CN115049552A - 基于结构张量加权局部对比度测量的红外小目标检测方法 - Google Patents
基于结构张量加权局部对比度测量的红外小目标检测方法 Download PDFInfo
- Publication number
- CN115049552A CN115049552A CN202210679156.1A CN202210679156A CN115049552A CN 115049552 A CN115049552 A CN 115049552A CN 202210679156 A CN202210679156 A CN 202210679156A CN 115049552 A CN115049552 A CN 115049552A
- Authority
- CN
- China
- Prior art keywords
- target image
- infrared
- structure tensor
- local contrast
- infrared target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000005259 measurement Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G06T5/94—
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明属于红外图像目标检测技术领域,具体涉及一种基于结构张量加权局部对比度测量的红外小目标检测方法。该方法通过对红外图像进行结构张量加权,利用红外小目标独特的结构信息进行多尺度局部对比度测量,在增强目标信息的同时能够有效抑制背景特征,从而实现红外弱小目标检测,可以提高目标检测准确度和鲁棒性。与现有技术相比较,本发明通过对原始图像进行结构张量加权,使真实目标具有唯一的结构特征,可以用来有效地区分真实目标和背景杂波;并且,本发明利用结构张量加权局部对比度测量,在增强目标特征的同时能够有效地抑制背景杂波,目标检测准确率高,鲁棒性强。
Description
技术领域
本发明属于红外图像目标检测技术领域,具体涉及一种基于结构 张量加权局部对比度测量的红外小目标检测方法。
背景技术
红外搜索与跟踪技术(IRST)被广泛应用于终端精确制导、探测 预警、远程搜救和天基监视等诸多领域。在这些IRST应用中,红外图 像目标检测是最广泛、最迫切需要解决的问题之一,尤其是在低信杂 比(SCR)和复杂背景条件下的红外弱小目标检测。当前,红外弱小 目标检测的主要难点是,由于红外弱小目标缺乏足够的目标形状、纹 理和结构等先验信息,真实目标通常被淹没在包含各种杂波的复杂背 景中,如高亮度区域、强边缘,以及像素大小的高亮噪声(PNHB) 等。
目前,业界关于红外图像目标检测的研究很多,已提出了大量红 外弱小目标检测方法。其中,由于目标运动模型的不确定性和复杂背 景动态变化性,使得基于多帧方法的红外弱小目标检测技术性能受 限,而基于单帧方法的红外弱小目标检测技术更受重视且得到了快速 发展。基于单帧方法的红外弱小目标检测技术,大致可以分为三类: 基于常规滤波的检测方法、基于稀疏与低秩成分恢复的检测方法和基 于人类视觉系统的检测方法。
通常,基于滤波的检测方法,是通过增强目标特征将目标从背景 中分离,但是该类方法可以有效地去除图像低频干扰,但无法去除复 杂背景中的高频强杂波。基于稀疏与低秩成分恢复的检测方法,通常 假设背景是低秩子空间杂波的混合而目标是稀疏分量,利用鲁棒性主 成分分析进行低秩矩阵恢复,从而实现目标与背景的分离。该类方法 在复杂背景下具有良好的性能,但计算成本太高而无法实现实时应 用。基于人类视觉系统(HVS)的检测方法,主要是利用图像局部对 比对测量(LCM),增强模型特性的同时抑制背景杂波,从而提取目 标信息。这类算法在检测能力和耗时方面表现良好,然而,当面临高 显著边缘和高亮噪声等强杂波时,其检测性能无法满足实际应用需 求。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:针对现有红外弱小目标检测方法在 复杂背景条件下性能受限问题,如何提出一种基于结构张量加权局部 对比度测量的红外小目标检测方法。
(二)技术方案
为解决上述技术问题,本发明提供一种基于结构张量加权局部对 比度测量的红外小目标检测方法,所述方法包括以下步骤:
步骤1:将原始红外目标图像转化为二维灰度图像,并利用二维 高斯卷积核对二维灰度图像进行卷积运算,去除原始红外目标图像中 的部分高亮噪声;
步骤2:根据去噪后的红外目标图像的水平梯度与垂直梯度,构 建去噪后红外目标图像的结构张量矩阵;
步骤3:求解红外目标图像的结构张量矩阵的特征值,并构建红 外目标图像的结构张量权重;
步骤4:利用红外目标图像的结构张量权重,对去噪后的红外目 标图像的每一个像素进行加权,得到加权后的红外目标图像;
步骤5:计算加权后的红外目标图像中,以每一个像素为中心的 图像区域与其周围图像区域的局部对比度;
步骤6:分别在不同的目标尺度下,采用不同的结构张量权重拉 伸参数,重复执行步骤3~步骤5,然后利用最大合并方法对获得的 不同尺度下的局部对比度结果进行融合,获得最终的红外目标图像局 部对比度测量结果;
步骤7:根据融合后的红外目标图像局部对比度测量结果的均值 和标准差,计算目标自适应分割阈值,并对融合后的红外目标图像局 部对比度测量结果进行阈值判断,从而得到目标检测结果。
其中,所述步骤1中,原始红外目标图像的去噪过程,如下式所 示:
其中,Gσ(x,y)表示二维高斯卷积核,IRAW(x,y)和IG(x,y)分别表示原始 红外目标图像和去噪后的红外目标图像,表示卷积运算;(x,y)表 示红外目标图像的像素坐标;σ表示二维高斯卷积核的方差。
其中,T表示红外目标图像结构张量矩阵,T11、T12、T21和T22表示为 矩阵元素。
其中,所述步骤3中,求解红外目标图像的结构张量矩阵的特征 值及结构张量权重分别为:
其中,λ1和λ2表示结构张量矩阵的两个特征值,WST(x,y)表示为结构 张量权重,l为结构张量权重拉伸参数,L1(x,y)和L2(x,y)表示去噪后 红外目标图像与结构张量矩阵特征值的乘积,即 L1(x,y)=λ1·IG(x,y),L2(x,y)=λ2·IG(x,y),ΔLmedium为(L1(x,y)-L2(x,y))所表达 的矩阵中所有元素的中值。
其中,所述步骤4中,对去噪后的红外目标图像所进行的加权过 程,如下式所示:
其中,所述步骤5中,加权后的红外目标图像中,以每一个像素 为中心的图像区域与其周围图像区域的局部对比度计算过程,如下式 所示:
其中,C(x,y)为局部对比度,A0为以像素(x,y)为中心、大小为m×m个 像素的图像区域,Ai为与区域A0相邻、大小为m×m个像素的上、下、 左、右、左上、右上、左下、右下等共八个周围图像区域,min(·)为 取最小值函数,mean(·)为求均值函数。
其中,所述步骤6中采用不同的结构张量权重拉伸参数,计算局 部对比度,并采用最大合并方法进行融合的计算过程,如下式所示:
其中,Cf(x,y)为融合后的最终的红外目标图像局部对比度测量结果, max(·)为取最大值函数,l为结构张量权重拉伸参数,Cl(x,y)为l分 别进行不同取值2~9时,按照步骤3~步骤5重复计算得到的局部对 比度。
其中,所述步骤7中目标自适应分割阈值的计算过程,如下式所 示:
Th=μ+k·σ'
其中,Th为目标自适应分割阈值,μ和σ'分别为最终的红外目标图像 局部对比度测量结果的均值和方差,k为阈值调节参数。
其中,所述步骤7中,对融合后的红外目标图像局部对比度测量 结果进行阈值判断,从而得到目标检测结果;具体为:如果红外目标 图像像素(x,y)上的测量结果Cf(x,y)的值大于Th,则该像素为要检测 的目标;否则,不是目标。
其中,所述k的取值在15~25的范围内。
(三)有益效果
为了实现复杂背景下高性能红外弱小目标检测,本发明中提出了 一种基于结构张量加权局部对比度测量的红外小目标检测方法,通过 对红外图像进行结构张量加权,利用了目标独特的结构信息进行多尺 度局部对比度测量,在增强目标信息的同时能够有效抑制背景特征, 从而实现红外弱小目标检测,可以提高目标检测准确度和鲁棒性。
与现有技术相比较,本发明具备如下有益效果:
(1)本发明提出的一种基于结构张量加权局部对比度测量的红 外小目标检测方法,通过对原始图像进行结构张量加权,使真实目标 具有唯一的结构特征,可以用来有效地区分真实目标和背景杂波;
(2)本发明提出的一种基于结构张量加权局部对比度测量的红 外小目标检测方法,利用结构张量加权局部对比度测量,在增强目标 特征的同时能够有效地抑制背景杂波,目标检测准确率高,鲁棒性强。
附图说明
图1是本发明的红外弱小目标检测方法原理示意图;
图2是本发明的红外弱小目标检测方法流程图;
图3是本发明的对比度计算滑动窗口分布图;
图4是本发明的对比度计算图像区域划分示意图;
图5-a是本发明实施例中的原始红外目标图像;
图5-b是本发明实施例中的红外弱小目标检测显著图;
图5-c是本发明实施例中的红外弱小目标检测结果图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实 施例,对本发明的具体实施方式作进一步详细描述。
为解决上述技术问题,本发明提供一种基于结构张量加权局部对 比度测量的红外小目标检测方法,所述方法包括以下步骤:
步骤1:将原始红外目标图像转化为二维灰度图像,并利用二维 高斯卷积核对二维灰度图像进行卷积运算,去除原始红外目标图像中 的部分高亮噪声;
步骤2:根据去噪后的红外目标图像的水平梯度与垂直梯度,构 建去噪后红外目标图像的结构张量矩阵;
步骤3:求解红外目标图像的结构张量矩阵的特征值,并构建红 外目标图像的结构张量权重;
步骤4:利用红外目标图像的结构张量权重,对去噪后的红外目 标图像的每一个像素进行加权,得到加权后的红外目标图像;
步骤5:计算加权后的红外目标图像中,以每一个像素为中心的 图像区域与其周围图像区域的局部对比度;
步骤6:分别在不同的目标尺度下,采用不同的结构张量权重拉 伸参数,重复执行步骤3~步骤5,然后利用最大合并方法对获得的 不同尺度下的局部对比度结果进行融合,获得最终的红外目标图像局 部对比度测量结果;
步骤7:根据融合后的红外目标图像局部对比度测量结果的均值 和标准差,计算目标自适应分割阈值,并对融合后的红外目标图像局 部对比度测量结果进行阈值判断,从而得到目标检测结果。
其中,所述步骤1中,原始红外目标图像的去噪过程,如下式所 示:
其中,Gσ(x,y)表示二维高斯卷积核,IRAW(x,y)和IG(x,y)分别表示原始 红外目标图像和去噪后的红外目标图像,表示卷积运算;(x,y)表 示红外目标图像的像素坐标;σ表示二维高斯卷积核的方差。
其中,T表示红外目标图像结构张量矩阵,T11、T12、T21和T22表示为 矩阵元素。
其中,所述步骤3中,求解红外目标图像的结构张量矩阵的特征 值及结构张量权重分别为:
其中,λ1和λ2表示结构张量矩阵的两个特征值,WST(x,y)表示为结构 张量权重,l为结构张量权重拉伸参数,L1(x,y)和L2(x,y)表示去噪后 红外目标图像与结构张量矩阵特征值的乘积,即 L1(x,y)=λ1·IG(x,y),L2(x,y)=λ2·IG(x,y),ΔLmedium为(L1(x,y)-L2(x,y))所表达 的矩阵中所有元素的中值。
其中,所述步骤4中,对去噪后的红外目标图像所进行的加权过 程,如下式所示:
其中,所述步骤5中,加权后的红外目标图像中,以每一个像素 为中心的图像区域与其周围图像区域的局部对比度计算过程,如下式 所示:
其中,C(x,y)为局部对比度,A0为以像素(x,y)为中心、大小为m×m个 像素的图像区域,Ai为与区域A0相邻、大小为m×m个像素的上、下、 左、右、左上、右上、左下、右下等共八个周围图像区域,min(·)为 取最小值函数,mean(·)为求均值函数。
其中,所述步骤6中采用不同的结构张量权重拉伸参数,计算局 部对比度,并采用最大合并方法进行融合的计算过程,如下式所示:
其中,Cf(x,y)为融合后的最终的红外目标图像局部对比度测量结果, max(·)为取最大值函数,l为结构张量权重拉伸参数,Cl(x,y)为l分 别进行不同取值2~9时,按照步骤3~步骤5重复计算得到的局部对 比度。
其中,所述步骤7中目标自适应分割阈值的计算过程,如下式所 示:
Th=μ+k·σ'
其中,Th为目标自适应分割阈值,μ和σ'分别为最终的红外目标图像 局部对比度测量结果的均值和方差,k为阈值调节参数。
其中,所述步骤7中,对融合后的红外目标图像局部对比度测量 结果进行阈值判断,从而得到目标检测结果。具体为:如果红外目标 图像像素(x,y)上的测量结果Cf(x,y)的值大于Th,则该像素为要检测 的目标;否则,不是目标。
其中,所述k的取值在15~25的范围内。
实施例1
参照图1,本实施例提供一种基于结构张量加权局部对比度测量 的红外小目标检测方法,原理如下:
首先,利用高斯卷积核对待检测红外目标图像进行卷积运算,去 除图像中大部分像素大小的高亮噪声;其次,计算去噪后红外目标图 像的水平梯度和垂直梯度,据此构建红外目标图像结构张量矩阵,并 计算红外目标图像结构张量权重,同时为了解决目标尺度的不确定问 题,对应多目标尺度采用多个张量权重拉伸参数进行多尺度结构张量 加权;然后对加权后的多尺度红外目标图像进行局部对比度计算,并 根据最大合并方法融合多尺度检测结果;最后,根据融合的多尺度局 部对比度测量结果,计算自适应目标分离阈值,通过阈值判断得到目 标检测结果。
参照图2,所述基于结构张量加权局部对比度测量的红外小目标 检测方法,具体步骤如下:
步骤1:输入一副大小为H×W像素的原始红外目标图像IIN,并 将其转化为灰度图像IRAW;
步骤2:利用一个二维高斯卷积对原始红外目标图像IRAW中每一 个像素进行卷积运算,去除原始红外图像中的部分高亮噪声。
本实施例中,二维高斯卷积核和卷积运算,如下式所示:
其中,Gσ(x,y)表示二维高斯卷积核,IRAW(x,y)和IG(x,y)分别表示原始 红外目标图像和去噪后的红外目标图像,表示卷积运算;(x,y)表 示红外目标图像的像素坐标;σ表示二维高斯卷积核的方差。
步骤3:通过计算去噪后的红外目标图像的水平梯度和垂直梯度, 构建去噪后红外目标图像的局部结构张量矩阵T。
其中,T表示红外目标图像结构张量矩阵,T11、T12、T21和T22表示为 矩阵元素。
步骤4:由红外目标图像局部结构张量矩阵,计算红外目标图像 每一个像素(x,y)上对应的结构张量矩阵特征值,并构建红外目标图像 结构张量权重WST(x,y)。
本实施例中,像素(x,y)上的结构张量矩阵特征值,及对应的红外 目标图像结构张量权重计算,如下式所示:
其中,λ1和λ2表示结构张量矩阵的两个特征值,WST(x,y)表示为红外 目标图像的结构张量权重,l为结构张量权重拉伸参数,L1(x,y)和 L2(x,y)表示去噪后红外目标图像与结构张量矩阵特征值的乘积,即 L1(x,y)=λ1·IG(x,y),L2(x,y)=λ2·IG(x,y),ΔLmedium为(L1(x,y)-L2(x,y))所表达 的矩阵中所有元素的中值。
步骤5:利用结构张量权重对去噪后的红外目标图像的每一个像 素(x,y)进行加权,得到加权后的红外目标图像MSTW(x,y)。
本实施例中,对去噪后红外目标图像的每一个像素(x,y)进行结构 张量权重加权的计算,如下式所示:
即将去噪后红外目标图像的每一个像素(x,y)的灰度值乘以对应该像 素点的结构张量权重值。
步骤6:计算加权后的红外目标图像以像素(x,y)为中心的图像区 域与其周围图像区域的灰度对比度。
本实施例中,步骤6的具体实现方式,包括如下步骤:
步骤6-a:参照图3,从加权后的红外目标图像的左上角开始, 依次取一个(3m)×(3m)的图像块;
步骤6-b:参照图4,将每一个图像块划分为9个区域;
步骤6-c:计算每个中心区域A0及其周围八个图像区域Ai的均值;
步骤6-d:计算红外目标图像像素(x,y)上的灰度对比度,如下式 所示:
其中,C(x,y)为增强对比度,A0为以像素(x,y)为中心、大小为m×m个 像素的图像区域,Ai为与区域A0相邻、大小为m×m个像素的上、下、 左、右、左上、右上、左下、右下等共八个周围图像区域,min(·)为 取最小值函数,mean(·)为求均值函数。
步骤7:分别在不同的目标尺度下采用不同的张量权重拉伸参数, 执行步骤4~步骤6,然后利用最大合并方法对获得的不同尺度下的 对比度结果进行融合,获得最终的红外图像对比度测量结果。
本实施例中,步骤7的具体实现方式,包括如下步骤:
步骤7-a:依次设置张量权重拉伸参数l等于2~9,按照步骤3~ 步骤5,分别获得张量权重拉伸参数下的灰度对比度Cl(x,y);
步骤7-b:利用最大合并方法对获得的不同尺度下的对比度结果 进行融合,如下式所示:
其中,Cf(x,y)为融合后的多尺度测量结果,max(·)为取最大值函数。
步骤8:根据融合后的红外图像对比度测量结果的均值和标准差, 计算目标自适应分割阈值,并融合后的红外图像对比度测量结果进行 阈值判断,从而得到目标检测结果。
本实施例中,步骤8的具体实现方式,包括如下步骤:
步骤8-a:计算目标自适应分割阈值,如下式所示:
Th=μ+k·σ
其中,Th为目标自适应分割阈值,μ和σ分别为多尺度融合对比度结 果的均值和方差,k为阈值调节参数,取值在15~25的范围内。
步骤8-b:如果红外目标图像像素(x,y)上的多尺度测量结果 Cf(x,y)的值大于Th,则该像素为要检测的目标;否则,不是目标。
参照图5-a至图5-c所示,图5-a为本实施例中采用的原始红外 目标图像,图5-b是本实施例中的红外弱小目标检测结果的三维显著 图;图5-c则是本实施例中的红外弱小目标检测结果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领 域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以 做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于结构张量加权局部对比度测量的红外小目标检测方法,其特征在于,所述方法包括以下步骤:
步骤1:将原始红外目标图像转化为二维灰度图像,并利用二维高斯卷积核对二维灰度图像进行卷积运算,去除原始红外目标图像中的部分高亮噪声;
步骤2:根据去噪后的红外目标图像的水平梯度与垂直梯度,构建去噪后红外目标图像的结构张量矩阵;
步骤3:求解红外目标图像的结构张量矩阵的特征值,并构建红外目标图像的结构张量权重;
步骤4:利用红外目标图像的结构张量权重,对去噪后的红外目标图像的每一个像素进行加权,得到加权后的红外目标图像;
步骤5:计算加权后的红外目标图像中,以每一个像素为中心的图像区域与其周围图像区域的局部对比度;
步骤6:分别在不同的目标尺度下,采用不同的结构张量权重拉伸参数,重复执行步骤3~步骤5,然后利用最大合并方法对获得的不同尺度下的局部对比度结果进行融合,获得最终的红外目标图像局部对比度测量结果;
步骤7:根据融合后的红外目标图像局部对比度测量结果的均值和标准差,计算目标自适应分割阈值,并对融合后的红外目标图像局部对比度测量结果进行阈值判断,从而得到目标检测结果。
8.如权利要求7所述的基于结构张量加权局部对比度测量的红外小目标检测方法,其特征在于,所述步骤7中目标自适应分割阈值的计算过程,如下式所示:
Th=μ+k·σ'
其中,Th为目标自适应分割阈值,μ和σ'分别为最终的红外目标图像局部对比度测量结果的均值和方差,k为阈值调节参数。
9.如权利要求8所述的基于结构张量加权局部对比度测量的红外小目标检测方法,其特征在于,所述步骤7中,对融合后的红外目标图像局部对比度测量结果进行阈值判断,从而得到目标检测结果;具体为:如果红外目标图像像素(x,y)上的测量结果Cf(x,y)的值大于Th,则该像素为要检测的目标;否则,不是目标。
10.如权利要求8所述的基于结构张量加权局部对比度测量的红外小目标检测方法,其特征在于,所述k的取值在15~25的范围内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210679156.1A CN115049552A (zh) | 2022-06-15 | 2022-06-15 | 基于结构张量加权局部对比度测量的红外小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210679156.1A CN115049552A (zh) | 2022-06-15 | 2022-06-15 | 基于结构张量加权局部对比度测量的红外小目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049552A true CN115049552A (zh) | 2022-09-13 |
Family
ID=83161084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210679156.1A Pending CN115049552A (zh) | 2022-06-15 | 2022-06-15 | 基于结构张量加权局部对比度测量的红外小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049552A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117017347A (zh) * | 2023-10-10 | 2023-11-10 | 深圳华声医疗技术股份有限公司 | 超声设备的图像处理方法、系统及超声设备 |
-
2022
- 2022-06-15 CN CN202210679156.1A patent/CN115049552A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117017347A (zh) * | 2023-10-10 | 2023-11-10 | 深圳华声医疗技术股份有限公司 | 超声设备的图像处理方法、系统及超声设备 |
CN117017347B (zh) * | 2023-10-10 | 2024-01-26 | 深圳华声医疗技术股份有限公司 | 超声设备的图像处理方法、系统及超声设备 |
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 | |
CN106991689B (zh) | 基于fhog和颜色特征的目标跟踪方法及gpu加速 | |
CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
CN109934224B (zh) | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN106778551B (zh) | 一种高速路段及城市道路车道线识别方法 | |
CN106204484B (zh) | 一种基于光流和局部不变特征的交通目标跟踪方法 | |
CN105740945A (zh) | 一种基于视频分析的人群计数方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
CN110580705B (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
CN111208479B (zh) | 一种降低深度网络检测中虚警概率的方法 | |
CN110378924A (zh) | 基于局部熵的水平集图像分割方法 | |
CN110991274A (zh) | 一种基于混合高斯模型和神经网络的行人摔倒检测方法 | |
CN104318559A (zh) | 用于视频图像匹配的特征点快速检测方法 | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
CN111080696A (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
CN113362293A (zh) | 一种基于显著性的sar图像舰船目标快速检测方法 | |
CN110660048B (zh) | 一种基于形状特征的皮革表面缺陷检测方法 | |
CN115049552A (zh) | 基于结构张量加权局部对比度测量的红外小目标检测方法 | |
Fu et al. | Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform | |
CN112329677B (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
CN104637060A (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 |
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 |