CN110619373B - 一种基于bp神经网络的红外多光谱微弱目标检测方法 - Google Patents
一种基于bp神经网络的红外多光谱微弱目标检测方法 Download PDFInfo
- Publication number
- CN110619373B CN110619373B CN201911057219.4A CN201911057219A CN110619373B CN 110619373 B CN110619373 B CN 110619373B CN 201911057219 A CN201911057219 A CN 201911057219A CN 110619373 B CN110619373 B CN 110619373B
- Authority
- CN
- China
- Prior art keywords
- infrared
- neural network
- multispectral
- weak target
- training
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 103
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 239000013598 vector Substances 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000003331 infrared imaging Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims description 36
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/10—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的一种基于BP神经网络的红外多光谱微弱目标检测方法,属于多光谱微弱目标检测领域。本发明实现方法为:搭建基于BP神经网络的红外多光谱微弱目标检测系统;通过红外成像模块获得红外多光谱特征向量;通过嵌入式信号处理模块对红外微弱目标和背景的多光谱特征向量进行处理,选取红外微弱目标对应的多光谱特征向量以及背景的多光谱特征向量作为输入的训练集;对BP神经网络的权值和阈值进行初始化后,使用已经标记的训练图像输入到BP神经网络分类器中进行训练,训练后获得红外微弱目标的检测模型;使用训练后得到红外微弱目标检测模型对红外微弱目标数字图像信号进行检测,通过终端显示模块显示红外微弱目标检测结果。
Description
技术领域
本发明涉及一种红外微弱目标检测方法,尤其涉及一种基于BP神经网络的红外多光谱微弱目标检测方法,属于多光谱微弱目标检测领域。
背景技术
近年来,随着红外成像技术的发展,特别是红外焦平面成像技术的发展,红外目标检测技术已经应用到了成像末制导等武器导引技术中。红外探测系统中的微弱目标检测一直是红外成像制导技术中的核心和难点之一。包含红外微弱目标的红外场景图像主要是由背景、噪声和目标组成的组合图像,而红外微弱目标所占的面积较小,只占几个到十几个像素点,没有可以利用的形状、尺寸、纹理等特征信息,并且由于目标与背景的对比度较低,目标往往会跟图像中的噪声相混淆,一般情况下难以准确检测。
发明内容
为解决红外微弱目标难以检测的问题,本发明公开的一种基于BP神经网络的红外多光谱微弱目标检测方法要解决的技术问题是:基于BP神经网络实现红外多光谱微弱目标检测,具有检测精度高、实时性高的优点。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种基于BP神经网络的红外多光谱微弱目标检测方法,搭建基于BP神经网络的红外多光谱微弱目标检测系统。通过红外成像模块获得红外多光谱特征向量,并将两者输出给嵌入式信号处理模块。通过嵌入式信号处理模块对红外微弱目标和背景的多光谱特征向量进行处理,选取红外微弱目标对应的多光谱特征向量以及背景的多光谱特征向量作为输入的训练集,以此作为BP神经网络的输入单元。对BP神经网络的权值和阈值进行初始化后,使用已经标记的训练图像输入到BP神经网络分类器中进行训练,通过BP神经网络分类器训练后获得红外微弱目标的检测模型。使用训练后得到红外微弱目标检测模型对红外微弱目标数字图像信号进行检测,并通过终端显示模块显示红外微弱目标检测结果。
本发明公开的一种基于BP神经网络的红外多光谱微弱目标检测方法,包括如下步骤:
步骤一:搭建基于BP神经网络的红外多光谱微弱目标检测系统。
基于BP神经网络的红外多光谱微弱目标检测系统包括红外成像模块、嵌入式信号处理模块和终端显示模块。
红外成像模块用于将红外微弱目标成像后变成数字图像信号,并形成红外微弱目标和背景的多光谱特征向量。
嵌入式信号处理模块的用于根据红外微弱目标和背景的多光谱特征向量作为训练样本,送入到BP神经网络中进行训练,使用训练后得到红外微弱目标检测模型对红外微弱目标数字图像信号进行检测,并获得红外微弱目标检测结果。
终端显示模块用于用于显示红外微弱目标检测结果。
步骤二:通过红外成像模块获得红外多光谱特征向量,并将两者输出给嵌入式信号处理模块。
对于单个光谱的成像,A/D转换模块通过成像器采集场景图像,A/D转换模块首先对成像器输出的多路模拟图像信号进行开关选择和差分放大,然后对放大后的成像器多路模拟图像信号进行A/D转换,将多路模拟图像信号变换成数字图像信号。红外成像模块对于多个光谱进行红外成像后,获得红外多光谱数字图像信号。
数字图像信号不仅包含二维图像信息,而且每个像素在光谱域中包含光谱信息。因此,红外多光谱数字图像信号组成一个红外多光谱数据立方体。所述红外多光谱数据立方体将单帧红外图像从灰度域拓展到光谱域,使得单帧图像拓展为一组图像,形成三维的立方体数据结构。x轴与y轴形成图像灰度域,z轴表示光谱域,L代表光谱波段数,P1,P2,…,PL代表各个谱段上的图像。于是,每一层图像对应一个光谱波段,图像上每个像素点形成一条对应的光谱曲线。
对应于第k帧的图像,坐标位置为(i,j)的像素点,其多光谱灰度向量定义为:
Hk=[hijk1 … hijkL]
式中,hijkL为像素点(i,j)在第L谱段的辐射强度。
当目标先验信息为已知并且目标数目唯一,标准光谱模型为:
Γk=Γk-1+G
式中,Γk为第k帧图像的标准光谱模型,G为目标的归一化光谱向量。
像素点的多光谱特征不仅包括代表辐射强度的灰度向量,还包括光谱的分布情况信息。以光谱角表示两矢量之间的相似性度量,表示为:
式中,Hknom为向量Hk的归一化向量,||||F表示F范数。
因此,获得目标点对应的多光谱特征向量,其由目标像素点的多光谱向量和光谱角组成:
红外多光谱数字图像信号是由红外微弱目标和背景组成的,将红外多光谱数字图像信号中的红外微弱目标进行标注后,能够获得红外微弱目标和背景的多光谱特征向量,并将两者输出给嵌入式信号处理模块。
步骤三:通过嵌入式信号处理模块对红外微弱目标和背景的多光谱特征向量进行处理,选取红外微弱目标对应的多光谱特征向量以及背景的多光谱特征向量作为输入的训练集,以此作为BP神经网络的输入单元。对BP神经网络的权值和阈值进行初始化后,使用已经标记的训练图像输入到BP神经网络分类器中进行训练,通过BP神经网络分类器训练后获得红外微弱目标的检测模型。
首先在嵌入式信号处理模块设计BP神经网络,BP神经网络是一种多层前馈神经网络,其神经元的激活函数是S型对数函数,其输出量是0到1之间的连续量,BP神经网络用于实现从输入到输出的任意非线性映射。所述BP神经网络是由训练阶段和检测阶段两个连贯的阶段组成。上半部分为训练阶段,将训练红外图像样本经过预处理后,抽取和选择出微弱目标和背景的多光谱特征,进行标注后送入设计好的BP神经网络进行训练。在训练的过程中观察输出误差是否收敛并达到要求,收敛并达到要求后就能得到训练好的BP神经网络。下半部分为检测阶段,将需要检测红外微弱目标的未知样本经过预处理后,送入训练好的BP神经网络,通过训练好的BP神经网络获得微弱目标检测结果。如果有目标,通过训练好的BP神经网络检测出目标并标记处目标的位置。
所述BP神经网包括输入层、隐藏层、输出层以及各层之间的传输函数。BP神经网络通过正向传播和反向传播,实现实际输出值与期望输出值之间的方差最小,由于目标检测为单个目标,为了能够实时运行性、实现工程化,同时保证检测的正确率,设计的BP网络包括输入层、两个隐藏层和输出层。
BP神经网络的神经元有n个输入,每个输入会对应一个权值ωi(i=1,…,n),BP神经网络对应的输出函数为:
yj=f(∑ωixi,Δ)
其中,xi代表神经元的第i个输入值,yj代表第j个输出,∑ωixi代表BP神经网络神经元的全部输入和权值,Δ是神经元的阈值。对于内部的隐含层来说,其神经元的激活函数是S型对数函数。
选取红外微弱目标对应的多光谱特征向量以及背景的多光谱特征向量作为输入的训练集,以此作为BP神经网络的输入单元。对BP神经网络的权值和阈值进行初始化后,使用已经标记的训练图像输入到BP神经网络分类器中进行训练,通过BP神经网络分类器训练后获得红外微弱目标的检测模型。
步骤四:使用训练后得到红外微弱目标检测模型对红外微弱目标数字图像信号进行检测,并通过终端显示模块显示红外微弱目标检测结果。
有益效果:
1、本发明公开的一种基于BP神经网络的红外多光谱微弱目标检测方法,通过红外成像模块获得红外多光谱特征向量,并将两者输出给嵌入式信号处理模块。通过嵌入式信号处理模块对红外微弱目标和背景的多光谱特征向量进行处理,选取红外微弱目标对应的多光谱特征向量以及背景的多光谱特征向量作为输入的训练集,以此作为BP神经网络的输入单元。对BP神经网络的权值和阈值进行初始化后,使用已经标记的训练图像输入到BP神经网络分类器中进行训练,通过BP神经网络分类器训练后获得红外微弱目标的检测模型。使用训练后得到红外微弱目标检测模型对红外微弱目标数字图像信号进行检测,并通过终端显示模块显示红外微弱目标检测结果。本发明具有检测精度高、实时性高的优点。
附图说明
图1一种基于BP神经网络的红外多光谱微弱目标检测方法中嵌入式信号处理模块的红外微弱目标检测过程示意图。
具体实施方式
为了更好的说明本发明的目的和优点,下面结合附图和实例对发明内容做进一步说明。
实施例1:
如图1所示,本实施例公开一种基于BP神经网络的红外多光谱微弱目标检测方法,具体实现步骤为:
步骤一:搭建基于BP神经网络的红外多光谱微弱目标检测系统。
基于BP神经网络的红外多光谱微弱目标检测系统包括红外成像模块、嵌入式信号处理模块和终端显示模块。
红外成像模块用于将红外微弱目标成像后变成数字图像信号,并形成红外微弱目标和背景的多光谱特征向量。
嵌入式信号处理模块的用于根据红外微弱目标和背景的多光谱特征向量作为训练样本,送入到BP神经网络中进行训练,使用训练后得到红外微弱目标检测模型对红外微弱目标数字图像信号进行检测,并获得红外微弱目标检测结果。
终端显示模块用于用于显示红外微弱目标检测结果。
步骤二:通过红外成像模块获得红外多光谱特征向量,并将两者输出给嵌入式信号处理模块。
对于单个光谱的成像,A/D转换模块通过成像器采集场景图像,A/D转换模块首先对成像器输出的多路模拟图像信号进行开关选择和差分放大,然后对放大后的成像器多路模拟图像信号进行A/D转换,将多路模拟图像信号变换成数字图像信号。红外成像模块对于多个光谱进行红外成像后,获得红外多光谱数字图像信号。
数字图像信号不仅包含了二维图像信息,而且每个像素在光谱域中包含光谱信息。因此,红外多光谱数字图像信号组成了一个红外多光谱数据立方体。该立方体将传统意义上的单帧红外图像从灰度域拓展到光谱域,使得单帧图像拓展为一组图像,形成了三维的立方体数据结构。x轴与y轴形成图像灰度域,z轴表示光谱域,L代表光谱波段数,P1,P2,…,PL代表各个谱段上的图像。于是,每一层图像对应了一个光谱波段,图像上每个像素点形成一条对应的光谱曲线。
对应于第k帧的图像,坐标位置为(i,j)的像素点,其多光谱灰度向量定义为:
Hk=[hijk1 … hijkL]
式中,hijkL为像素点(i,j)在第L谱段的辐射强度。
假设目标先验信息为已知并且目标数目唯一,标准光谱模型为:
Γk=Γk-1+6
式中,Γk为第k帧图像的标准光谱模型,G为目标的归一化光谱向量。
像素点的多光谱特征不仅包括代表辐射强度的灰度向量,还包括光谱的分布情况信息。以光谱角表示两矢量之间的相似性度量,表示为:
式中,Hknom为向量Hk的归一化向量,||||F表示F范数。
因此,可以获得目标点对应的多光谱特征向量,其由目标像素点的多光谱向量和光谱角组成:
红外多光谱数字图像信号是由红外微弱目标和背景组成的,将红外多光谱数字图像信号中的红外微弱目标进行标注后,便获得了红外微弱目标和背景的多光谱特征向量,并将两者输出给嵌入式信号处理模块。
步骤三:通过嵌入式信号处理模块对红外微弱目标和背景的多光谱特征向量进行处理,选取红外微弱目标对应的多光谱特征向量以及背景的多光谱特征向量作为输入的训练集,以此作为BP神经网络的输入单元。对BP神经网络的权值和阈值进行初始化后,使用已经标记的训练图像输入到BP神经网络分类器中进行训练,通过BP神经网络分类器训练后获得红外微弱目标的检测模型。
首先在嵌入式信号处理模块设计BP神经网络,BP神经网络是一种多层前馈神经网络,其神经元的激活函数是S型对数函数,其输出量是0到1之间的连续量,BP神经网络可以实现从输入到输出的任意非线性映射。整个系统是由训练阶段和检测阶段这两个连贯的阶段组成。上半部分为训练阶段,将训练红外图像样本经过预处理后,抽取和选择出微弱目标和背景的多光谱特征,进行标注后送入设计好的BP神经网络进行训练。在训练的过程中观察输出误差是否收敛并达到要求,收敛并达到要求后就能得到训练好的BP神经网络。下半部分为检测阶段,将需要检测红外微弱目标的未知样本经过预处理后,送入训练好的BP神经网络,就能获得微弱目标检测结果。如果有目标,就会检测出目标并标记处目标的位置。
BP网络的设计主要包括了输入层、隐藏层、输出层以及各层之间的传输函数。BP神经网络通过正向传播和反向传播,实现实际输出值与期望输出值之间的方差最小本文涉及的目标检测为单个目标,为了能够运行实时性以实现工程化,同时保证检测的正确率,设计的BP网络包括输入层、两个隐藏层和输出层。
BP神经网络的神经元有n个输入,每个输入会对应一个权值ωi(i=1,…,n),BP神经网络对应的输出函数为:
yj=f(∑ωixi,Δ)
其中,xi代表神经元的第i个输入值,yj代表第j个输出,∑ωixi代表BP神经网络神经元的全部输入和权值,Δ是神经元的阈值。对于内部的隐含层来说,其神经元的激活函数是S型对数函数。
选取红外微弱目标对应的多光谱特征向量以及背景的多光谱特征向量作为输入的训练集,以此作为BP神经网络的输入单元。对BP神经网络的权值和阈值进行初始化后,便可以使用已经标记的训练图像输入到BP神经网络分类器中进行训练。通过训练后便可获得红外微弱目标的检测模型。
步骤四:使用训练后得到红外微弱目标检测模型对红外微弱目标数字图像信号进行检测,并通过终端显示模块显示红外微弱目标检测结果。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于BP神经网络的红外多光谱微弱目标检测方法,其特征在于:包括如下步骤,
步骤一:搭建基于BP神经网络的红外多光谱微弱目标检测系统;
基于BP神经网络的红外多光谱微弱目标检测系统包括红外成像模块、嵌入式信号处理模块和终端显示模块;
红外成像模块用于将红外微弱目标成像后变成数字图像信号,并形成红外微弱目标和背景的多光谱特征向量;
嵌入式信号处理模块的用于根据红外微弱目标和背景的多光谱特征向量作为训练样本,送入到BP神经网络中进行训练,使用训练后得到红外微弱目标检测模型对红外微弱目标数字图像信号进行检测,并获得红外微弱目标检测结果;
终端显示模块用于显示红外微弱目标检测结果;
步骤二:通过红外成像模块获得红外微弱目标和背景的多光谱特征向量,并将两者输出给嵌入式信号处理模块;
步骤二实现方法为,
对于单个光谱的成像,A/D转换模块通过成像器采集场景图像,A/D转换模块首先对成像器输出的多路模拟图像信号进行开关选择和差分放大,然后对放大后的成像器多路模拟图像信号进行A/D转换,将多路模拟图像信号变换成数字图像信号;红外成像模块对于多个光谱进行红外成像后,获得红外多光谱数字图像信号;
数字图像信号不仅包含二维图像信息,而且每个像素在光谱域中包含光谱信息;因此,红外多光谱数字图像信号组成一个红外多光谱数据立方体;所述红外多光谱数据立方体将单帧红外图像从灰度域拓展到光谱域,使得单帧图像拓展为一组图像,形成三维的立方体数据结构;x轴与y轴形成图像灰度域,z轴表示光谱域,L代表光谱波段数,P1,P2,…,PL代表各个谱段上的图像;于是,每一层图像对应一个光谱波段,图像上每个像素点形成一条对应的光谱曲线;
对应于第k帧的图像,坐标位置为(i,j)的像素点,其多光谱灰度向量定义为:
Hk=[hijk1 … hijkL]
式中,hijkL为像素点(i,j)在第L谱段的辐射强度;
当目标先验信息为已知并且目标数目唯一,标准光谱模型为:
Γk=Γk-1+G
式中,Γk为第k帧图像的标准光谱模型,G为目标的归一化光谱向量;
像素点的多光谱特征不仅包括代表辐射强度的灰度向量,还包括光谱的分布情况信息;以光谱角表示两矢量之间的相似性度量,表示为:
式中,Hknom为向量Hk的归一化向量,|| ||F表示F范数;
因此,获得目标点对应的多光谱特征向量,其由目标像素点的多光谱向量和光谱角组成:
红外多光谱数字图像信号是由红外微弱目标和背景组成的,将红外多光谱数字图像信号中的红外微弱目标进行标注后,能够获得红外微弱目标和背景的多光谱特征向量,并将两者输出给嵌入式信号处理模块;
步骤三:通过嵌入式信号处理模块对红外微弱目标和背景的多光谱特征向量进行处理,选取红外微弱目标对应的多光谱特征向量以及背景的多光谱特征向量作为输入的训练集,以此作为BP神经网络的输入单元;对BP神经网络的权值和阈值进行初始化后,使用已经标记的训练图像输入到BP神经网络分类器中进行训练,通过BP神经网络分类器训练后获得红外微弱目标的检测模型;
步骤四:使用训练后得到红外微弱目标检测模型对红外微弱目标数字图像信号进行检测,并通过终端显示模块显示红外微弱目标检测结果。
2.如权利要求1所述的一种基于BP神经网络的红外多光谱微弱目标检测方法,其特征在于:首先在嵌入式信号处理模块设计BP神经网络,BP神经网络是一种多层前馈神经网络,其神经元的激活函数是S型对数函数,其输出量是0到1之间的连续量,BP神经网络用于实现从输入到输出的任意非线性映射;所述BP神经网络是由训练阶段和检测阶段两个连贯的阶段组成;上半部分为训练阶段,将训练红外图像样本经过预处理后,抽取和选择出微弱目标和背景的多光谱特征,进行标注后送入设计好的BP神经网络进行训练;在训练的过程中观察输出误差是否收敛并达到要求,收敛并达到要求后就能得到训练好的BP神经网络;下半部分为检测阶段,将需要检测红外微弱目标的未知样本经过预处理后,送入训练好的BP神经网络,通过训练好的BP神经网络获得微弱目标检测结果;如果有目标,通过训练好的BP神经网络检测出目标并标记处目标的位置;
所述BP神经网包括输入层、隐藏层、输出层以及各层之间的传输函数;BP神经网络通过正向传播和反向传播,实现实际输出值与期望输出值之间的方差最小,由于目标检测为单个目标,为了能够实时运行性、实现工程化,同时保证检测的正确率,设计的BP网络包括输入层、两个隐藏层和输出层;
BP神经网络的神经元有n个输入,每个输入会对应一个权值ωi(i=1,…,n),BP神经网络对应的输出函数为:
yj=f(∑ωixi,Δ)
其中,xi代表神经元的第i个输入值,yj代表第j个输出,∑ωixi代表BP神经网络神经元的全部输入和权值,Δ是神经元的阈值;对于内部的隐含层来说,其神经元的激活函数是S型对数函数;
选取红外微弱目标对应的多光谱特征向量以及背景的多光谱特征向量作为输入的训练集,以此作为BP神经网络的输入单元;对BP神经网络的权值和阈值进行初始化后,使用已经标记的训练图像输入到BP神经网络分类器中进行训练,通过BP神经网络分类器训练后获得红外微弱目标的检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911057219.4A CN110619373B (zh) | 2019-10-31 | 2019-10-31 | 一种基于bp神经网络的红外多光谱微弱目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911057219.4A CN110619373B (zh) | 2019-10-31 | 2019-10-31 | 一种基于bp神经网络的红外多光谱微弱目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619373A CN110619373A (zh) | 2019-12-27 |
CN110619373B true CN110619373B (zh) | 2021-11-26 |
Family
ID=68927074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911057219.4A Active CN110619373B (zh) | 2019-10-31 | 2019-10-31 | 一种基于bp神经网络的红外多光谱微弱目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619373B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401284B (zh) * | 2020-03-23 | 2022-02-15 | 武汉大学 | 基于图像处理的门开关状态识别方法 |
CN112434589B (zh) * | 2020-11-18 | 2022-03-29 | 中国科学院上海技术物理研究所 | 一种针对类分子谱目标的天基高灵敏度差分探测方法 |
CN113589311B (zh) * | 2021-07-15 | 2023-11-28 | 中国科学院上海技术物理研究所 | 一种暗弱目标红外微分探测方法 |
CN113807459B (zh) * | 2021-09-27 | 2023-11-07 | 深圳蓝宝利电子有限公司 | 感应开关控制方法、系统和电子设备 |
CN114973390B (zh) * | 2022-05-30 | 2024-03-12 | 西北工业大学 | 结合眼动注意力机制的复杂背景红外微弱目标检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899866A (zh) * | 2015-05-05 | 2015-09-09 | 河南三联网络技术有限公司 | 一种智能化的红外小目标检测方法 |
CN107194373A (zh) * | 2017-06-16 | 2017-09-22 | 河海大学 | 一种高光谱遥感影像特征提取与分类方法 |
CN109271921A (zh) * | 2018-09-12 | 2019-01-25 | 合刃科技(武汉)有限公司 | 一种多光谱成像的智能识别方法及系统 |
CN110008948A (zh) * | 2019-04-15 | 2019-07-12 | 西安电子科技大学 | 基于变分自编码网络的高光谱图像目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6874686B2 (ja) * | 2015-10-16 | 2021-05-19 | 日本電気株式会社 | ターゲット情報検出システム及びターゲット情報検出方法 |
-
2019
- 2019-10-31 CN CN201911057219.4A patent/CN110619373B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899866A (zh) * | 2015-05-05 | 2015-09-09 | 河南三联网络技术有限公司 | 一种智能化的红外小目标检测方法 |
CN107194373A (zh) * | 2017-06-16 | 2017-09-22 | 河海大学 | 一种高光谱遥感影像特征提取与分类方法 |
CN109271921A (zh) * | 2018-09-12 | 2019-01-25 | 合刃科技(武汉)有限公司 | 一种多光谱成像的智能识别方法及系统 |
CN110008948A (zh) * | 2019-04-15 | 2019-07-12 | 西安电子科技大学 | 基于变分自编码网络的高光谱图像目标检测方法 |
Non-Patent Citations (2)
Title |
---|
An enhanced deep convolutional neural network for densely packed objects detection in remote sensing images;Zhipeng Deng,and etc;《2017 International Workshop on Remote Sensing with Intelligent Processing (RSIP)》;20170626;第1-4页 * |
一种智能化的红外弱小目标检测方法;刘刚等;《火力与指挥控制》;20151031;第40卷(第10期);第147-151页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110619373A (zh) | 2019-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619373B (zh) | 一种基于bp神经网络的红外多光谱微弱目标检测方法 | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN111401384B (zh) | 一种变电设备缺陷图像匹配方法 | |
CN110675418B (zh) | 一种基于ds证据理论的目标轨迹优化方法 | |
CN108009559B (zh) | 一种基于空谱联合信息的高光谱数据分类方法 | |
CN108734208B (zh) | 基于多模态深度迁移学习机制的多源异构数据融合系统 | |
CN110659591B (zh) | 基于孪生网络的sar图像变化检测方法 | |
CN110689562A (zh) | 一种基于生成对抗网络的轨迹回环检测优化方法 | |
CN112434745B (zh) | 基于多源认知融合的遮挡目标检测识别方法 | |
CN110246181B (zh) | 基于锚点的姿态估计模型训练方法、姿态估计方法和系统 | |
CN107025440A (zh) | 一种基于新型卷积神经网络的遥感图像道路提取方法 | |
CN108537121B (zh) | 气象环境参数与图像信息融合的自适应遥感场景分类方法 | |
CN109903299B (zh) | 一种条件式生成对抗网络的异源遥感图像配准方法及装置 | |
CN110728706B (zh) | 基于深度学习的sar图像精细配准方法 | |
CN113326735B (zh) | 一种基于YOLOv5的多模态小目标检测方法 | |
Vakalopoulou et al. | Graph-based registration, change detection, and classification in very high resolution multitemporal remote sensing data | |
CN111950570A (zh) | 目标图像提取方法、神经网络训练方法及装置 | |
CN116664892A (zh) | 基于交叉注意与可形变卷积的多时相遥感图像配准方法 | |
CN113505634A (zh) | 一种双流解码跨任务交互网络的光学遥感图像显著目标检测方法 | |
CN111563423A (zh) | 基于深度去噪自动编码器的无人机图像目标检测方法及系统 | |
CN115082533A (zh) | 一种基于自监督的临近空间遥感图像配准方法 | |
CN111046861B (zh) | 识别红外影像的方法、构建识别模型的方法及应用 | |
CN109993782B (zh) | 一种环形生成对抗网络的异源遥感图像配准方法及装置 | |
CN115471917B (zh) | 手势探测识别系统及方法 | |
WO2023241372A1 (zh) | 相机内参标定方法及相关设备 |
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 |