CN108647693A - 一种基于二元显著性特征的海面红外目标检测方法 - Google Patents
一种基于二元显著性特征的海面红外目标检测方法 Download PDFInfo
- Publication number
- CN108647693A CN108647693A CN201810364072.2A CN201810364072A CN108647693A CN 108647693 A CN108647693 A CN 108647693A CN 201810364072 A CN201810364072 A CN 201810364072A CN 108647693 A CN108647693 A CN 108647693A
- Authority
- CN
- China
- Prior art keywords
- target
- significant characteristics
- binary
- feature
- roi
- 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.)
- Granted
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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于二元显著性特征的海面红外目标检测方法,包括:根据目标尺寸,对原始红外图像进行基于中心环绕抑制的显著性特征提取,得到抑制背景的特征图,对原始红外图像进行基于广义统一局部二进制模式的显著性特征提取,得到排除干扰的特征图;将抑制背景的特征图和排除干扰的特征图融合,得到目标二元显著性特征图;在目标二元显著性特征图上,提取目标感兴趣区,基于目标感兴趣区在原始红外图像对应的ROI区域提取类间类内方差比特征,利用类间类内方差比特征,剔除虚警,得到目标检测结果。本发明检测率高,虚警率低,大大降低了云遮挡、海杂波、眩光、运动尾迹等复杂背景和干扰的影响。
Description
技术领域
本发明属于红外图像处理领域,更具体地,涉及一种基于二元显著性特征的海面红外目标检测方法。
背景技术
红外技术因灵敏度和帧频高、隐蔽性好、不受使用时间限制,被广泛应用。当目标距离较远时,红外探测器接收到的目标辐射能量较低,同时接收到了视场内其他物体的辐射,因此成像后的图像中大部分为空间分布不平稳的复杂背景杂波(如云层遮挡、海杂波、眩光、运动船只尾迹等),其中,浓云和较大海浪的边缘在梯度信息上与少像素目标极为相似;目标不仅信噪比较低,而且成像所占图像的像素数少,形状信息不充分;海面目标检测技术对检测率和算法实时性的要求近乎苛刻。既要满足检测系统信息处理的实时性要求,同时尽量降低背景杂波的影响,提高目标的检测率和检测速度,降低检测虚警率。
目前在红外图像海面目标检测方法上,可以分为两个方向:一是基于模板匹配的目标检测,二是基于知识的目标特征检测。基于模板匹配的目标检测算法需要目标完全出现在图像视场中,而实际应用中,目标常常被云层遮挡,或者有海杂波、眩光、运动船只尾迹等干扰,要使用该方法就要首先进行图像滤波,将被干扰的目标突出出来,因此,该方法适应能力差,处理复杂。同时,使用该方法需要提前进行模板制备,而模板制备所需的图像数据获取代价大。
在基于知识的目标特征检测算法上,所选择的特征的表达能力至关重要,它直接决定了算法的检测率和虚警率的高低。根据特征的提取方式不同,目标检测方法分为基于规则模型的目标检测算法和基于深层知识的目标检测算法。基于规则模型的目标检测算法,其特征提取方法采用自顶向下的人为主观设计,得到固定模式特征、有限类特征,该类特征往往基于专家知识,特征的优劣很大程度上靠经验,而非客观上的最优或者次优的目标表达特征。所以,在面对复杂干扰背景下的目标检测问题时,算法的泛化能力将受到制约,局限性凸显。在复杂背景和干扰成像条件下,算法的检测率下降,虚警率上升。但是,该类方法往往实时性较好,易于硬件实现。
不同于基于规则模型的目标检测算法中人为设计特征,以深度学习为背景的基于深层知识的目标检测算法,模拟人类神经网络的工作机理,以海量的样本数据,训练深度神经网络模型,实现特征的自动提取和筛选。虽然深度学习已经在图像目标检测识别领域获得了巨大的成功,且随着网络结构的不断调整,其参数量也不断减小,但是对于硬件要求严苛的条件下难以保证实时性,且网络性能对于前期的训练样本依赖性太大,而制作海量的优秀训练样本代价较大。
由此可见,现有技术存在含有大部分虚假目标、检测率低、虚警率高的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于二元显著性特征的海面红外目标检测方法,由此解决现有技术存在含有大部分虚假目标、检测率低、虚警率高的技术问题。
为实现上述目的,本发明提供了一种基于二元显著性特征的海面红外目标检测方法,包括:
(1)根据目标尺寸,对原始红外图像进行基于中心环绕抑制的显著性特征提取,得到抑制背景的特征图,对原始红外图像进行基于广义统一局部二进制模式的显著性特征提取,得到排除干扰的特征图;
(2)将抑制背景的特征图和排除干扰的特征图融合,得到目标二元显著性特征图;
(3)在目标二元显著性特征图上,提取目标感兴趣区,基于目标感兴趣区在原始红外图像对应的ROI区域提取类间类内方差比特征,利用类间类内方差比特征,剔除虚警,得到目标检测结果。
进一步地,基于中心环绕抑制的显著性特征提取包括:
原始红外图像的像素点(x,y)的灰度值为f(x,y),抑制后灰度值为g1(x,y),取(x,y)的邻域局部回形窗口,抑制模型如下:
g1(x,y)=|f(x,y)-mb|*contrast(x,y)
其中,mb为邻域回形窗口像素的灰度均值,|f(x,y)-mb|为(x,y)处的灰度值与其邻域平均灰度的差异,为邻域回形窗口内第n大的灰度值,contrast(x,y)为背景抑制因子;
对抑制后灰度值g1(x,y)进行归一化处理,得到基于中心环绕抑制的显著性特征g3(x,y),进而得到抑制背景的特征图。
进一步地,基于广义统一局部二进制模式的显著性特征提取包括:
以原始红外图像的像素点(x,y)为中心点定义k×k的窗口,k为奇数,计算半径为(k-1)/2的圆形八邻域点的灰度值fi(x,y),i∈[0,7],
然后,根据下式计算即可得到基于广义统一局部二进制模式的显著性特征g2(x,y):
其中,θi为邻域点与中心点的灰度值比较结果,Nk为二进制数中的跳变次数。
进一步地,目标二元显著性特征图为:
g(x,y)=255*g3(x,y)*g2(x,y)
其中,g(x,y)为目标二元显著性特征图,g3(x,y)为基于中心环绕抑制的显著性特征,g2(x,y)为基于广义统一局部二进制模式的显著性特征。
进一步地,提取目标感兴趣区包括:
利用完整覆盖目标的n×n窗口,遍历目标二元显著性特征图,计算n×n窗口内的灰度均值μROI和标准差σROI,按照下式计算目标感兴趣特征fROI:
fROI=μROI+αρROI
其中,α为常数;
当目标感兴趣特征fROI大于ROI分割阈值ThROI时,得到目标感兴趣区。
进一步地,类间类内方差比特征包括:
根据目标感兴趣区,提取原始红外图像对应的ROI区域的块图,统计块图灰度直方图,并按照下式计算块图的类间类内方差比特征fVRBIC:
fVRBIC=r(tm)
其中,t为块图的灰度等级,r(t)为灰度等级为t的类间类内方差比,为类间方差,为类内方差,tm为r(t)取最大值时的灰度等级,r(tm)为灰度等级为tm的类间类内方差比。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明通过将抑制背景的特征图和排除干扰的特征图融合,得到目标二元显著性特征图,根据目标二元显著性特征图,提取目标ROI并在原图对应的ROI区域提取类间类内方差比特征,进行目标确认,得到最终目标检测结果。本发明充分利用抑制背景的特征图和排除干扰的特征图,检测率高,虚警率低,大大降低了云遮挡、海杂波、眩光、运动尾迹等复杂背景和干扰的影响。
(2)本发明通过中心围绕抑制,进行局部对比度增强,突出目标,压制背景和干扰的影响,提高图像的信杂比,根据目标局部灰度最大原理,压制非目标区,提取显著性特征。
附图说明
图1是本发明实施例提供的一种基于二元显著性特征的海面红外目标检测方法的流程图;
图2是本发明实施例提供的局部区域背景和目标概率密度分布图;
图3是本发明实施例提供的GULBP特征算法原理示意图;
图4是本发明实施例提供的二元显著性特征生成算法流程图;
图5是本发明实施例提供的目标检测算法流程图;
图6(a)是本发明实施例提供的信噪比为2.13时的原图;
图6(b)是本发明实施例提供的信噪比为2.13时的原图的检测结果图;
图6(c)是本发明实施例提供的信噪比为1.65时的原图;
图6(d)是本发明实施例提供的信噪比为1.65时的原图的检测结果图;
图6(e)是本发明实施例提供的信噪比为3.09时的原图;
图6(f)是本发明实施例提供的信噪比为3.09时的原图的检测结果图;
图6(g)是本发明实施例提供的信噪比为1.3时的原图;
图6(h)是本发明实施例提供的信噪比为1.3时的原图的检测结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
一种基于二元显著性特征的海面红外目标检测方法,具体实施过程的流程如图1所示:
1二元显著性特征提取
1.1基于中心围绕抑制的显著性特征提取
在目标特征未知的情况下,相对于背景,可以认为目标的红外成像是连通、封闭的,没有灰度突变的区域;而背景是较为平缓的区域,具有较强的相关性。目标在背景中的出现将引起其所在区域的灰度发生变化。将每个像素结合其邻域中像素的性质构建抑制网络,进行局部对比度增强处理,以抑制背景、增强目标。
设原始红外图像在点(x,y)处的灰度值为f(x,y),抑制后灰度值为g1(x,y),中心围绕抑制算法实现,是以当前像素点为中心构建局部回形窗口,其中,外窗大小为R×R,内窗大小为r×r,外窗大小R和内窗大小r依据目标成像大小确定,以此窗遍历原图。内窗的大小要保证目标被增强的同时抑制噪声,外窗的大小要防止过大引起的目标位置定位不准确和过小导致的背景抑制不明显、增强的目标轮廓失真。
理想形式下,目标在外窗中所占像素恰与内窗像素重合。由于目标和背景含有不同概率密度,背景杂波和目标可以近似为高斯分布。故令:图像中背景杂波图像中目标强度均值概率密度曲线如图2所示,由图可知,μb的估计为内外窗之间环状区域的灰度均值,记为mb,再以内窗的中值作为目标均值μt的估计,由于内窗有r×r个像素,则其中值为第r×r/2个像素点的灰度值,同时,这也是外窗的第n(n=r×r/2)大像素点的灰度值,记为
建立抑制模型如下:
g1(x,y)=|f(x,y)-mb|*contrast(x,y)
其中,|f(x,y)-mb|为点(x,y)处的像素灰度值与其邻域平均灰度的差异,取绝对值是为了适应不同亮度的目标;contrast(x,y)为背景抑制因子,通过它表达点(x,y)处的局部灰度反差性质。
对于没有灰度突变或者比较平缓的图像区域,局部反差较小,经过上式,该区域的抑制输出更小,呈现抑制状态;对于灰度变化明显的图像区域,局部反差较大,经过上式,该区域的抑制输出更大,呈现增强效应。
对g1(x,y)进行归一化处理,即可得到基于中心环绕抑制的显著性特征g3(x,y)。
1.2基于GULBP的显著性特征提取
局部二进制模式(local binary patterns,LBP)是一种有效的纹理描述算子,当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次转换时,该LBP所对应的二进制模式就称为ULBP(Uniform LBP)。ULBP将二进制数的转换次数限制在两次以下,这限制了ULBP的使用。本发明所提出的广义ULBP(GULBP),是在传统ULBP纹理基础上,放开其对于二进制数中从0到1或从1到0转换次数的限制,并通过归一化处理,形成对应中心点的特征值。
基于GULBP的显著性特征提取,具体步骤包括:
首先,根据目标大小,以(x,y)为图3中空心圆所示的中心点定义k×k(k为奇数)的窗口,选择合适的k值,使窗口能够完整覆盖目标,以此窗口遍历原图提取显著性特征。
然后,计算半径为(k-1)/2的圆形八邻域点的灰度值fi(x,y)(i∈[0,7]),圆形八邻域点的位置如图3黑点所示,对于正好处于方格中心的邻域点(中心点的左、上、右、下4个点),其灰度值为其所在像素点的灰度值,位于斜45度角方向的4个黑点表示的邻域点,采用双线性插值计算其灰度值。
最后,当窗口遍历完原图,即得到基于广义统一局部二进制模式的显著性特征提取结果g2(x,y)。其中,特征值越靠近1,为目标的概率越大,特征值越靠近0,为背景的概率越大。
其中,θi为邻域点与中心点的灰度值比较结果,Nk为二进制数中的跳变次数。
1.3显著性特征提取结果融合
如图4所示,上述两种显著性特征提取方法,中心围绕抑制的特点是能够削弱和抑制干扰、增强目标,GULBP的特点是考虑目标的纹理特性,对于真实目标而言,其特征符合两种显著性特征提取的要求,而对于多数虚假目标,往往只在一种特征维上与真实目标相似,因此,通过融合两种显著性特征提取结果,能够有效提高后续目标检测的准确率。
将基于中心围绕抑制的显著性特征提取结果g3(x,y)和基于GULBP的显著性特征提取结果g2(x,y),按照下式对应相乘,融合两种方法显著性特征提取结果,并将灰度级变换到[0,255],即可得到目标二元显著性特征图g(x,y)。
g(x,y)=255*g3(x,y)*g2(x,y)
2目标检测
为了提高目标检测精度,降低检测虚警率,需要结合二元显著性特征图在原图进行进一步筛选,区分虚警目标区和真实目标区。真实目标区域中因为存在目标和背景,图像具有两类特点,灰度直方图体现为双峰分布,且有一定对比度,类间类内方差比(fVRBIC)大,因此,采用类间类内方差比特征作为目标检测的评估标准。
基于VRBIC特征的目标检测流程见图5,具体步骤包括:
(1)二元显著性特征图目标ROI提取
根据目标二元显著性特征图结果,结合目标大小,选择合适的n值,使得n×n的窗口能够完整覆盖目标,并设置合适的遍历步长以避免切割目标。窗口遍历目标二元显著性特征图提取目标感兴趣区域(ROI)。计算窗口内的灰度均值μROI和标准差σROI,按照下式计算特征fROI,以此特征值与ROI分割阈值ThROI比较,大于阈值的即为目标ROI。
fROI=μROI+ασROI
其中,α为经验常数。在本发明具体实施例中,α=5。
(2)原图目标检测
根据目标二元显著性特征图ROI提取结果,提取原图对应的ROI区域块图,统计块图灰度直方图,按照下式计算块图的类间类内方差比特征fVRBIC。
fVRBIC=r(tm)
其中,t为灰度等级,r(t)为类间类内方差比,为类间方差,为类内方差,tm为r(t)取最大值时的灰度等级。
最后,将不同块图得到的类间类内方差比fVRBIC,与经过多次实验得到的阈值ThVRBIC相比较,将大于ThVRBIC的块图保留,ThVRBIC取1.3,小于阈值的区域舍弃,即得到目标检测结果。
本发明以基于中心围绕抑制的显著性特征提取算法和基于GULBP的显著性特征提取算法,提取红外图像的显著性特征信息,融合后得到目标二元显著性特征图,并进行目标ROI提取,然后在原图对应的ROI区域计算类间类内方差比,实现目标的降虚警检测。本发明提出的方法,实时性好,检测率高,虚警率低,而且便于硬件实现。
图6所示为本发明实施例中使用的待检测红外图像与它们被本发明检测的结果对比图。对比发现,在信噪比为2.13、1.65、3.09和1.3时,本发明提出的海面红外目标检测方法,能够从复杂的海面背景中,抑制云遮挡、眩光、海杂波、运动尾迹等干扰的影响,排除大量虚警,实现红外目标的降虚警检测。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于二元显著性特征的海面红外目标检测方法,其特征在于,包括:
(1)根据目标尺寸,对原始红外图像进行基于中心环绕抑制的显著性特征提取,得到抑制背景的特征图,对原始红外图像进行基于广义统一局部二进制模式的显著性特征提取,得到排除干扰的特征图;
(2)将抑制背景的特征图和排除干扰的特征图融合,得到目标二元显著性特征图;
(3)在目标二元显著性特征图上,提取目标感兴趣区,基于目标感兴趣区在原始红外图像对应的ROI区域提取类间类内方差比特征,利用类间类内方差比特征,剔除虚警,得到目标检测结果。
2.如权利要求1所述的一种基于二元显著性特征的海面红外目标检测方法,其特征在于,所述基于中心环绕抑制的显著性特征提取包括:
原始红外图像的像素点(x,y)的灰度值为f(x,y),抑制后灰度值为g1(x,y),取(x,y)的邻域局部回形窗口,抑制模型如下:
g1(x,y)=|f(x,y)-mb|*contrast(x,y)
其中,mb为邻域回形窗口像素的灰度均值,|f(x,y)-mb|为(x,y)处的灰度值与其邻域平均灰度的差异,为邻域回形窗口内第n大的灰度值,contrast(x,y)为背景抑制因子;
对抑制后灰度值g1(x,y)进行归一化处理,得到基于中心环绕抑制的显著性特征g3(x,y),进而得到抑制背景的特征图。
3.如权利要求1或2所述的一种基于二元显著性特征的海面红外目标检测方法,其特征在于,所述基于广义统一局部二进制模式的显著性特征提取包括:
以原始红外图像的像素点(x,y)为中心点定义k×k的窗口,k为奇数,计算半径为(k-1)/2的圆形八邻域点的灰度值fi(x,y),i∈[0,7],
然后,根据下式计算即可得到基于广义统一局部二进制模式的显著性特征g2(x,y):
其中,θi为邻域点与中心点的灰度值比较结果,Nk为二进制数中的跳变次数。
4.如权利要求1或2所述的一种基于二元显著性特征的海面红外目标检测方法,其特征在于,所述目标二元显著性特征图为:
g(x,y)=255*g3(x,y)*g2(x,y)
其中,g(x,y)为目标二元显著性特征图,g3(x,y)为基于中心环绕抑制的显著性特征,g2(x,y)为基于广义统一局部二进制模式的显著性特征。
5.如权利要求1或2所述的一种基于二元显著性特征的海面红外目标检测方法,其特征在于,所述提取目标感兴趣区包括:
利用完整覆盖目标的n×n窗口,遍历目标二元显著性特征图,计算n×n窗口内的灰度均值μROI和标准差σROI,按照下式计算目标感兴趣特征fROI:
fROI=μROI+ασROI
其中,α为常数;
当目标感兴趣特征fROI大于ROI分割阈值ThROI时,得到目标感兴趣区。
6.如权利要求1或2所述的一种基于二元显著性特征的海面红外目标检测方法,其特征在于,所述类间类内方差比特征包括:
根据目标感兴趣区,提取原始红外图像对应的ROI区域的块图,统计块图灰度直方图,并按照下式计算块图的类间类内方差比特征fVRBIC:
fVRBIC=r(tm)
其中,t为块图的灰度等级,r(t)为灰度等级为t的类间类内方差比,为类间方差,为类内方差,tm为r(t)取最大值时的灰度等级,r(tm)为灰度等级为tm的类间类内方差比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810364072.2A CN108647693B (zh) | 2018-04-20 | 2018-04-20 | 一种基于二元显著性特征的海面红外目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810364072.2A CN108647693B (zh) | 2018-04-20 | 2018-04-20 | 一种基于二元显著性特征的海面红外目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647693A true CN108647693A (zh) | 2018-10-12 |
CN108647693B CN108647693B (zh) | 2021-07-02 |
Family
ID=63746879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810364072.2A Active CN108647693B (zh) | 2018-04-20 | 2018-04-20 | 一种基于二元显著性特征的海面红外目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647693B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541486A (zh) * | 2020-12-31 | 2021-03-23 | 洛阳伟信电子科技有限公司 | 基于改进Pixel分割的红外弱小目标检测算法 |
CN113706517A (zh) * | 2021-09-01 | 2021-11-26 | 什维新智医疗科技(上海)有限公司 | 一种基于gulbp算子的结节良恶性判断装置 |
CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
CN115018850A (zh) * | 2022-08-09 | 2022-09-06 | 深圳市领拓实业有限公司 | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140064636A1 (en) * | 2007-11-29 | 2014-03-06 | Sri International | Multi-scale adaptive fusion with contrast normalization |
CN103996209A (zh) * | 2014-05-21 | 2014-08-20 | 北京航空航天大学 | 一种基于显著性区域检测的红外舰船目标分割方法 |
CN105631898A (zh) * | 2015-12-28 | 2016-06-01 | 西北工业大学 | 基于空时显著性融合的红外运动目标检测方法 |
CN106530271A (zh) * | 2016-09-30 | 2017-03-22 | 河海大学 | 一种红外图像显著性检测方法 |
-
2018
- 2018-04-20 CN CN201810364072.2A patent/CN108647693B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140064636A1 (en) * | 2007-11-29 | 2014-03-06 | Sri International | Multi-scale adaptive fusion with contrast normalization |
CN103996209A (zh) * | 2014-05-21 | 2014-08-20 | 北京航空航天大学 | 一种基于显著性区域检测的红外舰船目标分割方法 |
CN105631898A (zh) * | 2015-12-28 | 2016-06-01 | 西北工业大学 | 基于空时显著性融合的红外运动目标检测方法 |
CN106530271A (zh) * | 2016-09-30 | 2017-03-22 | 河海大学 | 一种红外图像显著性检测方法 |
Non-Patent Citations (2)
Title |
---|
YINGFENG CAI等: "《Saliency-Based Pedestrian Detection in Far Infrared Images》", 《IEEE ACCESS》 * |
郭少军 等: "《应用图像融合与多样性的舰船显著性检测》", 《液晶与显示》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541486A (zh) * | 2020-12-31 | 2021-03-23 | 洛阳伟信电子科技有限公司 | 基于改进Pixel分割的红外弱小目标检测算法 |
CN112541486B (zh) * | 2020-12-31 | 2022-11-08 | 洛阳伟信电子科技有限公司 | 基于改进Pixel分割的红外弱小目标检测算法 |
CN113706517A (zh) * | 2021-09-01 | 2021-11-26 | 什维新智医疗科技(上海)有限公司 | 一种基于gulbp算子的结节良恶性判断装置 |
CN113706517B (zh) * | 2021-09-01 | 2024-05-24 | 什维新智医疗科技(上海)有限公司 | 一种基于gulbp算子的结节良恶性判断装置 |
CN114708325A (zh) * | 2022-03-31 | 2022-07-05 | 南通华烨塑料工业有限公司 | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 |
CN115018850A (zh) * | 2022-08-09 | 2022-09-06 | 深圳市领拓实业有限公司 | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 |
CN115018850B (zh) * | 2022-08-09 | 2022-11-01 | 深圳市领拓实业有限公司 | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108647693B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780485B (zh) | 基于超像素分割和特征学习的sar图像变化检测方法 | |
Amer et al. | Edge detection methods | |
CN110414411A (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN108647693A (zh) | 一种基于二元显著性特征的海面红外目标检测方法 | |
CN104050477B (zh) | 基于道路辅助信息和显著性检测的红外图像车辆检测方法 | |
CN109816644A (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN108090888A (zh) | 基于视觉注意模型的红外图像和可见光图像的融合检测方法 | |
CN104992429B (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
CN108764186A (zh) | 基于旋转深度学习的人物遮挡轮廓检测方法 | |
CN104834915B (zh) | 一种复杂云天背景下小红外目标检测方法 | |
CN106504289B (zh) | 一种室内目标检测方法及装置 | |
CN106709426A (zh) | 基于红外遥感图像的舰船目标检测方法 | |
Er-Sen et al. | An adaptive edge-detection method based on the canny operator | |
CN101482969B (zh) | 基于同质点计算的sar图像去斑方法 | |
CN107273812B (zh) | 一种用于身份认证的活体虹膜防伪方法 | |
CN110400294A (zh) | 一种红外目标探测系统及探测方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
Fu et al. | Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform | |
CN114943744A (zh) | 基于局部Otsu阈值化的边缘检测方法 | |
Tian et al. | Pedestrian detection based on laplace operator image enhancement algorithm and faster R-CNN | |
CN106023166B (zh) | 微波图像中人体隐藏危险物体的检测方法和装置 | |
CN109002747A (zh) | 基于几何特征的星上可见光遥感图像舰船检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |