CN114155425A - 基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法 - Google Patents

基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法 Download PDF

Info

Publication number
CN114155425A
CN114155425A CN202111521012.5A CN202111521012A CN114155425A CN 114155425 A CN114155425 A CN 114155425A CN 202111521012 A CN202111521012 A CN 202111521012A CN 114155425 A CN114155425 A CN 114155425A
Authority
CN
China
Prior art keywords
neighborhood
row
col
random field
gaussian
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
Application number
CN202111521012.5A
Other languages
English (en)
Other versions
CN114155425B (zh
Inventor
闵雷
樊香所
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.)
Institute of Optics and Electronics of CAS
Original Assignee
Institute of Optics and Electronics of CAS
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 Institute of Optics and Electronics of CAS filed Critical Institute of Optics and Electronics of CAS
Priority to CN202111521012.5A priority Critical patent/CN114155425B/zh
Publication of CN114155425A publication Critical patent/CN114155425A/zh
Application granted granted Critical
Publication of CN114155425B publication Critical patent/CN114155425B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/29Graphical models, e.g. Bayesian networks
    • G06F18/295Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法,本发明首先建立新的自适应高斯加权马尔可夫随机场滤波模型来获取图像的差分图像,接着依据建立的运动模型来构建目标马尔可夫转移概率模型,以估计出目标的运动方向,并沿着运动方向采用转移概率加权的形式来增强目标信号。该算法相对于同类算法来说具有很好的先进性,得到更好的检测效果。

Description

基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法
技术领域
本发明涉及物体跟踪,物体追踪的领域。具体涉及一种基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法,主要是对弱小目标的追踪检测,在各种复杂的光电噪声中准确的提取真实存在的小目标,也涉及到计算机视觉算法改进的领域。
背景技术
红外弱小目标图像的检测在科技上运用广泛,但该技术由于大气辐射、作用距离、光电干扰等因素的影响,使得目标在图像上尺寸较小,呈现点状,无任何轮廓纹理特征,有时还会淹没在复杂的背景中,重噪声、杂波等还会影响算法的判断,使得小目标检测变得十分困难。
对小目标检测算法的改进成为了趋势。为了有效抑制大部分背景同时增强目标信号,本发明首先建立新的自适应高斯加权马尔可夫随机场滤波模型来获取图像的差分图像,当中心像元的目标区域与邻近背景区域差异较大时,该算法由于充分利用像元与邻域区域的坐标空域信息和像元值相似程度信息进行加权来增强中心像元的信息,有效突显目标信号;当中心像元的目标区域与邻近背景区域差异较小时,由于中心像元与邻域区域差异不大,采用该算法对图像滤波后可有效滤波掉这部分背景区域;在上述算法对图像进行滤波后,在获取差分图像的基础上,为进一步增强目标信号,本发明提出了基于高斯马尔可夫随机场运动方向估计模型,首先建立目标在邻域范围内的运动模型,接着依据建立的运动模型来构建目标马尔可夫转移概率模型,以估计出目标的运动方向,并沿着运动方向采用转移概率加权的形式来增强目标信号。
发明内容
本发明主要是解决远距离成像的弱小目标探测问题,由于远距离成像的光电环境中常含有大气流动,云层湍流将目标淹没,目标在图像中仅占几个像元且缺乏明显的纹理信息,给目标检测带来困扰。此外,针对一般算法仅利用图像的空域信息进行高空弱小目标检测在背景建模时削弱目标信息而造成检测失败的情况,本发明提供一种基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法,将图像的时域信息和空域信息结合起来共同完成图像的背景建模处理,使得目标信号能够被保留下来,且通过目标运动的时域连续性对目标信号进行增强,最终实现目标顺利检测提取。
本发明解决上述技术问题采用的技术方案为:一种基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法,包括如下步骤:
步骤一、建立自适应高斯加权马尔可夫随机场滤波模型,通过该自适应高斯加权马尔可夫随机场滤波模型进行滤波,具体的模型如下:
Figure BDA0003408556440000021
f′(i+row,j+col)=f(i+row,j+col)×w(i+row,j+col),(row,col∈R×R)
Figure BDA0003408556440000022
Figure BDA0003408556440000023
式中,(i,j)是中心像元点的坐标;f(i,j)是中心像元点的灰度值;row,col是中心像元点(i,j)邻域的R×R的行列坐标号;R是中心像元点周围邻域的半径大小;f(i+row,j+col)是中心像元点(i,j)邻域R×R各像元的灰度值;σ1是邻域R×R坐标的标准差;σ2周围R×R邻域灰度值的标准差,由于σ1和σ2根据邻域区域自动计算得到;N表示R邻域范围内所有像元的个数,用以求相应邻域的整体像元均值;
w(i+row,j+col)表示R邻域范围内对应像元的加权函数;f′(i+row,j+col)加权后的像元值,σ是滤波后的图像邻域R×R像元的标准差;wp(i+row,j+col)是高斯马尔可夫加权函数获取的滤波权值。F(i,j)是经过高斯马尔可夫加权滤波后得到的差分图像。
步骤二、建立高斯马尔可夫随机场运动方向估计模型,通过该高斯马尔可夫随机场运动方向估计模型进行能量增强,该高斯马尔可夫随机场运动方向估计模型如2所示,其中“1、2、3、4、5、6、7、8、9”分别表示目标在相邻帧间静止、目标往右边运动、目标往右上角运动、目标往右上运动、目标往左上角运动、目标往左运动、目标往左下角运动、目标往下运动、目标往右下角运动。通过运动模型来建立马尔可夫状态空间和一步转移概率模型,像元点(i,j)在k与下一时刻k+1所属的成分属性可用状态空间{Y0,Y1,Y2}来描述,其中“Y0”表示像元属于背景,“Y1”表示像元属于目标,“Y2”表示像元属于噪点。一步转移概率模型相应的公式如下:
Figure BDA0003408556440000031
Ft′(i,j)=Fk′(i,j)+Fk+1(i,j)
Figure BDA0003408556440000032
式中,
Figure BDA0003408556440000033
是邻域9个方向的运动函数,其将k时刻的差分图Fk(·)分别沿9个方向移动获取的运动模型图;t是9个方向的序号;Ft′(·)是k时刻与k+1时刻的第t个累加结果图;max(·)是求取最大值的函数;I是像元点(i,j)最大值所在的位置;
Figure BDA0003408556440000034
是一步转移概率矩阵,矩阵大小是3x3,其具体定义如下:
Figure BDA0003408556440000035
式中,举一个实例,若像元点(i,j)最大值所在的位置是9,那么一步转移概率矩阵:
Figure BDA0003408556440000036
采用一步转移概率矩阵加权的形式来增强目标信号,具体如下:
Figure BDA0003408556440000037
式中,Fe(·)是增强结果图;Ft′(·)是像元点(i,j)最大值所在的位置对应的累加结果图;
Figure BDA0003408556440000038
是一步转移概率矩阵。
本发明与现有技术相比的有益效果在于:
(1)本发明借助自适应高斯加权马尔可夫随机场滤波模型能有效过滤掉背景区域,得到良好的差分图像;
(2)本发明通过马尔可夫随机场充分的将图像的时域信息和空域信息利用了起来,能够把图像中有用的细节信息更好的保留下来。
(3)本发明通过高斯马尔可夫随机场运动方向估计模型能够很好的增强目标信号。可以补充更多的优点。
(4)本发明通过定义马尔可夫状态空间使得像元判别简洁明了,加快算法的运算进程。
(5)本发明利用目标的运动特性定义的一步转移概率能够有效的根据目标的运动方向来进行对应位置的信号增强,确保增强位置的准确性,从而能够提高算法的整体检测率。
附图说明
图1为本发明一种基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法流程图;
图2为构造目标邻域的运动模型示意图;
图3为选取外场获取的图像进行实现相应结果示意图,其中,图3(a)为原始图像;图3(b)是采用本发明提出的自适应高斯加权马尔可夫随机场滤波模型来获取差分图像及相应三维图像;图3(c)是采用本发明提出的高斯马尔可夫随机场运动方向估计模型对目标信号增强后的结果图及相应三维图像。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
如图1所示,本发明提供一种基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法,包括以下步骤:
1.自适应高斯加权马尔可夫随机场滤波模型
传统的一阶GMRF模型,由于采用固定的滤波权值参数,难以适应动态变化的场景数据。为了获取能有效保留目标信号及抑制大部分背景信息的差分图像,本发明提出了一种自适应高斯加权马尔可夫随机场滤波模型,其充分融入像元坐标的空域信息和像元值相似程度信息进行加权,以更好的描述像元邻域系统的联合概率分布,具体过程如下:
1)建立充分融入邻域系统坐标空域信息和像元值相似信息的加权函数,公式如下:
Figure BDA0003408556440000041
式中,(i,j)是中心像元点的坐标;f(i,j)是中心像元点的灰度值;row,col是中心像元点(i,j)的邻域R×R的坐标,R是中心像元点周围邻域的半径大小;f(i+row,j+col)是中心像元点(i,j)邻域R×R的灰度值;σ1邻域R×R坐标的标准差;σ2邻域R×R灰度值的标准差,由于σ1和σ2根据邻域区域自动计算得到,能自适应场景的动态变化情况。
2)采用函数对图像进行加权滤波,公式如下:
f′(i+row,j+col)=f(i+row,j+col)×w(i+row,j+col),(row,col∈R×R) (2)
式中,f′(i+row,j+col)加权后的像元值;w(i+row,j+col)表示R邻域范围内对应像元的加权函数。
3)对滤波后的图像建立新的高斯马尔可夫联合概率加权函数,具体公式如下:
Figure BDA0003408556440000051
式中,σ是滤波后的图像邻域R×R的标准差;wP是高斯马尔可夫加权函数获取的滤波权值,用以获取差分图像;N表示R邻域范围内所有像元的个数,用以求相应邻域的整体像元均值。
4)使用高斯马尔可夫加权函数来增强图像中心像元点(i,j)的信号,具体公式如下:
Figure BDA0003408556440000052
式中,F(i,j)是经过高斯马尔可夫加权滤波后得到的差分图像。
2.高斯马尔可夫随机场运动方向估计模型
经过高斯马尔可夫加权滤波后得到的差分图像,图像中目标能量还较弱,为了进一步增强目标信号,本发明提出了高斯马尔可夫随机场运动方向估计模型来实现目标的能量增强。该算法先构造目标邻域的运动模型,然后根据目标邻域运动模型来构建目标马尔可夫状态空间和一步转移概率模型,以此估计出目标的运动方向,最后沿着运动方向采用转移概率加权的形式来增强目标信号。具体如下:
1)构造目标邻域的运动模型,由于远距离成像,弱小目标在不同时刻的运动速度较慢,通常小于等于2pixel/s。因此,目标在相邻帧内的9个方向的运动模型,其中“1、2、3、4、5、6、7、8、9”分别表示目标在相邻帧间静止、目标往右边运动、目标往右上角运动、目标往右上运动、目标往左上角运动、目标往左运动、目标往左下角运动、目标往下运动、目标往右下角运动,如图2所示。
2)依据目标运动模型来建立马尔可夫状态空间和一步转移概率模型,像元点(i,j)在k与下一时刻k+1所属的成分属性可用状态空间{Y0,Y1,Y2}来描述,其中“Y0”表示像元属于背景,“Y1”表示像元属于目标,“Y2”表示像元属于噪点。一步转移概率模型相应的公式如下:
Figure BDA0003408556440000061
式中,
Figure BDA0003408556440000062
是邻域9个方向的运动函数,其将k时刻的差分图Fk(·)分别沿9个方向移动获取的运动模型图;t是9个方向的序号;Ft′(·)是k时刻与k+1时刻的第t个累加结果图;max(·)是求取最大值的函数;I是像元点(i,j)最大值所在的位置;
Figure BDA0003408556440000063
是一步转移概率矩阵,矩阵大小是3x3,其具体定义如下:
Figure BDA0003408556440000064
式中,举一个实例,若像元点(i,j)最大值所在的位置是9,那么一步转移概率矩阵:
Figure BDA0003408556440000065
3)采用一步转移概率矩阵加权的形式来增强目标信号,具体如下:
Figure BDA0003408556440000066
式中,Fe(·)是增强结果图;Ft′(·)是像元点(i,j)最大值所在的位置对应的累加结果图;
Figure BDA0003408556440000067
是一步转移概率矩阵。
为了验证本发明提出算法的有效性,选取外场获取的图像进行实现,相应结果图3,其中图3(a)为原始图像;图3(b)是采用本发明提出的自适应高斯加权马尔可夫随机场滤波模型来获取差分图像及相应三维图像;图3(c)是采用本发明提出的高斯马尔可夫随机场运动方向估计模型对目标信号增强后的结果图及相应三维图像。从图3(c)中可知,采用本发明提出的高斯马尔可夫随机场运动方向估计模型对目标信号进行增强,目标信噪比从4.98dB提升到8.68dB,能有效提高目标信号。
本发明未详细阐述部分属于本领域技术人员的公知技术。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例变化,变型都将落在本发明权利要求书的范围内。

Claims (1)

1.基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法,其特征在于:包括如下步骤:
步骤一、建立新的自适应高斯加权马尔可夫随机场滤波模型,通过该自适应高斯加权马尔可夫随机场滤波模型进行滤波来获取图像的差分图像,具体的滤波模型如下:
Figure FDA0003408556430000011
f′(i+row,j+col)=f(i+row,j+col)×w(i+row,j+col),(row,col∈R×R)
Figure FDA0003408556430000012
Figure FDA0003408556430000013
式中,(i,j)是中心像元点的坐标;f(i,j)是中心像元点的灰度值;row,col是中心像元点(i,j)邻域的R×R的行列坐标号;R是中心像元点周围邻域的半径大小;f(i+row,j+col)是中心像元点(i,j)邻域R×R各像元的灰度值;σ1是邻域R×R坐标的标准差;σ2周围R×R邻域灰度值的标准差,由于σ1和σ2根据邻域区域自动计算得到,N表示R邻域范围内所有像元的个数,用以求相应邻域的整体像元均值;
w(i+row,j+col)表示R邻域范围内对应像元的加权函数;f′(i+row,j+col)表示加权后的像元值,σ是滤波后的图像邻域R×R像元的标准差;wp(i+row,j+col)是高斯马尔可夫加权函数获取的滤波权值,F(i,j)是经过高斯马尔可夫加权滤波后得到的差分图像;
步骤二、建立基于高斯马尔可夫随机场运动方向估计模型,该高斯马尔可夫随机场运动方向估计模型进行能量增强,该高斯马尔可夫随机场运动方向估计模型中“1、2、3、4、5、6、7、8、9”分别表示目标在相邻帧间静止、目标往右边运动、目标往右上角运动、目标往右上运动、目标往左上角运动、目标往左运动、目标往左下角运动、目标往下运动、目标往右下角运动,通过该高斯马尔可夫随机场运动方向估计模型来建立马尔可夫状态空间和一步转移概率模型,像元点(i,j)在k与下一时刻k+1所属的成分属性可用状态空间{Y0,Y1,Y2}来描述,其中“Y0”表示像元属于背景,“Y1”表示像元属于目标,“Y2”表示像元属于噪点,一步转移概率模型相应的公式如下:
Figure FDA0003408556430000021
Ft′(i,j)=Fk′(i,j)+Fk+1(i,j)
Figure FDA0003408556430000022
式中,
Figure FDA0003408556430000023
是邻域9个方向的运动函数,其将k时刻的差分图Fk(·)分别沿9个方向移动获取的运动模型图;t是9个方向的序号;Ft′(·)是k时刻与k+1时刻的第t个累加结果图;max(·)是求取最大值的函数;I是像元点(i,j)最大值所在的位置;
Figure FDA0003408556430000024
是一步转移概率矩阵,矩阵大小是3x3,其具体定义如下:
Figure FDA0003408556430000025
式中,若像元点(i,j)最大值所在的位置是9,那么一步转移概率矩阵:
Figure FDA0003408556430000026
采用一步转移概率矩阵加权的形式来增强目标信号,具体如下:
Figure FDA0003408556430000027
式中,Fe(·)是增强结果图;Ft′(·)是像元点(i,j)最大值所在的位置对应的累加结果图;
Figure FDA0003408556430000028
是一步转移概率矩阵。
CN202111521012.5A 2021-12-13 2021-12-13 基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法 Active CN114155425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111521012.5A CN114155425B (zh) 2021-12-13 2021-12-13 基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111521012.5A CN114155425B (zh) 2021-12-13 2021-12-13 基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法

Publications (2)

Publication Number Publication Date
CN114155425A true CN114155425A (zh) 2022-03-08
CN114155425B CN114155425B (zh) 2023-04-07

Family

ID=80450635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111521012.5A Active CN114155425B (zh) 2021-12-13 2021-12-13 基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法

Country Status (1)

Country Link
CN (1) CN114155425B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063428A (zh) * 2022-08-18 2022-09-16 中国科学院国家空间科学中心 一种基于深度强化学习的空间暗弱小目标检测方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101847259A (zh) * 2010-01-21 2010-09-29 西北工业大学 基于加权信息熵和马尔可夫随机场的红外目标分割方法
CN102568004A (zh) * 2011-12-22 2012-07-11 南昌航空大学 一种高机动目标跟踪算法
CN103400356A (zh) * 2013-08-21 2013-11-20 东南大学 一种基于通用隐马尔可夫树模型的加权图像压缩感知方法
CN103853908A (zh) * 2012-12-04 2014-06-11 中国科学院沈阳自动化研究所 一种自适应交互式多模型的机动目标跟踪方法
WO2016165064A1 (zh) * 2015-04-14 2016-10-20 中国科学院自动化研究所 基于多视角学习的鲁棒性前景检测方法
CN106469313A (zh) * 2016-09-30 2017-03-01 中国科学院光电技术研究所 一种管径自适应时空域滤波的弱小目标检测方法
CN107680120A (zh) * 2017-09-05 2018-02-09 南京理工大学 基于稀疏表示和转移受限粒子滤波的红外小目标跟踪方法
CN109410259A (zh) * 2018-08-27 2019-03-01 中国科学院自动化研究所 基于置信度的结构化的双目深度图上采样方法
CN109934224A (zh) * 2019-03-07 2019-06-25 绵阳慧视光电技术有限责任公司 基于马尔科夫随机场和视觉对比机制的小目标检测方法
CN111460916A (zh) * 2020-03-13 2020-07-28 温州大学大数据与信息技术研究院 基于隐马尔可夫模型的机场场面目标分割方法及系统
CN112215146A (zh) * 2020-10-12 2021-01-12 西安交通大学 基于随机有限集的弱小目标联合检测与跟踪系统及方法
CN113112527A (zh) * 2021-03-26 2021-07-13 西北工业大学 一种基于h264视频码流的运动小目标检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101847259A (zh) * 2010-01-21 2010-09-29 西北工业大学 基于加权信息熵和马尔可夫随机场的红外目标分割方法
CN102568004A (zh) * 2011-12-22 2012-07-11 南昌航空大学 一种高机动目标跟踪算法
CN103853908A (zh) * 2012-12-04 2014-06-11 中国科学院沈阳自动化研究所 一种自适应交互式多模型的机动目标跟踪方法
CN103400356A (zh) * 2013-08-21 2013-11-20 东南大学 一种基于通用隐马尔可夫树模型的加权图像压缩感知方法
WO2016165064A1 (zh) * 2015-04-14 2016-10-20 中国科学院自动化研究所 基于多视角学习的鲁棒性前景检测方法
CN106469313A (zh) * 2016-09-30 2017-03-01 中国科学院光电技术研究所 一种管径自适应时空域滤波的弱小目标检测方法
CN107680120A (zh) * 2017-09-05 2018-02-09 南京理工大学 基于稀疏表示和转移受限粒子滤波的红外小目标跟踪方法
CN109410259A (zh) * 2018-08-27 2019-03-01 中国科学院自动化研究所 基于置信度的结构化的双目深度图上采样方法
CN109934224A (zh) * 2019-03-07 2019-06-25 绵阳慧视光电技术有限责任公司 基于马尔科夫随机场和视觉对比机制的小目标检测方法
CN111460916A (zh) * 2020-03-13 2020-07-28 温州大学大数据与信息技术研究院 基于隐马尔可夫模型的机场场面目标分割方法及系统
CN112215146A (zh) * 2020-10-12 2021-01-12 西安交通大学 基于随机有限集的弱小目标联合检测与跟踪系统及方法
CN113112527A (zh) * 2021-03-26 2021-07-13 西北工业大学 一种基于h264视频码流的运动小目标检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHENQIANGGAO等: "Infrared small-dim target detection based on Markov random field guided noise modeling" *
HU ZHU等: "Tnlrs: Target-aware non-local low-rank modeling with saliency filtering regularization for infrared small target detection" *
李飚等: "基于自适应梯度倒数滤波红外弱小目标场景背景抑制" *
樊香所: "序列图像弱小目标检测与跟踪算法研究" *
武文成: "局部显著性和时空相关性的红外小目标检测跟踪研究" *
黄苏琦: "时空谱多特征联合红外弱小目标检测方法研究" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063428A (zh) * 2022-08-18 2022-09-16 中国科学院国家空间科学中心 一种基于深度强化学习的空间暗弱小目标检测方法

Also Published As

Publication number Publication date
CN114155425B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109272489B (zh) 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN109035152B (zh) 一种合成孔径雷达图像非局部均值滤波方法
CN106338733B (zh) 基于蛙眼视觉特性的前视声呐目标跟踪方法
CN109740445B (zh) 一种变尺寸的红外弱小目标检测方法
CN107767400B (zh) 基于层次化显著性分析的遥感图像序列动目标检测方法
CN110910421B (zh) 基于分块表征和可变邻域聚类的弱小运动目标检测方法
CN110782477A (zh) 基于序列图像的运动目标快速检测方法、计算机视觉系统
CN106887002B (zh) 一种红外图像序列显著性检测方法
CN107194355B (zh) 一种利用方向导数构造熵对比度的红外弱小目标检测方法
CN113888461A (zh) 基于深度学习的小五金件缺陷检测方法、系统及设备
CN107609571A (zh) 一种基于lark特征的自适应目标跟踪方法
CN116879870A (zh) 一种适用于低线束3d激光雷达的动态障碍物去除方法
CN118038411A (zh) 基于激光雷达与相机的远距离障碍物检测方法和系统
CN114155425B (zh) 基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法
CN116385281A (zh) 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法
CN111028152A (zh) 一种基于地形匹配的声呐图像的超分辨率重建方法
CN112529011B (zh) 目标检测方法及相关装置
CN109658357A (zh) 一种面向遥感卫星图像的去噪方法
CN113205494A (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
CN113470074B (zh) 一种基于分块判别的自适应时空正则化目标跟踪方法
CN115830567A (zh) 一种弱光条件下道路目标融合感知方法及系统
CN113837243B (zh) 基于边缘信息的rgb-d相机动态视觉里程计方法
CN113723432B (zh) 一种基于深度学习的智能识别、定位追踪的方法及系统
CN113554671B (zh) 基于轮廓增强的sar图像到可见光图像的转换方法及装置
CN114049337A (zh) 一种基于人工智能的隧道变形检测方法及系统

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