj采用最速下降法进行迭代更新,经过近似运算可以将滤波器权值矩阵的更新如下式:
Wj+1(l,k)=Wj(l,k)+μejX(m-l,n-k);
其中,μ为迭代步长。
进一步的,所述TDLMS滤波器的输入数据还可以进行如下改进:
1)输入数据有八个输入数据块,记作Xi(m,n)(i=0,1,2,3,5,6,7,8),这八个输入数据块环绕在被预测像素所在的数据块周围,每个数据块的大小都为P×P,八个输入数据块Xi(m,n)(i=0,1,2,3,5,6,7,8)共同组成输入数据,被预测像素位于中央数据块4X的中心;
2)八个输入数据块共用一个权值矩阵,各输入数据块产生相应的预测值Yi(m,n)(i=0,1,2,3,5,6,7,8),表示如下式:
3)权值矩阵更新如下:
Wj+1(l,k)=Wj(l,k)+μe(m,n)Am,n(l,k);
其中,误差e(m,n)的计算公式如下:
e(m,n)=X(m,n)-Y(m,n);
Am,n的计算公式如下:
矩阵Am,n需要根据输出决策来决定,不同的输出决策,得到的矩阵Am,n可能会不同。
进一步的,TDLMS滤波器滤的迭代步长μ可以作如下更新:
其中,μmin,μmax分别为最小迭代步长和最大迭代步长,表示的方差。
进一步的,TDLMS滤波器滤的输出通过基于邻域信息分析的TDLMS滤波器决策输出,具体如下:
1)当X(m,n)比8个预测值Yi(m,n)(i=0,1,2,3,5,6,7,8)都大时,滤波器的预测输出Y(m,n)为8个预测值Yi(m,n)(i=0,1,2,3,5,6,7,8)中最小两个的均值,计算公式如下:
2)当8个预测值和被预测值X(m,n)不满足1)这种情况,则需要分别求出8个预测值Yi(m,n)(i=0,1,2,3,5,6,7,8)和被预测值之间的绝对差值,计算公式如下:
di(m,n)=|Yi(m,n)-X(m,n)|,(i=0,1,2,3,5,6,7,8),
滤波器的预测输出值Y(m,n)为di(m,n)(i=0,1,2,3,5,6,7,8)中最小两个值所对应的两个预测值的均值,可表示如下式:
进一步的,TDLMS滤波器滤的输出通过基于最小错误邻域分析的TDLMS滤波器决策输出,具体如下:
1)通过预测点所在的中央数据X4产生一个阈值,表示如下式:
threshold=m+kσ;
其中,σ和m分别为中央数据块X4除去被预测像素的标准差和均值,代表着中央数据块像素的分布情况,k为常数,根据不同的红外图像进行选取;
2)如果被预测点的灰度值X(m,n)大于阈值threshold,则选取八个预测值Yi(m,n)(i=0,1,2,3,5,6,7,8)中与实际灰度值差值最大的两个值的均值作为滤波器最终输出值;如果被预测点的灰度值X(m,n)小于或等于阈值threshold,则选取八个预测值Yi(m,n)(i=0,1,2,3,5,6,7,8)中与实际灰度值差值最小的两个值的均值;
3)在决策滤波器输出过程中,需要计算八个预测值与被预测值间的距离,可以表示如下式:
di(m,n)=|Yi(m,n)-X(m,n)|,(i=0,1,2,3,5,6,7,8);
最大、最小距离的求取公式如下:
dj=max{di(m,n)},dk=max{di(m,n,i≠j)},
ds=max{di(m,n)},dt=max{di(m,n,i≠s)},
滤波器输出表示如下式:
本发明的有益效果是:
1)针对TDLMS滤波器在红外目标检测方面存在的一些不足提出了改进方法,对TDLMS滤波器的迭代步长与输入数据进行了改进,采用非线性步长,提高了滤波器的自适应性;增加了输入数据量,可以充分地利用被预测点周围像素信息进行背景预测,提高预测精度;
2)在TDLMS滤波器结构中增加了一个输出决策模块,可以根据图像特性选取被预测点周围不同区域对背景进行预测,进一步提高了滤波器的灵敏度。
具体实施方式
以下具体实施例对本发明作进一步阐述,但不作为对本发明的限定。
实验1TDLMS滤波算法与其他算法的对比实验
为了定量地分析红外背景预测方面的性能,引入中各性能指标,包括背景图像像素均值μB、背景图像像素标准差σ、目标像素均值μT、信杂比SCR、信杂比增益SCRG、背景抑制因子BSF,其中SCR、SCRG以及BSF的定义如下式所示:
其中,SCRin、SCRout分别为原图与处理后图像的信杂比,σout、σout分别为处理前与处理后图像像素标准差。
分别采用中值滤波算法和形态滤波算法对红外图像进行背景预测,并对处理过程中的指标进行统计,然后,将TDLMS滤波算法的性能与这两种算法进行对比。三种算法性能指标对比如表1所示。
表1 三种算法性能指标对比
从上表可以看出,中值滤波的信杂比增益最大即其目标增强能力最强,而TDLMS滤波算法的背景抑制因子最小,即其背景抑制能力最强。通过对比表明TDLMS滤波算法具有很好的背景抑制能力。
实验2单个小目标的检测实验
分别采用两种改进TDLMS滤波器进行背景预测,为了定量地分析两种改进TDLMS滤波算法的性能,对实验数据进行统计,其中包括图像信杂比SCR、图像信杂比增益SCRG、背景抑制因子BSF,几种算法性能指标统计结果如表2,其中,TDLMS表示基本TDLMS滤波算法;改进a表示基于邻域信息分析的TDLMS滤波算法;改进b表示基于最小错误邻域分析的TDLMS滤波算法。
表2 各算法在红外目标检测过程中SCR、SCRG和BSF值对比
从表2中可以看出,与基本TDLMS滤波算法相比,两种改进算法具有更好的目标增强能力,经过处理,差分图的信杂比SCR得到了大幅度提高,图像信杂比增益SCRG的值更大,尤其是基于邻域信息分析的TDLMS滤波算法,目标增强能力具有显著的优势,但其在背景抑制能力方面稍微逊色一点,背景抑制因子BSF稍大一些。基于最小错误邻域分析的TDLMS滤波算法在目标增强和背景抑制能力都优于基本TDLMS滤波算法。与中值滤波和形态学滤波进行对比,可以看出基于邻域信息分析的TDLMS滤波算法的目标增强能力方面具有绝对的优势,同时其背景抑制能力也相差无几基于最小错误邻域分析的TDLMS滤波算法的背景抑制能力最强,其目标增强能力与中值滤波不相上下。因而可以说明两种改进算法性能在整体上优于中值滤波和形态学滤波。
Claims (6)
1.一种红外运动目标检测方法,其特征在于,包括以下步骤:
S1:采集红外视频图像,并对红外图像进行预处理;
S2:采用TDLMS滤波器滤对红外图像进行背景预测;
S3:将原图和滤波器输出的背景图进行差分;
S4:后利用图像统计特性得到一个阈值,对差分图进行二值化,将目标提取出来。
2.根据权利要求1所述的红外运动目标检测方法,其特征在于,采用TDLMS滤波器滤对红外图像进行背景预测的具体方法如下:
1)假设输入图像X大小为M×N,滤波器输入窗口大小为P×P,则点X(m,n)的预测值Y(m,n)可以表示如下式:
其中,Wj为滤波器在第j次迭代过程中的权重矩阵;在预测过程中对一幅图像从左到右进行扫描,则j=m×N+n;
2)在第j此迭代过程中,滤波窗口覆盖的区域xj,表示如下式:
其中,xj(l,k)=X(m-l,n-k),l,k=0,...,P-1;
3)滤波器的权值矩阵Wj可表示如下式:
4)在第j次迭代时,滤波器权值矩阵Wj和输入矩阵xj点积的结果,即滤波器的输出Y(m,n),也可表示如下式:
5)在第j次迭代过程中,预测误差表示如下式:
其中,D(m,n)为期望输出值;
6)均方误差如下式:
7)为使均方误差达到最小,对关于权值矩阵Wj的误差MSE求最小值,滤波器权值矩阵Wj采用最速下降法进行迭代更新,经过近似运算可以将滤波器权值矩阵的更新如下式:
Wj+1(l,k)=Wj(l,k)+μejX(m-l,n-k);
其中,μ为迭代步长。
3.根据权利要求2所述的红外运动目标检测方法,其特征在于,所述TDLMS滤波器的输入数据还可以进行如下改进:
1)输入数据有八个输入数据块,记作Xi(m,n)(i=0,1,2,3,5,6,7,8),这八个输入数据块环绕在被预测像素所在的数据块周围,每个数据块的大小都为P×P,八个输入数据块Xi(m,n)(i=0,1,2,3,5,6,7,8)共同组成输入数据,被预测像素位于中央数据块4X的中心;
2)八个输入数据块共用一个权值矩阵,各输入数据块产生相应的预测值Yi(m,n)(i=0,1,2,3,5,6,7,8),表示如下式:
3)权值矩阵更新如下:
Wj+1(l,k)=Wj(l,k)+μe(m,n)Am,n(l,k);
其中,误差e(m,n)的计算公式如下:
e(m,n)=X(m,n)-Y(m,n);
Am,n的计算公式如下:
矩阵Am,n需要根据输出决策来决定,不同的输出决策,得到的矩阵Am,n可能会不同。
4.根据权利要求2所述的红外运动目标检测方法,其特征在于,TDLMS滤波器滤的迭代步长μ可以作如下更新:
其中,μmin,μmax分别为最小迭代步长和最大迭代步长,表示的方差
。
5.根据权利要求2所述的红外运动目标检测方法,其特征在于,TDLMS滤波器滤的输出通过基于邻域信息分析的TDLMS滤波器决策输出,具体如下:
1)当X(m,n)比8个预测值Yi(m,n)(i=0,1,2,3,5,6,7,8)都大时,滤波器的预测输出Y(m,n)为8个预测值Yi(m,n)(i=0,1,2,3,5,6,7,8)中最小两个的均值,计算公式如下:
2)当8个预测值和被预测值X(m,n)不满足1)这种情况,则需要分别求出8个预测值Yi(m,n)(i=0,1,2,3,5,6,7,8)和被预测值之间的绝对差值,计算公式如下:
di(m,n)=|Yi(m,n)-X(m,n)|,(i=0,1,2,3,5,6,7,8),
滤波器的预测输出值Y(m,n)为di(m,n)(i=0,1,2,3,5,6,7,8)中最小两个值所对应的两个预测值的均值,可表示如下式:
6.根据权利要求2所述的红外运动目标检测方法,其特征在于,TDLMS滤波器滤的输出通过基于最小错误邻域分析的TDLMS滤波器决策输出,具体如下:
1)通过预测点所在的中央数据X4产生一个阈值,表示如下式:
threshold=m+kσ;
其中,σ和m分别为中央数据块X4除去被预测像素的标准差和均值,代表着中央数据块像素的分布情况,k为常数,根据不同的红外图像进行选取;
2)如果被预测点的灰度值X(m,n)大于阈值threshold,则选取八个预测值Yi(m,n)(i=0,1,2,3,5,6,7,8)中与实际灰度值差值最大的两个值的均值作为滤波器最终输出值;如果被预测点的灰度值X(m,n)小于或等于阈值threshold,则选取八个预测值Yi(m,n)(i=0,1,2,3,5,6,7,8)中与实际灰度值差值最小的两个值的均值;
3)在决策滤波器输出过程中,需要计算八个预测值与被预测值间的距离,可以表示如下式:
di(m,n)=|Yi(m,n)-X(m,n)|,(i=0,1,2,3,5,6,7,8);
最大、最小距离的求取公式如下:
dj=max{di(m,n)},dk=max{di(m,n,i≠j)},
ds=max{di(m,n)},dt=max{di(m,n,i≠s)},
滤波器输出表示如下式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611150263.6A CN108230350A (zh) | 2016-12-14 | 2016-12-14 | 一种红外运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611150263.6A CN108230350A (zh) | 2016-12-14 | 2016-12-14 | 一种红外运动目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108230350A true CN108230350A (zh) | 2018-06-29 |
Family
ID=62637434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611150263.6A Withdrawn CN108230350A (zh) | 2016-12-14 | 2016-12-14 | 一种红外运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230350A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276788A (zh) * | 2019-06-12 | 2019-09-24 | 北京轩宇空间科技有限公司 | 用于红外成像式导引头目标跟踪的方法和装置 |
CN111721420A (zh) * | 2020-04-27 | 2020-09-29 | 浙江智物慧云技术有限公司 | 基于红外阵列时序的半监督人工智能人体检测嵌入式算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2495583A2 (en) * | 2011-03-04 | 2012-09-05 | NEC Corporation | Target tracking system and target tracking method |
CN104268844A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学院武汉物理与数学研究所 | 一种基于加权局部图像熵的小目标红外图像处理方法 |
CN104268852A (zh) * | 2014-09-05 | 2015-01-07 | 西安电子科技大学 | 红外序列图像中弱小目标的检测方法及其检测装置 |
-
2016
- 2016-12-14 CN CN201611150263.6A patent/CN108230350A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2495583A2 (en) * | 2011-03-04 | 2012-09-05 | NEC Corporation | Target tracking system and target tracking method |
CN104268852A (zh) * | 2014-09-05 | 2015-01-07 | 西安电子科技大学 | 红外序列图像中弱小目标的检测方法及其检测装置 |
CN104268844A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学院武汉物理与数学研究所 | 一种基于加权局部图像熵的小目标红外图像处理方法 |
Non-Patent Citations (2)
Title |
---|
YUAN CAO等: "Small Target Detection Using Two-Dimensional Least Mean Square (TDLMS) Filter Based on Neighborhood Analysis", 《INT J INFRARED MI11I WAVES》 * |
万丽丽: "基于背景预测的红外目标检测", 《万方学位论文》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276788A (zh) * | 2019-06-12 | 2019-09-24 | 北京轩宇空间科技有限公司 | 用于红外成像式导引头目标跟踪的方法和装置 |
CN111721420A (zh) * | 2020-04-27 | 2020-09-29 | 浙江智物慧云技术有限公司 | 基于红外阵列时序的半监督人工智能人体检测嵌入式算法 |
CN111721420B (zh) * | 2020-04-27 | 2021-06-29 | 浙江智物慧云技术有限公司 | 基于红外阵列时序的半监督人工智能人体检测嵌入式算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nasiri et al. | Infrared small target enhancement based on variance difference | |
Harikiran et al. | Impulse noise removal in digital images | |
CN105976330B (zh) | 一种嵌入式雾天实时视频稳像方法 | |
CN109902715B (zh) | 一种基于上下文聚合网络的红外弱小目标检测方法 | |
US10452922B2 (en) | IR or thermal image enhancement method based on background information for video analysis | |
US20090161981A1 (en) | Method for Enhancing Ground-Based Detection of a Moving Object | |
CN104796582B (zh) | 基于随机喷射retinex的视频图像去噪与增强方法及装置 | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
CN112560619B (zh) | 一种基于多聚焦图像融合的多距离鸟类精准识别方法 | |
CN111260738A (zh) | 基于相关滤波和自适应特征融合的多尺度目标跟踪方法 | |
CN110428389B (zh) | 基于msr理论和曝光融合的微光图像增强方法 | |
CN109961042B (zh) | 结合深度卷积神经网络和视觉变化图的烟雾检测方法 | |
CN107392095A (zh) | 一种基于掩码图像的红外弱小目标检测算法 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
CN108830808A (zh) | 基于相似线窗口均值补偿的星上红外图像条纹噪声去除方法 | |
CN103208105A (zh) | 一种红外图像细节增强与噪声自适应抑制方法 | |
CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
Dong et al. | Infrared target detection in backlighting maritime environment based on visual attention model | |
CN114627034A (zh) | 一种图像增强方法、图像增强模型的训练方法及相关设备 | |
CN107992875B (zh) | 一种基于图像带通滤波的显著目标检测方法 | |
Suryavamsi et al. | Comparative analysis of various enhancement methods for astrocytoma MRI images | |
CN108230350A (zh) | 一种红外运动目标检测方法 | |
Peng et al. | Litchi detection in the field using an improved YOLOv3 model | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180629 |