CN112802020B - 基于图像修补和背景估计的红外弱小目标检测方法 - Google Patents

基于图像修补和背景估计的红外弱小目标检测方法 Download PDF

Info

Publication number
CN112802020B
CN112802020B CN202110366439.6A CN202110366439A CN112802020B CN 112802020 B CN112802020 B CN 112802020B CN 202110366439 A CN202110366439 A CN 202110366439A CN 112802020 B CN112802020 B CN 112802020B
Authority
CN
China
Prior art keywords
image
target
infrared
background
suspected
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
Application number
CN202110366439.6A
Other languages
English (en)
Other versions
CN112802020A (zh
Inventor
卢德勇
曹东
刘林岩
杨阳
王海波
赵杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Computational Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Computational Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202110366439.6A priority Critical patent/CN112802020B/zh
Publication of CN112802020A publication Critical patent/CN112802020A/zh
Application granted granted Critical
Publication of CN112802020B publication Critical patent/CN112802020B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G06T5/70—
    • G06T5/77—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction

Abstract

本发明公开了基于图像修补和背景估计的红外弱小目标检测方法，包括步骤：S1，输入原始红外图像；S2，通过空间域滤波方法抑制原始红外图像的背景杂波，得到滤波后图像；S3，利用阈值分割方法将疑似弱小目标分割出来；S4，利用图像修补对疑似小目标所在像素进行恢复和估计，重建出红外背景图像；S5，通过原始红外图像减去重建出的红外背景图像，得到目标显著图；S6，再次利用阈值分割方法将弱小目标从目标显著图中分割出来，输出弱小目标信息等；本发明有效解决了现有方法由于噪声、杂波和边缘等因素导致的检测率低、虚警率高的问题，并且该方法的算法复杂度低、计算耗时少，易满足现实应用中的高实时性要求等。

Description

基于图像修补和背景估计的红外弱小目标检测方法
技术领域
本发明涉及红外检测领域，更为具体的，涉及基于图像修补和背景估计的红外弱小目标检测方法。
背景技术
红外探测，作为一种重要的无源、被动探测技术，具有良好的隐身性能和抗干扰能力，已经广泛应用于国防军事领域。由于探测系统作用的距离非常远，目标在视场中通常以弱小目标的形式出现，表现为目标能量很弱、信噪比很低，而且缺少形状和纹理信息，难以采用传统的目标检测技术进行检测。因此，红外弱小目标检测技术始终是目标检测领域的一个热点与前沿。
一般地，红外弱小目标检测方法的主要技术途径包括：基于传统滤波的方法，基于人类视觉系统的方法，基于低秩稀疏分解的方法，基于深度学习的方法，等。
基于传统滤波的方法主要通过抑制背景、突出目标来检测红外弱小目标。根据处理域的不同，又可分为基于空间域的处理方法和基于变换域的处理方法。基于空间域滤波的方法有高通滤波、中值滤波、均值滤波、Robinson Guard滤波、双边滤波、TopHat滤波等。基于变换域滤波的方法有经典频域高通滤波、小波滤波、希尔伯特—黄变换滤波等。基于传统滤波的检测算法，一般来说，复杂度较低，计算量较小，但存在算法可靠性低、虚警率高等不足。
基于人类视觉系统的方法通过计算目标与背景的局部差异特性得到目标显著图，再通过目标分割方法对弱小目标进行检测。核心是如何有效估计目标显著图。目前此类方法大多只利用局部对比度的信息来构建目标显著图，因此，难以满足高可靠性的要求。
基于低秩稀疏分解的方法将弱小目标检测问题转变为与背景相关的低秩矩阵、与目标相关的稀疏矩阵的分离和恢复问题，再利用鲁棒主成分分析方法来求解优化问题。该类方法主要存在算法复杂度高、计算耗时长等不足，还难以满足实时性要求。
基于深度学习的方法，为红外弱小目标检测问题提供了一个非常有竞争力的选择。相对于传统的滤波方法、基于人类视觉机制的方法，基于学习的方法较为新颖，研究相对不深不透，这一领域研究前途光明。但是也面临着诸多问题：一是真实红外图像数据难以获取，数据集的量级不够，对学习训练模型有一定影响；二是传统目标检测的深度学习方法推广到红外弱小目标检测这一特定问题时，适用性和有效性难以满足，需要发展针对性更强的深度学习方法。三是红外弱小目标检测的大多数场景常常需要满足实时性要求，这对基于学习的方法提出了更大的挑战。
总之，目前的红外弱小目标检测方法主要还存在可靠性不高、虚警率高、实时性低等不足，仍需要进一步研究和开发出更好的红外弱小目标检测技术。
发明内容
本发明的目的在于克服现有技术的不足，提供基于图像修补和背景估计的红外弱小目标检测方法，有效解决了现有方法由于噪声、杂波和边缘等因素导致的检测率低、虚警率高的问题，并且该方法的算法复杂度低、计算耗时少，易满足现实应用中的高实时性要求。
本发明的目的是通过以下方案实现的：
基于图像修补和背景估计的红外弱小目标检测方法，包括步骤：
S1，输入原始红外图像；
S2，通过空间域滤波方法抑制原始红外图像的背景杂波，得到滤波后图像；
S3，利用阈值分割方法将疑似弱小目标分割出来；
S4，利用图像修补对疑似小目标所在像素进行恢复和背景估计，重建出红外背景图像；
S5，通过原始红外图像减去重建出的红外背景图像，得到目标显著图；
S6，再次利用阈值分割方法将弱小目标从目标显著图中分割出来，输出弱小目标信息。
进一步地，在步骤S2中，所述空间域滤波方法包括TopHat形态学滤波方法。
进一步地，在步骤S3中，所述阈值分割方法采用如下公式：
Figure 825521DEST_PATH_IMAGE001
式中，
Figure 135280DEST_PATH_IMAGE002
为滤波后图像的均值，
Figure 268321DEST_PATH_IMAGE003
为滤波后图像的方差，
Figure 321728DEST_PATH_IMAGE004
为常数，
Figure 161508DEST_PATH_IMAGE005
取值范围为3到8，当滤波后图像中像素灰度值大于
Figure 642167DEST_PATH_IMAGE006
时指示为疑似目标。
进一步地，在步骤S4中，采用模板滤波方法实现背景估计。
进一步地，在步骤S6中，所述阈值分割方法采用如下公式：
Figure 747658DEST_PATH_IMAGE007
式中，
Figure 604755DEST_PATH_IMAGE008
为目标显著图的均值，
Figure 299042DEST_PATH_IMAGE009
为目标显著图的方差，
Figure 12920DEST_PATH_IMAGE010
为常数，
Figure 58236DEST_PATH_IMAGE010
的取值范围为8到20；当目标图像中像素灰度值大于
Figure 453446DEST_PATH_IMAGE011
时为目标。
进一步地，在步骤S4中，利用模板卷积核对红外图像进行卷积，实现重建出红外背景图像。
本发明的有益效果是：
本发明有效解决了现有方法由于噪声、杂波和边缘等因素导致的检测率低、虚警率高的问题，并且该方法的算法复杂度低、计算耗时少，易满足现实应用中的高实时性要求等；具体的，利用红外图像中弱小目标和背景所固有的、规律性的多种特性，通过空域滤波、背景估计、图像修补等手段，增强弱小目标信息，有效抑制背景和杂波噪声，降低了由于杂波、噪声等引起的虚警，并且提高了目标的检测率，同时保证了目标检测算法的实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中红外弱小目标检测方法流程图；
图2为本发明实施例中采用的一张包含弱小目标的红外图像；
图3为本发明实施例中图3原始红外图像首次滤波后得到的图像；
图4为本发明实施例中得到的疑似目标图像；
图5为本发明实施例中得到的背景估计图；
图6为本发明实施例中得到的目标显著图，通过原始图像减去重建出的背景估计图像；
图7为本发明实施例中分割得到的弱小目标图。
具体实施方式
本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。
如图1~7所示，基于图像修补和背景估计的红外弱小目标检测方法，包括步骤：
S1，输入原始红外图像；
S2，通过空间域滤波方法抑制原始红外图像的背景杂波，得到滤波后图像；
S3，利用阈值分割方法将疑似弱小目标分割出来；
S4，利用图像修补对疑似小目标所在像素进行恢复和背景估计，重建出红外背景图像；
S5，通过原始红外图像减去重建出的红外背景图像，得到目标显著图；
S6，再次利用阈值分割方法将弱小目标从目标显著图中分割出来，输出弱小目标信息。
进一步地，在步骤S2中，所述空间域滤波方法包括TopHat形态学滤波方法。
进一步地，在步骤S3中，所述阈值分割方法采用如下公式：
Figure 2239DEST_PATH_IMAGE001
式中，
Figure 404795DEST_PATH_IMAGE002
为滤波后图像的均值，
Figure 671828DEST_PATH_IMAGE003
为滤波后图像的方差，
Figure 870728DEST_PATH_IMAGE004
为常数，
Figure 336344DEST_PATH_IMAGE005
取值范围为3到8，当滤波后图像中像素灰度值大于
Figure 595287DEST_PATH_IMAGE006
时指示为疑似目标。
进一步地，在步骤S4中，采用模板滤波方法实现背景估计。
进一步地，在步骤S6中，所述阈值分割方法采用如下公式：
Figure 349617DEST_PATH_IMAGE007
式中，
Figure 86629DEST_PATH_IMAGE008
为目标显著图的均值，
Figure 610014DEST_PATH_IMAGE009
为目标显著图的方差，
Figure 852908DEST_PATH_IMAGE010
为常数，
Figure 828954DEST_PATH_IMAGE010
的取值范围为8到20；当目标图像中像素灰度值大于
Figure 369657DEST_PATH_IMAGE011
时为目标。
进一步地，在步骤S4中，利用模板卷积核对红外图像进行卷积，实现重建出红外背景图像。
本发明实施例中只对疑似目标区域进行背景重建和估计，具体包括如下：
步骤一：输入当前帧的原始红外图像A；
步骤二：利用TopHat形态学滤波方法等快速的空域滤波方法，对原始图像A进行背景杂波抑制，得到滤波后图像B；
步骤三：通过阈值分割方法，从图像B分割出疑似的弱小目标；
步骤四：将疑似目标挖掉，利用图像修补技术对疑似目标所在像素进行恢复和背景估计，重建出红外背景图像C；
步骤五：通过原始图像A减去重建出的背景图像C，得到目标显著图D；
步骤六：通过阈值分割方法，从目标显著图D中分割出最终的弱小目标。
在本发明的其他实施例中，包括如下步骤：首先输入原始红外图像；其次，通过快速的空间域滤波方法抑制背景杂波，利用阈值分割方法将疑似弱小目标分割出来；然后，利用图像修补技术对疑似目标所在像素进行恢复和估计，重建出红外背景图像；再次，通过原始红外图像减去背景图像，得到目标显著图；最后，再次利用阈值分割方法将弱小目标从目标显著图中分割出来，输出弱小目标信息。本发明其他实施例的具体实施过程还包括如下步骤：
1、输入原始红外图像A；
2、选取合适的结构元素参数，利用TopHat形态学滤波方法，对原始图像A进行背景杂波抑制，得到滤波后图像B；
3、通过阈值分割方法，从图像B分割出疑似的弱小目标。阈值计算公式为
Figure 13128DEST_PATH_IMAGE001
式中，
Figure 410611DEST_PATH_IMAGE002
为滤波后图像的均值，
Figure 139532DEST_PATH_IMAGE003
为滤波后图像的方差，
Figure 218347DEST_PATH_IMAGE004
为常数，
Figure 27909DEST_PATH_IMAGE005
取值范围为3到8，当滤波后图像中像素灰度值大于
Figure 533976DEST_PATH_IMAGE006
时指示为疑似目标。
4、得到疑似目标后，将疑似目标区域挖空，利用周边的局部区域，基于各种图像修补技术，估计、重建出背景图像。这里运用模板滤波方法来实现背景估计任务。利用如下模板卷积核，对红外图像进行卷积，得到估计背景图像C。
5、通过原始图像A减去重建出的背景图像C，得到目标显著图D
Figure 750194DEST_PATH_IMAGE012
6、通过阈值分割方法，从目标显著图D中分割出最终的弱小目标。阈值计算公式为
Figure 632699DEST_PATH_IMAGE013
式中，式中，
Figure 47500DEST_PATH_IMAGE008
为目标显著图的均值，
Figure 990049DEST_PATH_IMAGE009
为目标显著图的方差，
Figure 427983DEST_PATH_IMAGE010
为常数，
Figure 848600DEST_PATH_IMAGE010
的取值范围为8到20；当目标图像中像素灰度值大于
Figure 134219DEST_PATH_IMAGE011
时为目标。
7、判断有无目标，计算目标信息，并输出目标检测结果信息。
本发明功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，在一台计算机设备（可以是个人计算机，服务器，或者网络设备等）以及相应的软件中执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、或者光盘等各种可以存储程序代码的介质，进行测试或者实际的数据在程序实现中存在于只读存储器（Random Access Memory，RAM）、随机存取存储器（Random Access Memory，RAM）等。

Claims (4)

1.基于图像修补和背景估计的红外弱小目标检测方法，其特征在于，包括步骤：
S1，输入原始红外图像；
S2，通过空间域滤波方法抑制原始红外图像的背景杂波，得到滤波后图像；
S3，利用阈值分割方法将疑似弱小目标分割出来；
S4，得到疑似弱小目标后，将疑似弱小目标挖掉，利用图像修补只对疑似小目标所在像素进行恢复和背景估计，重建出红外背景图像；
在步骤S4中，采用模板滤波方法实现背景估计，利用模板卷积核对挖掉疑似目标区域后的红外图像进行卷积，实现重建出红外背景图像；
S5，通过原始红外图像减去重建出的红外背景图像，得到目标显著图；
S6，再次利用阈值分割方法将弱小目标从目标显著图中分割出来，输出弱小目标信息。
2.根据权利要求1所述的基于图像修补和背景估计的红外弱小目标检测方法其特征在于，在步骤S2中，所述空间域滤波方法包括TopHat形态学滤波方法。
3.根据权利要求1所述的基于图像修补和背景估计的红外弱小目标检测方法，其特征在于，在步骤S3中，所述阈值分割方法采用如下公式：
Figure DEST_PATH_IMAGE001
式中，
Figure DEST_PATH_IMAGE002
为滤波后图像的均值，
Figure DEST_PATH_IMAGE003
为滤波后图像的方差，
Figure DEST_PATH_IMAGE004
为常数，
Figure 998501DEST_PATH_IMAGE004
取值范围为3到8，当滤波后图像中像素灰度值大于
Figure DEST_PATH_IMAGE005
时指示为疑似目标。
4.根据权利要求1所述的基于图像修补和背景估计的红外弱小目标检测方法，其特征在于，在步骤S6中，所述阈值分割方法采用如下公式：
Figure DEST_PATH_IMAGE006
式中，
Figure DEST_PATH_IMAGE007
为目标显著图的均值，
Figure DEST_PATH_IMAGE008
为目标显著图的方差，
Figure DEST_PATH_IMAGE009
为常数，
Figure 587745DEST_PATH_IMAGE009
的取值范围为8到20；当目标图像中像素灰度值大于
Figure DEST_PATH_IMAGE010
时为目标。
CN202110366439.6A 2021-04-06 2021-04-06 基于图像修补和背景估计的红外弱小目标检测方法 Active CN112802020B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110366439.6A CN112802020B (zh) 2021-04-06 2021-04-06 基于图像修补和背景估计的红外弱小目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110366439.6A CN112802020B (zh) 2021-04-06 2021-04-06 基于图像修补和背景估计的红外弱小目标检测方法

Publications (2)

Publication Number Publication Date
CN112802020A CN112802020A (zh) 2021-05-14
CN112802020B true CN112802020B (zh) 2021-06-25

Family

ID=75816286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110366439.6A Active CN112802020B (zh) 2021-04-06 2021-04-06 基于图像修补和背景估计的红外弱小目标检测方法

Country Status (1)

Country Link
CN (1) CN112802020B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114372936A (zh) * 2022-01-10 2022-04-19 中国人民解放军国防科技大学 一种基于图像修补技术的红外弱小目标检测方法
CN114648547B (zh) * 2022-03-09 2023-06-27 中国空气动力研究与发展中心计算空气动力研究所 用于反无人机红外探测系统的弱小目标检测方法和装置
CN115035378A (zh) * 2022-08-09 2022-09-09 中国空气动力研究与发展中心计算空气动力研究所 基于时空域特征融合的红外弱小目标的检测方法及装置
CN115311460B (zh) * 2022-08-16 2023-05-02 哈尔滨工业大学 一种缓动背景下融合时空域信息的红外小目标检测方法
CN117078663A (zh) * 2023-10-13 2023-11-17 中国空气动力研究与发展中心计算空气动力研究所 一种基于背景感知的弱小目标检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530629A (zh) * 2013-11-01 2014-01-22 四川九洲电器集团有限责任公司 红外小信号目标增程检测方法及系统
CN104299229A (zh) * 2014-09-23 2015-01-21 西安电子科技大学 一种基于时空域背景抑制的红外弱小目标检测方法
CN104463911A (zh) * 2014-12-09 2015-03-25 上海新跃仪表厂 基于复杂背景估计的红外运动小目标检测方法
CN104732543A (zh) * 2015-03-30 2015-06-24 中国人民解放军63655部队 一种沙漠戈壁背景下红外弱小目标快速检测方法
US9423341B1 (en) * 2009-11-30 2016-08-23 Oceanit Laboratories, Inc. Daytime infrared imaging of satellites
CN107330857A (zh) * 2017-06-21 2017-11-07 中国科学院长春光学精密机械与物理研究所 一种红外图像中暗弱点目标检测方法
CN107392095A (zh) * 2017-06-15 2017-11-24 杭州红辉电子科技有限公司 一种基于掩码图像的红外弱小目标检测算法
CN108682004A (zh) * 2018-04-16 2018-10-19 华中科技大学 一种基于局部信息的复杂背景下红外弱小目标检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289819B (zh) * 2011-07-27 2013-05-08 中国电子科技集团公司第二十八研究所 一种背景自适应估计的红外运动目标实时检测方法
CN102917217B (zh) * 2012-10-18 2015-01-28 北京航空航天大学 一种基于五边形搜索及三帧背景对齐的动背景视频对象提取方法
CN104240240B (zh) * 2014-09-04 2017-03-15 南京理工大学 一种基于fpga的红外小目标检测方法及系统
CN106200047B (zh) * 2016-08-29 2019-03-22 武汉精测电子集团股份有限公司 一种基于GPU的TFT-LCD Mura缺陷检测的方法
CN110276264B (zh) * 2019-05-27 2023-04-07 东南大学 一种基于前景分割图的人群密度估计方法
CN111666944B (zh) * 2020-04-27 2022-10-18 中国空气动力研究与发展中心计算空气动力研究所 一种红外弱小目标检测方法及装置
CN112329764A (zh) * 2020-09-28 2021-02-05 中国空气动力研究与发展中心计算空气动力研究所 一种基于tv-l1模型的红外弱小目标检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9423341B1 (en) * 2009-11-30 2016-08-23 Oceanit Laboratories, Inc. Daytime infrared imaging of satellites
CN103530629A (zh) * 2013-11-01 2014-01-22 四川九洲电器集团有限责任公司 红外小信号目标增程检测方法及系统
CN104299229A (zh) * 2014-09-23 2015-01-21 西安电子科技大学 一种基于时空域背景抑制的红外弱小目标检测方法
CN104463911A (zh) * 2014-12-09 2015-03-25 上海新跃仪表厂 基于复杂背景估计的红外运动小目标检测方法
CN104732543A (zh) * 2015-03-30 2015-06-24 中国人民解放军63655部队 一种沙漠戈壁背景下红外弱小目标快速检测方法
CN107392095A (zh) * 2017-06-15 2017-11-24 杭州红辉电子科技有限公司 一种基于掩码图像的红外弱小目标检测算法
CN107330857A (zh) * 2017-06-21 2017-11-07 中国科学院长春光学精密机械与物理研究所 一种红外图像中暗弱点目标检测方法
CN108682004A (zh) * 2018-04-16 2018-10-19 华中科技大学 一种基于局部信息的复杂背景下红外弱小目标检测方法

Also Published As

Publication number Publication date
CN112802020A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN112802020B (zh) 基于图像修补和背景估计的红外弱小目标检测方法
Li et al. Single image rain streak decomposition using layer priors
Corner et al. Noise estimation in remote sensing imagery using data masking
CN105913393B (zh) 一种自适应小波阈值图像去噪方法及装置
Saladi et al. Analysis of denoising filters on MRI brain images
US20170069059A1 (en) Non-Local Image Denoising
CN109919870B (zh) 一种基于bm3d的sar图像相干斑抑制方法
CN109447073B (zh) 一种基于张量鲁棒主成分分析的红外弱小目标检测方法
CN103369209A (zh) 视频降噪装置及方法
CN110689555B (zh) 基于前景检测的kcf跟踪目标丢失检测方法及系统
CN114648547B (zh) 用于反无人机红外探测系统的弱小目标检测方法和装置
CN115035378A (zh) 基于时空域特征融合的红外弱小目标的检测方法及装置
Ummar et al. Window-based transformer generative adversarial network for autonomous underwater image enhancement
Qi et al. Image dehazing based on structure preserving
Lu et al. CNN-enabled visibility enhancement framework for vessel detection under haze environment
CN111461999A (zh) 一种基于超像素相似性测量的sar图像相干斑抑制方法
Ahn et al. Segmenting a noisy low-depth-of-field image using adaptive second-order statistics
Farhadifard et al. Marine snow detection and removal: underwater image restoration using background modeling
Jiang et al. Haze relevant feature attention network for single image dehazing
Zhu et al. Two-stage non-local means filtering with adaptive smoothing parameter
CN103839237A (zh) 基于svd字典和线性最小均方误差估计的sar图像去斑方法
Xu et al. Image deraining with adversarial residual refinement network
Xiao et al. Underwater image classification based on image enhancement and information quality evaluation
Chen et al. A Self-supervised SAR Image Despeckling Strategy Based on Parameter-sharing Convolutional Neural Networks
Shao et al. Robust Infrared Small Target Detection with Multi-feature fusion

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