CN112766109B - 一种红外弱小目标自适应检测方法 - Google Patents
一种红外弱小目标自适应检测方法 Download PDFInfo
- Publication number
- CN112766109B CN112766109B CN202110023475.2A CN202110023475A CN112766109B CN 112766109 B CN112766109 B CN 112766109B CN 202110023475 A CN202110023475 A CN 202110023475A CN 112766109 B CN112766109 B CN 112766109B
- Authority
- CN
- China
- Prior art keywords
- target
- filter
- window
- region
- local
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
- Image Processing (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
本发明提供一种红外弱小目标自适应检测方法,包括:步骤一:基于异质性滤波器的目标增强;步骤二:基于紧凑性滤波器的目标候选区生成;步骤三:基于局部对比度信息的自适应阈值。该方法将目标与背景间的异质性特征和目标区域的紧凑性特征相结合,能够增强目标对比度信息并抑制背景杂波噪声,通过自适应阈值操作,对图像中各像素点设置对应阈值,而不是像大多数检测方法一样在整幅图像使用全局阈值。最终本发明方法能够实现可靠有效的红外弱小目标检测,具有较高的运算效率,在工程应用在能够实现实时检测的效果。
Description
技术领域
本发明属于遥感图像目标检测领域,具体涉及一种红外弱小目标自适应检测方法,能够对红外遥感图像中的弱小目标进行有效检测。
背景技术
红外探测技术具有传输距离远、隐蔽性强等优势,但是通常情况下由于天气、温度的影响,导致获取到的红外图像具有一定的杂波噪声。目标检测作为红外图像处理中的重要研究内容,已经广泛应用于侦察、制导、预警等方面。对于一幅大场景的红外遥感图像,由于背景杂波和大气云雾杂波,目标的红外辐射特性会不断衰减,形成了目标和背景融为一体的低信杂比场景,这会对目标探测、跟踪和识别等任务造成不利的影响。同时,由于成像距离较远,使得该类目标成像尺寸小,没有纹理和形状特征,这进一步增大了对这类目标检测的难度。因此,需要设计一种能够准确检测红外弱小目标的检测算法,提高检测率,并尽可能的降低虚警率,从而提高后续遥感图像分析的可靠性。
目前已有的基于单帧图像的红外弱小目标检测算法大致分为三类:基于背景特征的目标检测算法、基于目标特征的目标检测算法和基于图像数据结构特征的目标检测算法。
其中基于目标特征的目标检测算法是利用目标区域与其邻域背景间的信息差异作为关键信息,增强目标显著性或抑制背景杂波,从而实现目标的检测。通常具有良好的鲁棒性,即使是应用于复杂背景的小目标检测,通过多种目标显著性增强和背景杂波抑制策略能够有效的检测目标,但算法效率往往会随着算法复杂度的增加而不断增大。
由于基于目标特征的目标检测算法能够同时对目标和背景进行相应的操作,即对目标进行对比度的增强,对背景进行杂波噪声的抑制,这能够有效增大检测率,减小虚警率。尽管红外弱小目标没有纹理和形状特征,由于其内部结构相似,同时又与周围背景区域有明显的对比度差异,因此它的异质性和紧凑性特征在目标检测时可以作为两个重要特征进行研究。异质性特征定义为目标区域与其周围背景区域的像素强度有明显的差异。紧凑性特征定义为目标区域内部的像素紧凑且像素强度相似。本发明设计了一种红外弱小目标自适应检测方法,基于目标与背景间的异质性和目标区域的紧凑性特征设计不同的滤波器对红外遥感图像进行滤波处理,然后设计自适应阈值分割方法对目标进行有效提取,最终实现红外弱小目标的检测,能够获得优秀的检测结果。
发明内容
本发明的目的是提供一种红外弱小目标自适应检测方法,该方法将目标与背景间的异质性特征和目标区域的紧凑性特征相结合,能够增强目标对比度信息并抑制背景杂波噪声,通过自适应阈值操作,对图像中各像素点设置对应阈值,而不是像大多数检测方法一样在整幅图像使用全局阈值。最终本发明方法能够实现可靠有效的红外弱小目标检测。
本发明具体技术方案包括以下步骤:
步骤一:基于异质性滤波器的目标增强
本发明设计异质性滤波器fH对输入的单通道红外遥感图像I进行滤波,用来增强目标与背景间的对比度。在本发明中将异质性滤波器窗口定义为三层,由内到外分别为内层Li、中层Lm、外层Lo。内层Li是目标区域的主要部分,中层Lm是目标与背景间的过渡区域,外层Lo是背景区域。
因为当目标位于异质性滤波器窗口中心时,内层Li与外层Lo之间的像素强度有明显的差异,这体现出目标与背景间的异质性特征。因此,在异质性滤波器窗口区域内设置异质性滤波器fH如下:
其中,(i,j)为异质性滤波器窗口内的像素点坐标,G(x,y,ε)是半径为r,标准差为ε的二维高斯分布函数,(x,y)为二维高斯分布函数的输入参数。公式(1)中的二维高斯分布函数G(x,y,ε)公式如下:
通常情况下,红外目标区域的分布特征为目标中心点最亮,目标中心点向外延伸会逐渐变暗。当异质性滤波器窗口滑动到目标区域时,结果会显著增强目标的亮度,而当异质性滤波器窗口滑动到背景区域时,由于背景区域像素值整体偏小,彼此接近,滤波结果将不增加背景亮度。因此,本发明提出的异质性滤波器可以有效增强目标与背景间的对比度。
异质性滤波器输入的单通道红外遥感图像I的滤波结果为局部对比度图像HCMH,定义如下:
异质性滤波器在增强目标对比度的同时也会增强背景杂波噪声。
步骤二:基于紧凑性滤波器的目标候选区生成
由于目标中心像素强度与其周围像素的值接近,即具有紧凑性特征,这与背景区域随机分布的杂波噪声特征不同。利用目标的紧凑性特征,定义紧凑性滤波器fc来生成目标的候选区域,该紧凑性滤波器具有异质性滤波器fH相同的三层结构。这里,将紧凑性滤波器fc的外层,中层和内层分别定义为Ko、Km和Ki。
紧凑性滤波器fc作用于局部对比度图像HCMH,首先求解紧凑性滤波器窗口内层Ki区域的像素均值然后求解紧凑性滤波器窗口外层Ko区域的像素最大值基于目标区域的紧凑性特征,将同一个滑动紧凑性滤波器窗口中像素均值大于像素最大值的区域作为目标候选区域HCMC,
当紧凑性滤波器fc作用于目标区域时,目标内像素均值远大于其周围背景像素最大值因此该区域的HCMC为1。当作用于背景区域时,由于背景区域像素值波动小,会有而对于背景区域中的杂波噪声,由于杂波噪声分布分散且随机,在紧凑性滤波器窗口中很难有则被判断为目标候选区的概率很低。因此,紧凑性滤波器fc能够剔除杂波噪声聚集的区域,有效地减少伪目标点的数量。
步骤三:基于局部对比度信息的自适应阈值
红外遥感图像中杂波噪声分布随机,背景复杂,并且目标在图像中的位置和强度也是随机多变的。如果在整幅图像中使用全局阈值进行目标提取,往往会出现错检和漏检的情况。因此,本发明设计一种自适应阈值方法用于提取红外遥感图像中的弱小目标。
首先,将异质性滤波器fH处理得到的局部对比度HCMH归一化到0~1。对于给定的任意一个像素p,以该像素为中心新建一个局部窗口W(尺寸为n×n),在该局部窗口W内计算局部对比度HCMH(归一化后)的均值μ和方差σ2,
其中,xi∈W,是局部对比度HCMH(归一化后)中的值。
对于存在目标的一个局部窗口,且假设目标中心点恰好是该局部窗口中心点,用μt和σt 2表示局部窗口中的均值和方差,令目标中心点的HCMH值为xt,则xt将大于局部窗口中其他点的值xi。因此,根据公式(7)有:
公式(8)可以化简为,
类似的,对于一个不存在目标的局部窗口,用xb、μb和σb 2表示该局部窗口内的局部对比度值、均值和方差。由于该局部窗口是不包含目标的背景区域,因此这三个值是偏小的量。而对于一个包含目标的局部窗口,xt和σt 2是较大的量,但由于目标的占比面积小,其局部均值μt是很小的量,可以认为μt≈μb。
在以任意一个像素为中心的局部窗口中,令其均值为μ,则有:
(2xt-μt)·μt≥|2xi-μ|·μ≥|2xb-μb|·μb (10)
在实际计算中μt≥μ≥μb,因此,将公式(9)中的μt的系数用可调参数k(k>0)表示,从而得到自适应阈值T计算公式如下:
给定一个像素点,在以该像素点为中心的局部窗口W内计算T,如果像素点的局部对比度大于T,则该点被认为是目标,否则被认为是背景。
背景越复杂,对目标的干扰越大,通过增大k,使检测算法对目标区域更敏感,尤其是的对不同噪声背景下的多目标检测。
在步骤三中,对从步骤二中得到的目标候选区域HCMC进行自适应阈值,得到Cor(HCMC),从而实现了对目标对比度的增强以及对背景噪声的抑制,最后将从步骤一中得到的局部对比度图像HCMH与校正后的目标候选区域掩模Cor(HCMC)进行融合,输出目标异质性和紧凑性模型检测算法的目标检测结果M,
M=HCMH·Cor(HCMC) (12)
本发明的优点及有益效果在于:
1、本发明提出了一种红外弱小目标自适应检测方法,基于异质性和紧凑性设计滤波器,同时采用自适应阈值的方式来代替整幅图像的统一阈值,与其他当前主流算法相比能够有效地减少虚警或漏警问题;
2、仿真数据实验和真实数据实验结果证明,本发明提出的算法具有先进性。本发明算法的背景抑制因子(BSF)和对比度增益(CG)两种评价指标与当前主流算法相比都能够达到最优,并且ROC曲线证明算法的检测性能最佳;
3、本发明整个过程分为3步,具有较高的运算效率,在工程应用在能够实现实时检测的效果。
附图说明
图1为本发明方法的流程图。
图2为本发明中使用的目标模型示意图。
图3为本发明设计的异质性滤波器fH窗口划分示意图。
图4为本发明设计的异质性滤波器fH参数设置示意图。
图5为本发明设计的紧凑性滤波器fC窗口划分示意图。
图6为本发明方法的各步骤检测结果示例图。
具体实施方式
为了更好地理解本发明的技术方案,下面结合附图及具体实施方式详细介绍本发明。
本发明在MATLAB2019a软件下实现,计算机配置采用:2.9GHz Intel Core i5-9400处理器,8GB内存,Windows操作系统。本发明是一种红外弱小目标自适应检测方法,流程图如图1所示,具体包括以下步骤:
步骤一:基于异质性滤波器的目标增强
对输入的单通道红外遥感图像I使用异质性滤波器fH对其进行滤波操作,以增强目标与背景间的对比度,红外弱小目标的模型如图2所示。如图3所示,异质性滤波器窗口定义为三层,内层Li包含目标的主要部分,中层Lm是目标与背景间的过渡区域,外层Lo是背景区域。
异质性滤波器fH公式如下:
其中,(i,j)为异质性滤波器窗口内的像素点坐标,G(x,y,ε)是半径为r,标准差为ε的二维高斯分布函数,(x,y)为二维高斯分布函数的输入参数。公式(13)中的二维高斯分布函数G(x,y,ε)公式如下:
本发明设置异质性滤波器内层Li、中层Lm和外层Lo尺寸分别为9×9pixel、5×5pixel和3×3pixel,二维高斯分布函数标准差ε=0.5,异质性滤波器fH参数设置如图4所示。
异质性滤波器对输入图像I的滤波结果为局部对比度图像HCMH,
由于异质性滤波器在增强目标的同时也会增强背景杂波噪声,接下来进行步骤二。
步骤二:基于紧凑性滤波器的目标候选区生成
使用紧凑性滤波器fc对局部对比度图像HCMH滤波,以生成目标的候选区域。紧凑性滤波器fc具有异质性滤波器fH相同的三层结构,这里将紧凑性滤波器fc的外层,中层和内层分别定义为Ko、Km和Ki,如图5所示。首先求解紧凑性滤波器窗口内层Ki区域的像素均值然后求解紧凑性滤波器窗口外层Ko区域的像素最大值基于目标区域的紧凑性特征,将同一个滑动紧凑性滤波器窗口中像素均值大于像素最大值的区域作为目标候选区域HCMC,
当紧凑性滤波器fc作用于目标区域时,目标内像素均值远大于其周围背景像素最大值因此该区域的HCMC为1。当作用于背景区域时,由于背景区域像素值波动小,会有而对于背景区域中的杂波噪声,由于杂波噪声分布分散且随机,在紧凑性滤波器窗口中很难有则被判断为目标候选区的概率很低。因此,紧凑性滤波器fc能够剔除杂波噪声聚集的区域,有效地减少伪目标点的数量。
步骤三:基于局部对比度信息的自适应阈值
首先,将局部对比度图像HCMH的值归一化到0~1。对于给定的任意一个像素p,以该像素为中心构造一个n×n pixel局部窗口W,并在该局部窗口内计算局部对比度图像HCMH(归一化后)的均值μ和方差σ2,
其中,xi∈W,是局部对比度图像HCMH(归一化后)中的值。局部窗口的尺寸应该是大于目标尺寸的,这里设置n=15。
对于存在目标的一个局部窗口,且假设目标中心点恰好是该局部窗口的中心点,我们用μt和σt 2表示该局部窗口中的均值和方差,令目标中心点的HCMH值为xt,则xt将大于该局部窗口中其他点的值xi。因此,根据公式(19)有:
公式(20)可以化简为,
类似的,对于一个不存在目标的局部窗口,用xb、μb和σb 2表示该局部窗口内的局部对比度值、均值和方差。由于该局部窗口是不包含目标的背景区域,因此这三个值是偏小的量。而对于一个包含目标的局部窗口,xt和σt 2是较大的量,但由于目标的占比面积小,其局部均值μt是很小的量,可以认为μt≈μb。
在以任意一个像素为中心的局部窗口中,令其均值为μ,则有:
(2xt-μt)·μt≥|2xi-μ|·μ≥|2xb-μb|·μb (22)
在实际计算中μt≥μ≥μb,因此,我们将公式(21)中的μt的系数用可调参数k(k>0)表示,从而得到自适应阈值T计算公式如下:
给定一个像素点x,在以该像素点为中心的局部窗口W内计算T,如果像素点的局部对比度大于T,则该点被认为是目标,否则被认为是背景。
背景越复杂,对目标的干扰就越大,通过增大k,使检测算法对目标区域更敏感,尤其是的对不同噪声背景下的多目标检测,这里设置k=3。
在本步骤中,对从步骤二中得到的目标候选区域HCMC进行自适应阈值操作,得到校正后的目标候选区域Cor(HCMC)。最后,将从步骤一中得到的局部对比度图像HCMH与校正后的目标候选区域掩模Cor(HCMC)进行融合,输出本发明方法的目标检测结果M,
M=HCMH·Cor(HCCC) (24)
图6展示了本发明方法在实际应用中的各步骤处理结果,输入的单通道红外遥感图像中有4个不同背景下的红外弱小目标,从最后的输出结果中可以看出,本发明方法能够有效的检测出红外弱小目标。
Claims (5)
1.一种红外弱小目标自适应检测方法,其特征在于,包括如下步骤:
步骤一:基于异质性滤波器的目标增强
设异质性滤波器fH对输入的单通道红外遥感图像I进行滤波,用来增强目标与背景间的对比度;将异质性滤波器窗口定义为三层,由内到外分别为内层Li、中层Lm、外层Lo;内层Li是目标区域的主要部分,中层Lm是目标与背景间的过渡区域,外层Lo是背景区域;
当目标位于异质性滤波器窗口中心时,内层Li与外层Lo之间的像素强度有明显的差异,在异质性滤波器窗口区域内设置异质性滤波器fH如下:
其中,(i,j)为异质性滤波器窗口内的像素点坐标,G(x,y,ε)是半径为r,标准差为ε的二维高斯分布函数,(x,y)为二维高斯分布函数的输入参数;
异质性滤波器输入的单通道红外遥感图像I的滤波结果为局部对比度图像HCMH,定义如下:
步骤二:基于紧凑性滤波器的目标候选区生成
定义紧凑性滤波器fc来生成目标的候选区域,该紧凑性滤波器具有异质性滤波器fH相同的三层结构;这里,将紧凑性滤波器fc的外层,中层和内层分别定义为Ko、Km和Ki;
紧凑性滤波器fc作用于局部对比度图像HCMH,首先求解紧凑性滤波器窗口内层Ki区域的像素均值然后求解紧凑性滤波器窗口外层Ko区域的像素最大值基于目标区域的紧凑性特征,将同一个滑动紧凑性滤波器窗口中像素均值大于像素最大值的区域作为目标候选区域HCMC,
步骤三:基于局部对比度信息的自适应阈值
首先,将异质性滤波器fH处理得到的局部对比度HCMH归一化到0~1;对于给定的任意一个像素p,以该像素为中心新建一个局部窗口W,在该局部窗口W内计算局部对比度HCMH的均值μ和方差σ2,
其中,xi∈W,是局部对比度HCMH中的值;
对于存在目标的一个局部窗口,且目标中心点恰好是该局部窗口中心点,用μt和σt 2表示局部窗口中的均值和方差,令目标中心点的HCMH值为xt,则xt将大于局部窗口中其他点的值xi;因此,根据公式(7)有:
公式(8)化简为,
对于一个不存在目标的局部窗口,用xb、μb和σb 2表示该局部窗口内的局部对比度值、均值和方差;由于该局部窗口是不包含目标的背景区域,因此这三个值是偏小的量;而对于一个包含目标的局部窗口,xt和σt 2是较大的量,但由于目标的占比面积小,其局部均值μt是很小的量,认为μt≈μb;
在以任意一个像素为中心的局部窗口中,令其均值为μ,则有:
(2xt-μt)·μt≥|2xi-μ|·μ≥|2xb-μb|·μb (10)
在实际计算中μt≥μ≥μb,因此,将公式(9)中的μt的系数用可调参数k表示,k>0,从而得到自适应阈值T计算公式如下:
在步骤三中,对从步骤二中得到的目标候选区域HCMC进行自适应阈值,得到Cor(HCMc),从而实现了对目标对比度的增强以及对背景噪声的抑制,最后将从步骤一中得到的局部对比度图像HCMH与校正后的目标候选区域掩模Cor(HCMC)进行融合,输出目标异质性和紧凑性模型检测算法的目标检测结果M,
M=HCMH·Cor(HCMC) (12)。
2.根据权利要求1所述的一种红外弱小目标自适应检测方法,其特征在于:红外目标区域的分布特征为目标中心点最亮,目标中心点向外延伸会逐渐变暗;当异质性滤波器窗口滑动到目标区域时,结果会增强目标的亮度,而当异质性滤波器窗口滑动到背景区域时,由于背景区域像素值整体小,滤波结果将不增加背景亮度。
3.根据权利要求1所述的一种红外弱小目标自适应检测方法,其特征在于:异质性滤波器在增强目标对比度的同时也会增强背景杂波噪声。
5.根据权利要求1所述的一种红外弱小目标自适应检测方法,其特征在于:给定一个像素点,在以该像素点为中心的局部窗口W内计算T,如果像素点的局部对比度大于T,则该点被认为是目标,否则被认为是背景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023475.2A CN112766109B (zh) | 2021-01-08 | 2021-01-08 | 一种红外弱小目标自适应检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023475.2A CN112766109B (zh) | 2021-01-08 | 2021-01-08 | 一种红外弱小目标自适应检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766109A CN112766109A (zh) | 2021-05-07 |
CN112766109B true CN112766109B (zh) | 2022-07-22 |
Family
ID=75701005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110023475.2A Active CN112766109B (zh) | 2021-01-08 | 2021-01-08 | 一种红外弱小目标自适应检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766109B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453029B (zh) * | 2023-06-16 | 2023-08-29 | 济南东庆软件技术有限公司 | 基于图像数据的楼宇火灾环境检测方法 |
Citations (2)
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 |
CN111027496A (zh) * | 2019-12-16 | 2020-04-17 | 电子科技大学 | 基于空时联合局部对比度的红外弱小目标检测方法 |
-
2021
- 2021-01-08 CN CN202110023475.2A patent/CN112766109B/zh active Active
Patent Citations (2)
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 |
CN111027496A (zh) * | 2019-12-16 | 2020-04-17 | 电子科技大学 | 基于空时联合局部对比度的红外弱小目标检测方法 |
Non-Patent Citations (3)
Title |
---|
Gaussian Scale-Space Enhanced Local Contrast Measure for Small Infrared Target Detection;Xuewei Guan 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20200229;第17卷(第2期);第327-331页 * |
Small Infrared Target Detection Based on Local Difference Adaptive Measure;Lin Li等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20200731;第17卷(第7期);第1258-1262页 * |
多尺度红外超像素图像模型的小目标检测;刘忠林等;《中国图象图形学报》;20191216(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112766109A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767439B (zh) | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 | |
CN107403134B (zh) | 基于局部梯度三边的图域多尺度红外弱小目标检测方法 | |
CN110660065B (zh) | 一种红外故障检测识别算法 | |
CN110047055B (zh) | 一种红外图像细节增强及去噪方法 | |
CN113421206B (zh) | 一种基于红外偏振成像的图像增强方法 | |
CN104732543A (zh) | 一种沙漠戈壁背景下红外弱小目标快速检测方法 | |
Hao et al. | Low-light image enhancement based on retinex and saliency theories | |
CN112766109B (zh) | 一种红外弱小目标自适应检测方法 | |
Kou et al. | Infrared small target detection based on the improved density peak global search and human visual local contrast mechanism | |
CN110751667B (zh) | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 | |
CN110490848B (zh) | 红外目标检测方法、装置及计算机存储介质 | |
CN113822279B (zh) | 基于多特征融合的红外目标检测方法、装置、设备及介质 | |
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 | |
Li et al. | Stabilizing multispectral pedestrian detection with evidential hybrid fusion | |
Wang et al. | Infrared dim and small target detection based on two-stage U-skip context aggregation network with a missed-detection-and-false-alarm combination loss | |
CN112288780B (zh) | 多特征动态加权的目标跟踪算法 | |
CN112395944A (zh) | 基于加权的多尺度比差联合对比度红外小目标检测方法 | |
CN111723808B (zh) | 一种基于最大值背景预测的红外弱目标提取方法 | |
CN113379639B (zh) | 一种复杂环境中红外目标抗干扰检测跟踪方法 | |
CN115345845A (zh) | 基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备 | |
Morales et al. | Shadow detection in high-resolution multispectral satellite imagery using generative adversarial networks | |
Qiu et al. | Improved DBSCAN for Infrared Cluster Small Target Detection | |
Qi et al. | Fast detection of small infrared objects in maritime scenes using local minimum patterns | |
CN111784743A (zh) | 一种红外弱小目标检测方法 | |
CN115908807B (zh) | 一种弱小目标快速检测方法、系统、计算机设备及介质 |
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 |