CN108596844A - 用于弹炮遥控武器站的背景抑制方法 - Google Patents
用于弹炮遥控武器站的背景抑制方法 Download PDFInfo
- Publication number
- CN108596844A CN108596844A CN201810326693.1A CN201810326693A CN108596844A CN 108596844 A CN108596844 A CN 108596844A CN 201810326693 A CN201810326693 A CN 201810326693A CN 108596844 A CN108596844 A CN 108596844A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- scale
- coefficient
- lateral inhibition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000001629 suppression Effects 0.000 title claims abstract description 13
- 230000023886 lateral inhibition Effects 0.000 claims abstract description 43
- 230000005764 inhibitory process Effects 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 6
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 241000669244 Unaspis euonymi Species 0.000 claims 1
- 230000036039 immunity Effects 0.000 abstract description 7
- 230000003044 adaptive effect Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 235000001968 nicotinic acid Nutrition 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 230000002401 inhibitory effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种用于弹炮遥控武器站的背景抑制方法，涉及图像处理技术领域。本发明运用视觉仿生技术，引入视觉系统的侧抑制机制，根据图像信息，引入描述图像边缘特性的度量因子和局部范围方差来确定各向异性高斯滤波器的长轴和短轴尺度，并根据图像的梯度信息来确定滤波器的方向信息，由此构造了各向异性高斯滤波器。将图像信息与侧抑制系数的确定联系起来，确定了基于图像信息的自适应侧抑制网络系数，改善了以往采用固定侧抑制系数模板的方式，具有良好的自适应性。同时，在选取图像特征时，考虑了噪声信号对侧抑制网络的影响，在一定程度上提高了侧抑制网络的抗噪性。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种用于弹炮遥控武器站的背景抑制方法。
背景技术
弹炮遥控武器站集成设计方案中，观瞄系统采集的视频图像中复杂的战场环境背景、背景杂波和背景强光等会严重影响导弹弹标和坦克目标的检测效果。背景抑制(Background suppression)技术能通过对图像的预处理达到抑制背景、突出目标的效果。它是目标检测的重要前提，尤其是对导弹弹标检测的必要条件。因此，在弹炮遥控武器站集成设计方案中，必须利用背景抑制技术来实现抗干扰功能。
侧抑制网络可以抑制空间低频部分，相当于空间域的高通滤波器。在侧抑制网络中，侧抑制系数和抑制野范围的选取是侧抑制网络模型的关键。常用的描述图像信息的参数有：灰度、对比度、图像的梯度、图像的均值和方差等。由于图像中不可避免的会混入一定的噪声，采用灰度、对比度来直接得到侧抑制系数，从而确定侧抑制网络模型，没有考虑到噪声对侧抑制网络的影响。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：如何提高侧抑制网络的抗噪性。
(二)技术方案
为了解决上述技术问题，本发明提供了一种用于弹炮遥控武器站的图像背景抑制方法，包括以下步骤：
步骤1、输入图像；
步骤2、根据描述图像边缘点特征的度量因子确定各向异性高斯滤波器的长轴尺度，根据图像的局部方差确定各向异性高斯滤波器的短轴尺度，并利用图像的梯度信息确定各向异性高斯滤波器的角度；
步骤3、利用步骤2得到的各向异性高斯滤波器的长轴尺度、短轴尺度及角度构造各向异性高斯滤波器；
步骤4、根据各向异性高斯滤波器的参数确定侧抑制网络的侧抑制系数；
步骤5、根据抑制野范围以及所述侧抑制系数确定侧抑制网络的数学模型；
步骤6、将确定了数学模型的侧抑制网络作为高通滤波器对所输入的图像进行背景抑制。
优选地，步骤2中根据描述图像边缘点特征的度量因子确定各向异性高斯滤波器的长轴尺度具体为：
以边缘点为中心，以水平、垂直、斜对角四个方向之一将图像中每个像素点的邻域分为大小相同的两部分，计算像素点两子邻域上的灰度均值，设像素点(i,j)对应的两个子邻域里的像素个数为n，按照上述四个不同的方向划分，得到的像素灰度分别为Ft1 m和Ft2 m，m＝1,2,3,4，则像素点(i,j)对应的两子邻域上灰度均值为：
像素点(i,j)在水平、垂直、右斜对角、左斜对角方向四个方向的四对子邻域灰度突变值为：
则度量因子Eij描述为：
用度量因子Eij描述像素点(i,j)灰度突变性，Eij越大则像素点为边缘点的可能性越大；反之，Eij越小像素点为平滑背景点的可能性越大；
采用描述图像边缘点特性的度量因子Eij来确定各向异性高斯滤波器的尺度σu，即高斯核函数在u方向上的尺度，因此得到：
优选地，步骤2中根据图像的局部方差确定各向异性高斯滤波器的短轴尺度σv，即高斯核函数在v方向上的尺度具体为：
采用下式来确定σv：
其中，SI为图像像素点(i,j)邻域范围内的方差。
优选地，步骤2中利用图像的梯度信息确定各向异性高斯滤波器的角度具体为：
设图像中像素点(i,j)的灰度值为F(i,j)，该像素点(i,j)在水平和垂直方向的梯度分别为Dx(i,j)和Dy(i,j)，则像素点(i,j)处的梯度方向角θ⊥满足：
θ⊥(i,j)＝arctan[Dy(i,j)/Dx(i,j)]
得到各向异性高斯滤波器：
其中，坐标u-v与坐标x-y的关系为：旋转角度θ后，由坐标变换可得：
其中，θ＝θ⊥+90°。
优选地，步骤4中，所述侧抑制系数根据图像的梯度信息、灰度信号和度量因子信息自适应确定。
优选地，步骤5中选用5×5的抑制野，即抑制野宽度为2。
优选地，所述方法用于实现弹炮遥控武器站中观瞄系统采集的图像的背景抑制。
优选地，所述图像为导弹发射后飞行过程中弹标的视频图像。
(三)有益效果
本发明运用视觉仿生技术，引入视觉系统的侧抑制机制，根据图像信息，引入描述图像边缘特性的度量因子和局部范围方差来确定各向异性高斯滤波器的长轴和短轴尺度，并根据图像的梯度信息来确定滤波器的方向信息，由此构造了各向异性高斯滤波器。将图像信息与侧抑制系数的确定联系起来，确定了基于图像信息的自适应侧抑制网络系数，改善了以往采用固定侧抑制系数模板的方式，具有良好的自适应性。同时，在选取图像特征时，考虑了噪声信号对侧抑制网络的影响，在一定程度上提高了侧抑制网络的抗噪性。
附图说明
图1是本发明的方法主要流程图；
图2是本发明的边缘点判断方法原理图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
如图1所示，发明提供了一种用于弹炮遥控武器站的图像背景抑制方法，包括以下步骤：
步骤1、输入图像；
步骤2、根据描述图像边缘点特征的度量因子确定各向异性高斯滤波器的长轴尺度，根据图像的局部方差确定各向异性高斯滤波器的短轴尺度，并利用图像的梯度信息确定各向异性高斯滤波器的角度；
步骤3、利用步骤2得到的各向异性高斯滤波器的长轴尺度、短轴尺度及角度构造各向异性高斯滤波器；
步骤4、根据各向异性高斯滤波器的参数确定侧抑制网络的侧抑制系数；
步骤5、根据抑制野范围以及所述侧抑制系数确定侧抑制网络的数学模型；
步骤6、将确定了数学模型的侧抑制网络作为高通滤波器对所输入的图像进行背景抑制。
由于图像中不可避免的会混入一定的噪声，采用灰度、对比度来确定侧抑制系数，没有考虑到噪声对侧抑制网络的影响。所以，本发明在选取图像特征时，考虑到噪声问题，选用描述图像边缘点特征的度量因子和图像的局部方差来确定各向异性高斯滤波器的尺度参数，提高侧抑制网络的抗噪性。
通过分析发现，侧抑制网络相当于空间域的高通滤波器。噪声信号和目标信号都位于高频段，所以侧抑制网络对噪声较敏感，抗噪性较差。为了使侧抑制网络在图像中有噪声干扰的情况下，仍能有良好的背景抑制效果，在选用图像特征信息时，本发明引入描述图像边缘点特征的度量因子。
在视频图像中，目标和周围背景的灰度不同，在目标边缘处存在灰度突变点，即边缘点。边缘点的特性是：位于边缘点对应两侧的像素点，灰度强度不同。并且边缘点具有一定的方向性，即在任一边缘点的邻域内，沿边缘方向，都能找到至少一个方向，这个方向上像素点的灰度与边缘点的灰度相近。所以，以边缘点为边界，可以把其周围邻域的像素分为四个子区域，如图2所示。边缘点的判断策略是：边缘点周围像素的四个子区域中，两个子区域的灰度分布均匀，另外两个子区域间灰度相差较大。而位于噪声点或背景点两侧的像素点，灰度强度相近，也没有方向性特征。
以边缘点为中心，以水平、垂直、斜对角四个方向之一可以将图像中每个像素点的邻域分为大小相同的两部分。计算像素点两子邻域上的灰度均值，设按照上述四个不同的方向划分，像素点(i,j)对应的两个子邻域里的像素个数为n，像素灰度分别为Ft1 m和Ft2 m，则得到的像素点(i,j)对应的两子邻域上灰度均值为：
其中，m＝1,2,3,4。例如，按照水平方向划分，得到的像素点(i,j)对应的两子邻域上灰度均值为
像素点(i,j)在水平、垂直、右斜对角、左斜对角方向四个方向的四对子邻域灰度突变值为：
则度量因子Eij描述为：
用度量因子Eij描述像素点(i,j)灰度突变性。Eij越大则像素点为边缘点的可能性越大；反之，Eij越小像素点为平滑背景点的可能性越大。
本发明引入描述图像边缘点特征的度量因子来确定各向异性高斯滤波器的尺度σu，使得各向异性高斯滤波器的参数能根据图像的边缘信息自适应调整，突出边缘点的同时，抑制噪声。
因此步骤2中，采用描述图像边缘点特性的度量因子Eij来确定滤波器的尺度σu(高斯核函数在u方向上的尺度)，即定义u轴为：
根据图像的局部方差确定各向异性高斯滤波器的短轴尺度具体为：
图像的方差是与图像状态紧密相关的数据，它给出了图像的平均对比度的度量，同时也与边缘相关。所以，步骤2中利用图像局部范围的方差来确定各向异性高斯滤波器的尺度σv(高斯核函数在v方向上的尺度)，v轴参数采用下式来确定：
其中，SI为图像像素点(i,j)预设邻域范围内的方差。
步骤2利用图像的梯度信息来确定各向异性高斯滤波器的角度。图像中像素点(i,j)的灰度值为F(i,j)，该像素点在水平和垂直方向的梯度分别为Dx(i,j)和Dy(i,j)，则像素点(i,j)处的梯度方向角θ⊥满足：
θ⊥(i,j)＝arctan[Dy(i,j)/Dx(i,j)] (6)
θ⊥为法线方向。
得到各向异性高斯滤波器：
其中，坐标u-v与坐标x-y的关系为：旋转角度θ后，由坐标变换可得：
θ＝θ⊥+90° (9)
各向异性高斯滤波器，用坐标u-v表示为：
本发明利用描述图像边缘特性的度量因子和局部范围的方差来确定各向异性高斯核函数的长短轴，利用图像的梯度信息来确定各向异性高斯滤波器的角度。这样，各向异性高斯滤波器的所有参数都由图像信息来自适应确定，从而根据图像信息自适应的确定了侧抑制系数hmn(i,j)，并且度量因子和图像的方差都与边缘特性有关，在抑制背景的同时，能够提升侧抑制网络的抗噪性。
抑制野是指能对中心感受器单元产生抑制影响的感受器的范围。理论上，由于抑制性影响存在空间总和效应，对中心感受器产生抑制作用的邻近感受器越多，则中心感受器受到的抑制作用越大。即抑制野的范围越大，其突出边缘的效果越明显，背景抑制效果就越好。但是，在实际应用中选用的抑制野宽度越大，计算量也会迅速增加。因此，通常将抑制野的范围规定为中心感受器单元周围较小的范围。这样可以减小网络模型的规模，提高图像处理的实时性。常见的有3×3，5×5，7×7大小的抑制野，其权值系数(抑制系数)模板分别为：
其中β为侧抑制系数的简写形式。本发明选用5×5的抑制野，即抑制野宽度为2，抑制系数根据图像的梯度信息、灰度信号和度量因子信息自适应确定。这样在保证计算量较小的情况下，还能够较好的体现出各向异性高斯核函数的形状。
可以看出，本发明根据图像信息，引入描述图像边缘特性的度量因子和局部范围方差来确定各向异性高斯滤波器的长轴和短轴尺度，并根据图像的梯度信息来确定滤波器的方向信息，由此构造了各向异性高斯滤波器。将图像信息与侧抑制系数的确定联系起来，确定了基于图像信息的自适应侧抑制网络系数，改善了以往采用固定侧抑制系数模板的方式，具有良好的自适应性。同时，在选取图像特征时，考虑了噪声信号对侧抑制网络的影响，在一定程度上提高了侧抑制网络的抗噪性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种用于弹炮遥控武器站的图像背景抑制方法，其特征在于，包括以下步骤：
步骤1、输入图像；
步骤2、根据描述图像边缘点特征的度量因子确定各向异性高斯滤波器的长轴尺度，根据图像的局部方差确定各向异性高斯滤波器的短轴尺度，并利用图像的梯度信息确定各向异性高斯滤波器的角度；
步骤3、利用步骤2得到的各向异性高斯滤波器的长轴尺度、短轴尺度及角度构造各向异性高斯滤波器；
步骤4、根据各向异性高斯滤波器的参数确定侧抑制网络的侧抑制系数；
步骤5、根据抑制野范围以及所述侧抑制系数确定侧抑制网络的数学模型；
步骤6、将确定了数学模型的侧抑制网络作为高通滤波器对所输入的图像进行背景抑制。
2.如权利要求1所述的方法，其特征在于，步骤2中根据描述图像边缘点特征的度量因子确定各向异性高斯滤波器的长轴尺度具体为：
以边缘点为中心，以水平、垂直、斜对角四个方向之一将图像中每个像素点的邻域分为大小相同的两部分，计算像素点两子邻域上的灰度均值，设像素点(i,j)对应的两个子邻域里的像素个数为n，按照上述四个不同的方向划分，得到的像素灰度分别为Ft1 m和Ft2 m，m＝1,2,3,4，则像素点(i,j)对应的两子邻域上灰度均值为：
像素点(i,j)在水平、垂直、右斜对角、左斜对角方向四个方向的四对子邻域灰度突变值为：
则度量因子Eij描述为：
用度量因子Eij描述像素点(i,j)灰度突变性，Eij越大则像素点为边缘点的可能性越大；反之，Eij越小像素点为平滑背景点的可能性越大；
采用描述图像边缘点特性的度量因子Eij来确定各向异性高斯滤波器的尺度σu，即高斯核函数在u方向上的尺度，因此得到：
3.如权利要求1所述的方法，其特征在于，步骤2中根据图像的局部方差确定各向异性高斯滤波器的短轴尺度σv，即高斯核函数在v方向上的尺度具体为：
采用下式来确定σv：
其中，SI为图像像素点(i,j)邻域范围内的方差。
4.如权利要求3所述的方法，其特征在于，步骤2中利用图像的梯度信息确定各向异性高斯滤波器的角度具体为：
设图像中像素点(i,j)的灰度值为F(i,j)，该像素点(i,j)在水平和垂直方向的梯度分别为Dx(i,j)和Dy(i,j)，则像素点(i,j)处的梯度方向角θ⊥满足：
θ⊥(i,j)＝arctan[Dy(i,j)/Dx(i,j)]
得到各向异性高斯滤波器：
其中，坐标u-v与坐标x-y的关系为：旋转角度θ后，由坐标变换可得：
其中，θ＝θ⊥+90°。
5.如权利要求1所述的方法，其特征在于，步骤4中，所述侧抑制系数根据图像的梯度信息、灰度信号和度量因子信息自适应确定。
6.如权利要求1所述的方法，其特征在于，步骤5中选用5×5的抑制野，即抑制野宽度为2。
7.如权利要求1至6中任一项所述的方法，其特征在于，所述方法用于实现弹炮遥控武器站中观瞄系统采集的图像的背景抑制。
8.如权利要求7所述的方法，其特征在于，所述图像为导弹发射后飞行过程中弹标的视频图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810326693.1A CN108596844A (zh) | 2018-04-12 | 2018-04-12 | 用于弹炮遥控武器站的背景抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810326693.1A CN108596844A (zh) | 2018-04-12 | 2018-04-12 | 用于弹炮遥控武器站的背景抑制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108596844A true CN108596844A (zh) | 2018-09-28 |
Family
ID=63622003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810326693.1A Pending CN108596844A (zh) | 2018-04-12 | 2018-04-12 | 用于弹炮遥控武器站的背景抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108596844A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110708568A (zh) * | 2019-10-30 | 2020-01-17 | 北京奇艺世纪科技有限公司 | 一种视频内容突变检测方法及装置 |
| CN115861359A (zh) * | 2022-12-16 | 2023-03-28 | 兰州交通大学 | 一种水面漂浮垃圾图像自适应分割提取方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493938A (zh) * | 2009-02-27 | 2009-07-29 | 西北工业大学 | 基于噪声分布规律检测伪造图像的方法 |
| US20100305857A1 (en) * | 2009-05-08 | 2010-12-02 | Jeffrey Byrne | Method and System for Visual Collision Detection and Estimation |
| US20110176744A1 (en) * | 2010-01-20 | 2011-07-21 | Korea University Research And Business Foundation | Apparatus and method for image interpolation using anisotropic gaussian filter |
| CN102567708A (zh) * | 2010-12-27 | 2012-07-11 | 北京北科慧识科技股份有限公司 | 生物特征提取方法、装置及生物识别方法、系统 |
| CN103236060A (zh) * | 2013-04-28 | 2013-08-07 | 北京农业信息技术研究中心 | 基于多特征融合的白粉虱图像分割方法 |
| CN103345730A (zh) * | 2013-07-17 | 2013-10-09 | 重庆邮电大学 | 基于侧抑制网络的红外图像处理方法 |
| CN104376319A (zh) * | 2014-10-22 | 2015-02-25 | 西安工程大学 | 一种基于各向异性高斯核提取封闭边缘图像轮廓的方法 |
| CN105374035A (zh) * | 2015-11-03 | 2016-03-02 | 北京航空航天大学 | 杂光干扰下星敏感器星点提取方法 |
| CN105528784A (zh) * | 2015-12-02 | 2016-04-27 | 沈阳东软医疗系统有限公司 | 一种前景背景分割的方法和装置 |
| CN106251344A (zh) * | 2016-07-26 | 2016-12-21 | 北京理工大学 | 一种基于视觉感受野的多尺度红外目标自适应检测方法 |
| CN107169979A (zh) * | 2017-05-11 | 2017-09-15 | 南宁市正祥科技有限公司 | 一种改进Canny算子的图像边缘检测方法 |
-
2018
- 2018-04-12 CN CN201810326693.1A patent/CN108596844A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493938A (zh) * | 2009-02-27 | 2009-07-29 | 西北工业大学 | 基于噪声分布规律检测伪造图像的方法 |
| US20100305857A1 (en) * | 2009-05-08 | 2010-12-02 | Jeffrey Byrne | Method and System for Visual Collision Detection and Estimation |
| US20110176744A1 (en) * | 2010-01-20 | 2011-07-21 | Korea University Research And Business Foundation | Apparatus and method for image interpolation using anisotropic gaussian filter |
| CN102567708A (zh) * | 2010-12-27 | 2012-07-11 | 北京北科慧识科技股份有限公司 | 生物特征提取方法、装置及生物识别方法、系统 |
| CN103236060A (zh) * | 2013-04-28 | 2013-08-07 | 北京农业信息技术研究中心 | 基于多特征融合的白粉虱图像分割方法 |
| CN103345730A (zh) * | 2013-07-17 | 2013-10-09 | 重庆邮电大学 | 基于侧抑制网络的红外图像处理方法 |
| CN104376319A (zh) * | 2014-10-22 | 2015-02-25 | 西安工程大学 | 一种基于各向异性高斯核提取封闭边缘图像轮廓的方法 |
| CN105374035A (zh) * | 2015-11-03 | 2016-03-02 | 北京航空航天大学 | 杂光干扰下星敏感器星点提取方法 |
| CN105528784A (zh) * | 2015-12-02 | 2016-04-27 | 沈阳东软医疗系统有限公司 | 一种前景背景分割的方法和装置 |
| CN106251344A (zh) * | 2016-07-26 | 2016-12-21 | 北京理工大学 | 一种基于视觉感受野的多尺度红外目标自适应检测方法 |
| CN107169979A (zh) * | 2017-05-11 | 2017-09-15 | 南宁市正祥科技有限公司 | 一种改进Canny算子的图像边缘检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| FENG WANG 等: "Adapted Anisotropic Gaussian SIFT Matching Strategy for SAR Registration", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
| HAIJIAO YUN 等: "Image enhancement algorithm based on improved lateral inhibition network", 《INFRARED PHYSICS & TECHNOLOGY》 * |
| J.-M. GEUSEBROEK 等: "Fast anisotropic Gauss filtering", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| 史漫丽: "复杂环境下红外弱小目标检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 田妮莉 等: "一种基于IDS模型的各向异性高通滤波新算法", 《机电工程技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110708568A (zh) * | 2019-10-30 | 2020-01-17 | 北京奇艺世纪科技有限公司 | 一种视频内容突变检测方法及装置 |
| CN115861359A (zh) * | 2022-12-16 | 2023-03-28 | 兰州交通大学 | 一种水面漂浮垃圾图像自适应分割提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105759268B (zh) | 基于多线程的sar图像cfar自适应快速检测方法 | |
| CN106251344B (zh) | 一种基于视觉感受野的多尺度红外目标自适应检测方法 | |
| CN109272489B (zh) | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 | |
| CN109035152B (zh) | 一种合成孔径雷达图像非局部均值滤波方法 | |
| CN109740445B (zh) | 一种变尺寸的红外弱小目标检测方法 | |
| CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
| CN111027496B (zh) | 基于空时联合局部对比度的红外弱小目标检测方法 | |
| CN108550145B (zh) | 一种sar图像质量评估方法和装置 | |
| CN108133468B (zh) | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 | |
| CN109785260B (zh) | 一种针对侧扫声呐图像的非线性增强方法 | |
| CN110400294B (zh) | 一种红外目标探测系统及探测方法 | |
| CN108596844A (zh) | 用于弹炮遥控武器站的背景抑制方法 | |
| CN110764069A (zh) | 一种基于知识辅助的稀疏恢复stap色加载方法 | |
| CN105741284B (zh) | 一种多波束前视声纳目标检测方法 | |
| CN113514054A (zh) | 一种星敏感器星点像斑检测方法及系统 | |
| CN108614998A (zh) | 一种单像素红外目标检测方法 | |
| CN106056115B (zh) | 一种非均匀背景下的红外小目标检测方法 | |
| CN112435249B (zh) | 一种基于周扫红外搜索系统的动态小目标检测方法 | |
| CN107451608B (zh) | 基于多视幅度统计特性的sar图像无参考质量评价方法 | |
| CN113705505A (zh) | 一种面向海洋渔业的船舶目标检测方法和系统 | |
| CN110223264B (zh) | 基于直觉可能性集的图像差异特征属性融合有效度分布构造及合成方法 | |
| CN111579557A (zh) | 一种电极帽修磨质量检测装置 | |
| WO2022213527A1 (zh) | 一种船用雷达雨雪杂波抑制算法 | |
| CN115909064A (zh) | 一种海雾环境下基于深度学习的海上舰船目标检测方法 | |
| CN112698330B (zh) | 基于比值对数积的极化sar图像非局部均值方法 |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20220311 |
|
| AD01 | Patent right deemed abandoned |