CN113012183A - 一种红外序列图像中虚警源检测分类方法 - Google Patents
一种红外序列图像中虚警源检测分类方法 Download PDFInfo
- Publication number
- CN113012183A CN113012183A CN202110421531.8A CN202110421531A CN113012183A CN 113012183 A CN113012183 A CN 113012183A CN 202110421531 A CN202110421531 A CN 202110421531A CN 113012183 A CN113012183 A CN 113012183A
- Authority
- CN
- China
- Prior art keywords
- false alarm
- time domain
- alarm source
- pixel
- infrared
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/13—Edge detection
Abstract
本发明属于红外图像处理中的目标检测领域,提供一种红外序列图像中虚警源检测分类方法,解决现有技术中虚警源对成像系统产生干扰的问题。其主要方案包括:分析红外虚警源图像中不同像素点的时域特征并建立时域模型,对原始图像作背景抑制之后,提出一种改进的自适应时域双边滤波去除杂波时域廓线上较大的起伏,并采用基于时域特征的小目标检测方法实现最终的红外虚警源检测。从序列图像虚警源的检测结果中获取虚警源的轨迹信息,从而得到虚警源的运动信息及灰度信息,并将其输入到全卷积神经网络中进行分类器的训练以实现红外虚警源的分类。
Description
技术领域
本发明属于红外图像处理技术领域,具体涉及一种红外序列图像中虚警源检测分类方法。
背景技术
随着红外成像技术的发展,红外成像被广泛地应用于各国军事、民用等相关领域,红外小目标检测在预警系统、精确打击武器等方面发挥着巨大的作用,红外成像一般具有成像距离远且易受环境因素干扰的特点,因此红外小目标在图像中尺寸较小且没有明显的形状特征,红外小目标检测一直是目标检测领域的一个难题。
红外热成像系统通过接收到的来自目标和背景的红外辐射,能把光信号转化为电信号,并将不可见的红外辐射转变成可见的二维图像。由于红外成像所用波段的特殊性,在军事应用中具有显著优势。与可见光成像相比,红外探测对于环境的依赖更小,可见光探测通常只能在白天进行,而红外探测成像则不会受制于此,红外探测具有全天候的工作能力。除此之外,红外探测还具有高灵敏度、抗电磁干扰能力强、动态范围大、环境适应性好等优势。因此红外探测可实现在复杂背景下,对目标的捕获、锁定、跟踪和识别。
天基红外卫星在对地遥感观测及导弹预警方面具有重要作用,是国防建设的重要组成部分。天基红外卫星利用其星载的红外对地探测器探测导弹或飞行器在飞行过程中产生的高强度红外辐射,实现对全球范围内实时的预警监测。然而在天基红外卫星的红外探测器成像波段内存在大量具有高辐射特性的目标,对导弹预警系统的正常工作造成干扰甚至误报,称为虚警源。典型的虚警源包括雪山、恒星、结冰湖泊以及高空卷云等,这些虚警源由于其高辐射或高反射特性不可避免地对成像系统产生干扰,因此需要对各种虚警源的检测进行研究,以提高预警系统的精度与反应速度。综合上述因素本文提出了一种红外序列图像中虚警源检测分类算法,即检测引起虚警的虚警源,并对其进行分类,从弱小目标检测的结果中去除虚警源检测的结果,从而一定程度上减少高辐射虚警源对真实空间目标检测的影响。因此在实际应用中虚警源的检测算法具有十分重要的研究意义。
发明内容
基于现有技术中虚警源对成像系统产生干扰的问题,本发明提供了一种红外序列图像中虚警源检测分类方法,实现对多种虚警源的检测分类,可作为红外图像小目标检测的一种辅助手段,以提高目标检测的准确率。
本发明采用的技术方案如下:
一种红外序列图像中虚警源检测分类方法,包括如下步骤:
步骤1:对原红外序列图像进行时域特征分析及时域建模;
步骤2:对原红外序列图像进行预处理,实现背景抑制;
步骤3:将步骤2中背景抑制之后的图像进行基于时域特征的虚警源检测;
步骤4:从步骤3中检测到的虚警源检测结果中获取虚警源轨迹信息,并将获取的轨迹信息进行归一化处理;
步骤5:将步骤4所得到的虚警源轨迹信息利用全卷积神经网络进行训练分类,得到虚警源的分类结果。
优选的,所述步骤1具体包括以下步骤:
步骤1.1:对红外图像中的背景像素、虚警源经过的像素及杂波像素进行时域特征分析;
步骤1.2:建立背景像素时域模型:
背景像素的时域模型表现为:
P1(k)=C+n(k)
步骤1.3:建立虚警源像素时域模型:
虚警源时域模型表现为:
P2(k)=P1(k)+f(k)
式中P1(k)为虚警源处背景像素的灰度值,P2(k)为虚警源经过像素点时的灰度值,f(k)为虚警源信号的灰度值;
采用Fermi函数的导数描述虚警源的脉冲形状:
式中,参数a正比于虚警源灰度,参数b为虚警源的中心落在该像素点上的时刻,参数c表示尺度参数,参数d表示背景灰度;
步骤1.4:建立杂波像素时域模型:
P3(k)=P3(k-1)+w(k)
优选的,所述步骤2包括如下步骤:
步骤2.1根据红外序列图像中不同像素点的时域方差变化特性求取背景像素的时域方差、虚警源像素的时域方差和杂波的时域方差;
步骤2.2:根据时域廓线上的灰度值求取图像上(i,j)位置处的对应的时域方差;
优选的,所述步骤3包括如下步骤:
步骤3.1:求取时域廓线残差:
时域中的几何测度函数D(k,r)和灰度测度函数R(f(x,y;k),f(x,y;r))分别为:
上式中k、r分别代表输入红外序列图像的第k帧和第r帧,f(x,y;r)输入图像序列中的第r帧,f(x,y;k)输入图像序列中的第k帧,σdk为空间标准差,σrk为灰度标准差;
求取归一化因子W(k):
求取(x,y;k)位置处的像素点预测值Tp(x,y;k):
采用自适应的时域双边滤波得到滤波之后的图像Tr(x,y;k):
Tr(x,y;k)=max(|f(x,y;k)-Tp(x,y;k)|)
f(x,y;k)为输入序列图像的第k帧,Tp(x,y;k)为第k帧的预测值;
求取(x,y;k)位置处的像素点处的残差时域廓线H(x,y;k):
H(x,y;k)=f(x,y;k)-Tr(x,y;k)
步骤3.4红外虚警源的检测:
上式中,T2为分割阈值,0.5maxMN<T2<maxMN,P(i,j)为(i,j)处的灰度值,当某一像素时域廓线上向量积的大小的最大值大于等于T2时,该点像素灰度值设为1,当某一像素时域廓线上向量积大小的最大值小于T2时,该点像素灰度值设为0,从而获得红外虚警源的运动轨迹图,实现红外虚警源的检测。
优选的,所述步骤4包括如下步骤:
步骤4.1:根据步骤3.4中红外虚警源的运动轨迹得到红外虚警源在每一帧的位置x,y及每一帧的灰度值;
步骤4.2:由红外虚警源轨迹中的x,y得到红外虚警源运动的相对距离L及速度v:
式中x,y为当前帧虚警源所在的位置,x0、y0为虚警源初始帧所在的位置,k为帧数,t为当前帧与前一帧之间的时间间隔;
步骤4.3:对获取的序列数据进行数据归一化,所述序列数据为步骤4.1和4.2中的x、y、灰度值、L或v;
转换函数为:
式中μ为所有样本数据的均值,σ为所有样本数据的标准差,x为样本数据。
优选的,所述步骤5包括如下步骤:
步骤5.1:将归一化处理之后的序列数据分为训练集与测试集,利用左右翻转和平移变换来增强数据集,并将其输入到全卷积神经网络之中;
步骤5.2:利用训练集进行全卷积神经网络的训练,利用测试集进行网络测试,从而得到虚警源的分类结果。
优选的,所述全卷积神经网络包括数据输入层、卷积层1、卷积层2、卷积层3、GAP、FC和输出层。
优选的,所述虚警源的分类结果包括卷云、恒星、类飞行器、地物反射。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明从弱小目标检测的结果中去除虚警源检测的结果,从而一定程度上减少高辐射虚警源对真实空间目标检测的影响,将虚警源检测分类算法作为一种辅助手段,可有效提高红外图像中小目标检测的准确率。
2.本发明在获取时域廓线残差时,采用自适应的时域双边滤波算法,有效去除杂波及残留的背景,突出了虚警源所产生的冲击信号,为后续虚警源的检测坚定了基础。
附图说明
图1为本发明红外序列图像虚警源检测分类系统流程图;
图2为本发明中全卷积神经网络结构示意图;
图3为本发明中红外序列图像虚警源像素的时域廓线图
图4为本发明中红外序列图像背景像素的时域廓线图;
图5为本发明中红外序列图像杂波像素的时域廓线图;
图6为本发明红外序列图像虚警源的原图和检测结果对比图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
如图1-6所示,一种红外序列图像中虚警源的检测分类方法,包括如下步骤:
步骤1:对原红外序列图像进行时域特征分析及时域建模;
步骤2:对原红外序列图像进行预处理,实现背景抑制;
步骤3:将步骤2中背景抑制之后的图像进行基于时域特征的虚警源检测;
步骤4:从步骤3中检测到的虚警源检测结果中获取虚警源轨迹信息,并将获取的轨迹信息进行归一化处理;
步骤5:将步骤4所得到的虚警源轨迹信息利用全卷积神经网络进行训练分类,得到虚警源的分类结果。
本实施例中,步骤1具体包括如下步骤:
步骤1.1对红外图像中的背景像素、虚警源经过的像素及杂波像素进行时域特征分析:
在红外虚警源图像中背景多为精致的像素点,此类像素点的灰度值随时间的变化表现为一恒定值加上高斯白噪声的叠加结果;当有虚警源经过某一像素点时该像素点在时间轴上出现一个脉冲信号,脉冲信号的波形近似于一个偶函数形状的峰函数,峰值高度正比于虚警源的灰度值,峰宽度反比于虚警源的运动速度;图像中的杂波主要包括两大类,一类是分布较为均匀的像素,类似于普通的背景图像,另一类是与背景值具有较大差异的像素块边缘和小面积漂移杂波,杂波在时域剖面上也会出现脉冲,但其脉冲强度低于虚警源的脉冲强度。
步骤1.2:建立背景像素时域模型:
背景区域呈现连续分布状态,且背景像素之间具有较大的相关性,因此可看作是一个固定值和高斯白噪声叠加之后的结果,可假设高斯白噪声的方差已知,均值为某一个固定值。因此背景像素的时域模型可表现为:
P1(k)=C+n(k) (1-1)
步骤1.3建立虚警源像素时域模型:
根据虚警源像素时域剖面特征,我们可以获得与背景均值、背景微分强度、虚警源到达该像素时间和虚警源运动速度有关的点扩散函数,该点扩散函数为红外探测器的点扩散函数(PSF)的一维变化曲线的一个膨胀或者收缩的变形,虚警源的像素时域模型可看作是背景信号与虚警源信号的叠加:
P2(k)=P1(k)+f(k) (1-2)
式(1-2)中P1(k)为虚警源处背景像素的灰度值,P2(k)为虚警源经过像素点时的灰度值,f(k)为虚警源信号的灰度值。在红外探测器中,PSF已知。Fermi函数的导数适合描述虚警源脉冲形状:
式(1-3)中,参数a正比于虚警源灰度,参数b表示虚警源到达时间,也就是目标的中心落在该像素点上的时刻,参数c是一个尺度参数,它决定了函数的宽度,而参数d表示背景灰度。
步骤1.4建立杂波像素时域模型:
大部分的杂波类似于普通背景可以与背景像素一起处理;另一类杂波与周围背景值具有较大的差异,杂波像素在时间轴上的表现没有一定的规律性,一般来说,这一类杂波在时间轴上才产生的脉冲峰宽比一般的虚警源大,此类模型可用一阶马尔可夫模型近似描述:
P3(k)=P3(k-1)+w(k) (1-4)
式(1-4)中,P3(k)为杂波处的像素点的灰度值,w(k)为运动杂波的起伏噪声,σc是驱动噪声的标准差,它表明了该像素处杂波的严重程度。杂波相对于虚警源的运动速度较为缓慢,所以相对于虚警源的时域廓线来说,杂波在时间轴上一般呈现缓慢增大或者较小的趋势。
本实施例中,步骤2中包括如下步骤:
步骤2.1:红外序列图像中的背景像素、虚警源经过的像素及杂波像素的时域特征具有较大的差异,分析不同像素点的时域方差变化特性。
步骤2.2:根据时域廓线上的灰度值求取图像上(i,j)位置处的对应的时域方差;
本实施例中,步骤3的具体步骤为:
步骤3.1:求取时域廓线残差;
对序列图像的时域目标检测是根据图像的所有像素点在时域上的起伏特性对运动虚警能源进行检测,这种方法可检测低信噪比的虚警源。双边滤波是一种非迭代的非线性滤波器,在滤波过程中双边滤波同时兼顾了像素间的空间距离和像素灰度值的相似性,能够在预测背景的同时对边缘也能够有效的保护。将双域滤波器的概念引入时域。时域中的空间标准差定义为σdk,对于距窗口中心近的帧赋予的权值大,距窗口中心远的帧赋予的权值小;时域中的灰度标准差定义为σrk,对于与窗口中心像素值相近的灰度值赋予较高的权值,对于与窗口中心灰度值差距较大的灰度值赋予较小的权值。时域中的几何测度函数D(k,r)和灰度测度函数R(f(x,y;k),f(x,y;r))分别为:
上式中k、r分别代表输入序列图像的第k帧和第r帧,f(x,y;r)输入图像序列中的第r帧,f(x,y;k)输入图像序列中的第k帧,σdk为空间标准差,σrk为灰度标准差。
求取归一化因子W(k):
W(k)=∑rD(k,r)R(f(x,y;k),f(x,y;r)) (3-3)
求取(x,y;k)位置处的像素点预测值Tp(x,y;k):
Tp(x,y;k)=W-1(k)∑rD(k,r)R(f(x,y;k),f(x,y;r))f(x,y;k) (3-4)
灰度标准差σrk受图像噪声标准差的影响较大,若仅给出一个固定值,则无法满足不同噪声水平下的图像,因此可将其设置为图像加性高斯噪声标准差的n倍。采用自适应的时域双边滤波得到滤波之后的结果图像Tr(x,y;k),进而得到其残差时域廓线H(x,y;k);
Tr(x,y;k)=max(|f(x,y;k)-Tp(x,y;k)|) (3-5)
H(x,y;k)=f(x,y;k)-Tr(x,y;k) (3-6)
式(3-5)中f(x,y;k)为输入序列图像的第k帧,Tp(x,y;k)为第k帧的预测值。
步骤3.4:红外虚警源的检测:
上式中,T2为分割阈值,0.5maxMN<T2<maxMN,P(i,j)为(i,j)处的灰度值,当某一像素时域廓线上向量积的大小的最大值大于等于T2时,该点像素灰度值设为1,当某一像素时域廓线上向量积大小的最大值小于T2时,该点像素灰度值设为0,从而获得红外虚警源的运动轨迹图,实现红外虚警源的检测。
本实施例中,步骤4的具体步骤为:
步骤4.1:从步骤3中得到的虚警源的运动轨迹得到虚警源在每一帧位置x,y及每一帧的灰度值;
步骤4.2:由虚警源轨迹中的x,y得到虚警源运动的相对距离L及速度v:
式(4-1)中x,y分别为当前帧虚警源所在的位置,x0、y0为虚警源初始帧所在的位置,式(4-2)中k为帧数,t为当前帧与前一帧之间的时间间隔。
步骤4.3对获取的序列数据(即步骤4.1和4.2中的x、y、灰度值、L或v)进行数据归一化:
z-score标准化:对原始数据进行均值和标准差的数据标准化。z-score标准化方法适用于属性A的最大值和最小值未知的情况,或有超出取值范围的离群数据的情况。该种标准化方式要求原始数据的分布可以近似为高斯分布,经处理之后的数据符合正态分布,即均值为0,标准差为1,其转换函数为:
式(4-3)中μ为所有样本数据的均值,σ为所有样本数据的标准差,x为样本数据。
本实施例中,步骤5的具体步骤为:
步骤5.1:将归一化处理之后的序列数据分为训练集与测试集,利用左右翻转和平移变换来增强数据集,并将其输入到全卷积神经网络之中;
步骤5.2:利用训练集进行全卷积神经网络的训练,利用测试集进行网络测试,从而得到虚警源的分类结果.
所采用的全卷积神经网络包括数据输入层、卷积层1、卷积层2、卷积层3、GAP、FC、输出层。卷积层1有256个卷积核,尺寸是1×7,激活函数用ReLU。卷积层2有128个卷积核,尺寸是1×5,激活函数用ReLU。卷积层3有128个卷积核,尺寸是1×5,激活函数用ReLU。之后采用全局平均池化,并设置dropout概率为50%。输出层是全连接层,利用4个神经元和激活函数softmax对4类虚警源实现进行分类。虚警源的分类结果包括卷云、恒星、类飞行器、地物反射。如图6所示,检测结果所对应的图像中,方框中即为虚警源,由于亮度较暗,在虚警源的周围增加了一个方框用于表示虚警源的位置。
Claims (8)
1.一种红外序列图像中虚警源检测分类方法,其特征在于,包括如下步骤:
步骤1:对原红外序列图像进行时域特征分析及时域建模;
步骤2:对原红外序列图像进行预处理,实现背景抑制;
步骤3:将步骤2中背景抑制之后的图像进行基于时域特征的虚警源检测;
步骤4:从步骤3中检测到的虚警源检测结果中获取虚警源轨迹信息,并将获取的轨迹信息进行归一化处理;
步骤5:将步骤4所得到的虚警源轨迹信息利用全卷积神经网络进行训练分类,得到虚警源的分类结果。
2.根据权利要求1所述的一种红外序列图像中虚警源检测分类方法,其特征在于:所述步骤1具体包括以下步骤:
步骤1.1:对红外图像中的背景像素、虚警源经过的像素及杂波像素进行时域特征分析;
步骤1.2:建立背景像素时域模型:
背景像素的时域模型表现为:
P1(k)=C+n(k)
步骤1.3:建立虚警源像素时域模型:
虚警源时域模型表现为:
P2(k)=P1(k)+f(k)
式中P1(k)为虚警源处背景像素的灰度值,P2(k)为虚警源经过像素点时的灰度值,f(k)为虚警源信号的灰度值;
采用Fermi函数的导数描述虚警源的脉冲形状:
式中,参数a正比于虚警源灰度,参数b为虚警源的中心落在该像素点上的时刻,参数c表示尺度参数,参数d表示背景灰度;
步骤1.4:建立杂波像素时域模型:
P3(k)=P3(k-1)+w(k)
3.根据权利要求1所述的一种红外序列图像中虚警源检测分类方法,其特征在于:所述步骤2包括如下步骤:
步骤2.1根据红外序列图像中不同像素点的时域方差变化特性求取背景像素的时域方差、虚警源像素的时域方差和杂波的时域方差;
步骤2.2:根据时域廓线上的灰度值求取图像上(i,j)位置处的对应的时域方差;
4.根据权利要求1所述的一种红外序列图像中虚警源检测分类方法,其特征在于:所述步骤3包括如下步骤:
步骤3.1:求取时域廓线残差:
时域中的几何测度函数D(k,r)和灰度测度函数R(f(x,y;k),f(x,y;r))分别为:
上式中k、r分别代表输入红外序列图像的第k帧和第r帧,f(x,y;r)输入图像序列中的第r帧,f(x,y;k)输入图像序列中的第k帧,σdk为空间标准差,σrk为灰度标准差;
求取归一化因子W(k):
求取(x,y;k)位置处的像素点预测值Tp(x,y;k):
采用自适应的时域双边滤波得到滤波之后的图像Tr(x,y;k):
Tr(x,y;k)=max(|f(x,y;k)-Tp(x,y;k)|)
f(x,y;k)为输入序列图像的第k帧,Tp(x,y;k)为第k帧的预测值;
求取(x,y;k)位置处的像素点处的残差时域廓线H(x,y;k):
H(x,y;k)=f(x,y;k)-Tr(x,y;k)
步骤3.4红外虚警源的检测:
6.根据权利要求1所述的一种红外序列图像中虚警源检测分类方法,其特征在于:所述步骤5包括如下步骤:
步骤5.1:将归一化处理之后的序列数据分为训练集与测试集,利用左右翻转和平移变换来增强数据集,并将其输入到全卷积神经网络之中;
步骤5.2:利用训练集进行全卷积神经网络的训练,利用测试集进行网络测试,从而得到虚警源的分类结果。
7.根据权利要求6所述的一种红外序列图像中虚警源检测分类方法,其特征在于:所述全卷积神经网络包括数据输入层、卷积层1、卷积层2、卷积层3、GAP、FC和输出层。
8.根据权利要求6所述的一种红外序列图像中虚警源检测分类方法,其特征在于:所述虚警源的分类结果包括卷云、恒星、类飞行器、地物反射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421531.8A CN113012183A (zh) | 2021-04-20 | 2021-04-20 | 一种红外序列图像中虚警源检测分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421531.8A CN113012183A (zh) | 2021-04-20 | 2021-04-20 | 一种红外序列图像中虚警源检测分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113012183A true CN113012183A (zh) | 2021-06-22 |
Family
ID=76388713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110421531.8A Pending CN113012183A (zh) | 2021-04-20 | 2021-04-20 | 一种红外序列图像中虚警源检测分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012183A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100092036A1 (en) * | 2008-06-17 | 2010-04-15 | Subhodev Das | Method and apparatus for detecting targets through temporal scene changes |
CN108492319A (zh) * | 2018-03-09 | 2018-09-04 | 西安电子科技大学 | 基于深度全卷积神经网络的运动目标检测方法 |
CN111091088A (zh) * | 2019-12-12 | 2020-05-01 | 中国人民解放军战略支援部队航天工程大学 | 一种视频卫星信息支援海上目标实时检测定位系统及方法 |
-
2021
- 2021-04-20 CN CN202110421531.8A patent/CN113012183A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100092036A1 (en) * | 2008-06-17 | 2010-04-15 | Subhodev Das | Method and apparatus for detecting targets through temporal scene changes |
CN108492319A (zh) * | 2018-03-09 | 2018-09-04 | 西安电子科技大学 | 基于深度全卷积神经网络的运动目标检测方法 |
CN111091088A (zh) * | 2019-12-12 | 2020-05-01 | 中国人民解放军战略支援部队航天工程大学 | 一种视频卫星信息支援海上目标实时检测定位系统及方法 |
Non-Patent Citations (3)
Title |
---|
司马端: "复杂背景条件下红外弱小目标检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
宋立: "弱样本条件下基于深度学习的虚警源检测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
范华: "基于时域廓线向量积的红外弱小目标检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886760B (zh) | 一种基于空谱信息结合的高光谱舰船检测方法 | |
Liu et al. | Moving target detection by nonlinear adaptive filtering on temporal profiles in infrared image sequences | |
CN103729854A (zh) | 一种基于张量模型的红外弱小目标检测方法 | |
CN110400294B (zh) | 一种红外目标探测系统及探测方法 | |
CN109389609B (zh) | 基于fart神经网络的交互自反馈红外目标检测方法 | |
CN113850204A (zh) | 一种基于深度学习和超宽带雷达的人体动作识别方法 | |
CN108765460B (zh) | 基于高光谱图像的空时联合异常检测方法和电子设备 | |
Liu et al. | Temporal profile based small moving target detection algorithm in infrared image sequences | |
Gupta et al. | Infrared small target detection enhancement using a lightweight convolutional neural network | |
Chapple et al. | Stochastic model-based processing for detection of small targets in non-gaussian natural imagery | |
CN109285148B (zh) | 基于重加权低秩和增强稀疏的红外弱小目标检测方法 | |
CN115100555B (zh) | 云雾环境下基于多运动特征的森林火灾烟雾检测方法 | |
CN113012183A (zh) | 一种红外序列图像中虚警源检测分类方法 | |
CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
Arivazhagan et al. | Significance based ship detection from SAR imagery | |
Wu et al. | Spectra-difference based anomaly-detection for infrared hyperspectral dim-moving-point-target detection | |
Kondapalli et al. | Real-time rain severity detection for autonomous driving applications | |
Wang et al. | A new ship detection and classification method of spaceborne SAR images under complex scene | |
Dai et al. | Effective detection by fusing visible and infrared images of targets for Unmanned Surface Vehicles | |
Gupta et al. | Small target detection using optical flow | |
Rosa et al. | Deforestation detection in Amazon rainforest with multitemporal X-band and p-band sar images using cross-coherences and superpixels | |
Xu et al. | Noisy SAR image classification based on fusion filtering and deep learning | |
Zhao et al. | A weak moving point target detection method based on high frame rate SAR image sequences and machine learning | |
Shallari et al. | Background modelling, analysis and implementation for thermographic images | |
Genin et al. | Single frame IR point target detection based on a Gaussian mixture model classification |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |