CN115424249A - 一种复杂背景下空中弱小目标自适应检测方法 - Google Patents
一种复杂背景下空中弱小目标自适应检测方法 Download PDFInfo
- Publication number
- CN115424249A CN115424249A CN202211366558.2A CN202211366558A CN115424249A CN 115424249 A CN115424249 A CN 115424249A CN 202211366558 A CN202211366558 A CN 202211366558A CN 115424249 A CN115424249 A CN 115424249A
- Authority
- CN
- China
- Prior art keywords
- image
- weak
- small
- detection
- background
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种复杂背景下空中弱小目标自适应检测方法,所述方法首先对近处人造复杂结构背景进行自适应判断和分割去除,接着对去除复杂纹理结构的背景灰度图像进行弱小目标粗检测,得到多个弱小目标候选区,最后对候选区域进行基于局部纹理特征自适应滤波的精细化检测,得到得待检测的弱小目标。利用本发明的复杂背景下空中弱小目标自适应检测方法可以对可见光弱小目标进行检测,不仅能够有效抑制复杂背景结构的干扰影响,准确检测定位出弱小目标在可见光图像上的位置,而且还具有更强的抗背景干扰能力和弱小目标检测能力。
Description
技术领域
本发明属于可见光目标检测领域,尤其涉及一种复杂背景下空中弱小目标自适应检测方法。
背景技术
空中弱小目标检测作为计算机视觉研究领域的一项重要挑战,一直受到广大学者和研究人员的关注。空中弱小目标精确检测不仅能够为后续目标跟踪以及目标运动参数提取等奠定基础,而且有助于更早发现空中弱小目标,为防空武器系统提供更多的防御和准备时间,具有十分重要的战略意义。
当前主流的目标探测系统可分为3类:可见光探测系统、红外成像探测系统和雷达探测系统,其中,可见光探测系统因具有:1)工艺成熟、价格便宜、种类多样,按需灵活选择;2)不发射电磁波,被动探测,不易被对方发现,具有较好隐蔽性;3)使用环境要求低,探测过程无需持续制冷或精密维护;4)具有目标灰度或纹理等特征等一系列优势在三种检测系统中脱颖而出。
在大多数空中目标实际探测中,待检测目标在初始探测阶段往往与可见光探测系统之间的距离较远,且目标占整幅可见光图像的像素面积非常小,再加上可见光突图像背景复杂多变的特点,使得可见光弱小目标检测面临着巨大的挑战,具体表现在以下几点:①不同于红外探测系统只对目标的温度敏感、穿透能力强的特点,可见光探测容易受到环境、光照等因素影响,导致目标可见光图像信噪比低,目标信号几乎淹没在背景中,这使得现有红外目标检测方法无法直接应用于可见光弱小目标检测中。若直接利用现有的已成熟的红外检测方法进行可见光目标检测,不仅会导致检测性能出现较大下降,而且会产生较高的虚警率,导致检测鲁棒性较差,无法有效检测出可见光弱小目标,这是因为现有红外弱小目标检测方法主要用于军事探测领域,其检测目标的成像背景一般为干净天空或远山、海面等自然景物,其无法用于背景复杂的可见光弱小目标上;②由于远距离可见光探测目标的成像尺寸小,通常表现为点目标,因此难以获取目标本身的纹理、形状等结构信息,目标检测时可用的特征少;③可见光成像背景信息更加复杂,尤其在远距离探测时,目标特征信息难以获取,近处复杂背景(如茂密树枝、建筑物等)的纹理结构特征却能够在可见光图像中清晰呈现,极易产生虚警,这对检测算法的鲁棒性和准确性提出了更高的要求。
近年来国内外学者针对目标检测的研究主要集中在红外弱小目标检测的理论与应用上,红外弱小目标的检测的性能也得到了一定的提升。然而针对空中可见光弱小目标检测的研究却相对非常有限,现有的研究依然无法满足可见光目标检测的广泛应用需求,而且考虑到空中弱小目标的可见光辐射特性和红外辐射特性不同,直接将现有针对红外弱小目标的检测方法应用于可见光图像不可行的现状,亟需开发面向复杂背景下空中可见光弱小目标的高性能检测方法。
发明内容
有鉴于此,本发明提出了一种复杂背景下空中弱小目标自适应检测方法,该方法采用端到端的方法直接进行可见光弱小目标检测,无需在目标识别之前进行图像预处理、特征提取、目标检测、图像后处理等步骤,可根据原始输入图像直接得到检测结果。
为达此目的,本发明采用以下技术方案:一种复杂背景下空中弱小目标自适应检测方法,所述方法包括:
S1:对待处理的包含弱小目标的可见光灰度图像进行近处复杂结构背景的自适应判断和分割去除;
S2:对去除近处复杂结构背景的可见光灰度图像进行弱小目标粗检测,得到多个弱小目标候选区;
S3:对多个弱小目标候选区域依次进行精细化检测,得到待检测的弱小目标。
优选的,所述S1包括:
其中,是生成Gabor滤波器的函数,表示以波长和角度的参数
组合生成的Gabor滤波器,p和q分别表示第p个波长和第q个角度方向,且,P为构建滤波器的波长总数,Q为构建滤波器的角度方向总数;表示实数集,m和n分别表示灰度图像I在高度和宽度上的维度;
其中,,其表示经过所有滤波器滤波后
的高斯滤波特征图像矩阵,代表了所有对灰度图像进行Gabor滤波的Gabor滤波
器的总数;是灰度图像I上每一像素点的横坐标构成的矩阵,是灰度
图像I上每一像素点的纵坐标构成的矩阵,表示在深度特征维度上进行
拼接,R m×n×2 为包含高度、宽度和深度的三维坐标矩阵,m、n和2分别为高度、宽度和深度维
度,R m×n×(K+2)表示在深度特征维度上进行拼接后得到三维坐标矩阵,其中m、n和K+2分别为
高度、宽度和深度上的维度;
优选的,所述S2中利用多尺度图像块对比度方法MPCM以及粗检测图像计算自适应阈值对去除近处复杂结构背景的可见光灰度图像进行弱小目标粗检测。
优选的,所述S2包括:
S22:通过粗检测图像计算自适应阈值,得到弱小目标的矩形候选区域:
其中,函数根据输入粗检测图像自适应计算阈值,函数根据输入粗检测图像和自适应阈值检测出的弱
小目标矩形候选区域,表示弱小目标候选区域矩阵,4表示候选区
域的4个位置信息,,,和分别表示矩形候选区域在灰度图像I中左上顶点
横坐标、纵坐标、矩形候选区域高度和宽度;代表检测到的矩形候选区域个数。
优选的,所述S3中采用基于纹理特征自适应滤波的方法对矩形候选区域进行局部纹理特征滤波的精细化检测,去除人造物体结构背景滤除不完全带来的虚警干扰,得到待检测的弱小目标。
优选的,所述S3包括:
S34:计算四部分邻域图像上每个像素点灰度的平均值:
本发明的有益效果是:本发明公开的复杂背景下空中弱小目标自适应检测方法,该方法针对可见光弱小目标进行检测。该方法首先能够自适应地去除近处复杂结构背景,避免后续复杂结构背景对弱小目标检测的干扰,提升了模型的泛化能力和准确性,同时不需要复杂背景和弱小目标的先验信息,检测效果更鲁棒、准确率更高;其次本发明利用单张灰度图像即可实现弱小目标检测,不要求目标运动的时序性和成像系统静止,使得本发明在实际场景应用中具有更强的普适性;再次本发明提出的局部纹理特征自适应滤波方法可以有效准确检测多个弱小目标并同时去除复杂背景结构带来的虚警,极大提升了弱小目标检测的鲁棒性,因此其可有效处理目标显著度更低、背景纹理结构更加复杂的可见光灰度图像。
综上,利用本发明的复杂背景下空中弱小目标自适应检测方法实现了可见光弱小目标检测,该方法能够有效抑制复杂背景结构的干扰影响,准确检测定位出弱小目标在图像上的位置。本发明的方法具有更强的抗背景干扰能力和可见光弱小目标检测能力,大大提高了可见光目标检测的准确性,更有利于适应实际复杂的工作环境。
附图说明
图1为本发明实施例中复杂背景下空中弱小目标自适应检测方法的流程图;
图2为本发明实施例中原始灰度图像;
图3为本发明实施例中原始灰度图像经过6个不同Gabor滤波器滤波后的特征图像;
图4为本发明实施例中非监督聚类标签可视化和对原始灰度图像的复杂纹理结构分割效果图像,其中左上角为原始灰度图像,右上角为可视化的非监督聚类标签;左下和右下分别为对原始灰度图像的复杂纹理结构分割效果;
图5为本发明实施例中经过复杂背景分割后的弱小目标粗检测结果图像;
图6为本发明实施例中经过复杂背景自适应分割和MPCM粗检测后,得到的一个虚警结果及其局部邻域patch,其上、下、左、右邻域均包含纹理结构;
图7为本发明公开的方法对可见光空中弱小目标检测的检测结果;
图8为现有MPCM方法直接进行可见光空中弱小目标检测的检测结果。
具体实施方式
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
下面结合附图和具体实施例对本发明进行详细说明。
本发明提出了一种复杂背景下弱小目标可见光灰度图像的自适应检测方法,该方法面向单帧可见光的灰度图像进行空域弱小目标检测,能够自适应地去除近处复杂结构背景,避免其对弱小目标检测的干扰,无需依赖先验知识和人工操作预先对背景进行处理;本发明仅利用单张灰度图像即可实现弱小目标检测,不要求目标运动的时序性和成像系统静止;本发明提出局部纹理特征自适应滤波可以有效准确检测多个弱小目标同时去除复杂背景结构带来的虚警,极大提升了弱小目标检测的鲁棒性;本发明采用端到端的方法直接进行弱小目标检测,无需单独进行图像预处理、特征提取、目标检测、图像后处理等步骤,可根据原始输入图像直接得到检测结果。
实施例1
一种复杂背景下空中弱小目标自适应检测方法,其流程示意图如图1所示,该方法包括:
第一步:采用基于Gabor滤波的纹理分割方法对近处人造复杂结构背景进行自适应判断和分割去除,具体过程如下:
其中,是生成Gabor滤波器的函数,表示以波长和角度组合生
成的Gabor滤波器,p和q分别表示第p个波长和第q个角度方向,且
,P为构建滤波器的波长总数,Q为构建滤波器的角度方向总数;表示实数集,m和n分
别表示灰度图像I在高度和宽度上的维度;
图2展示了实施例的原始灰度图像,图3展示了经过6种不同Gabor滤波器后得到的Gabor特征图像。
其中,,其表示经过所有滤波器滤
波后的高斯滤波特征图像矩阵,代表了由不同波长和不同角度方向组合后生成的
Gabor滤波器的总数;是灰度图像上每一像素点的横坐标构成的矩阵,是灰度图像I上每一像素点的纵坐标构成的矩阵,表示在特
征维度上进行拼接,R m×n×2 为包含高度、宽度和深度的三维坐标矩阵,m、n和2分别为高度、宽
度和深度维度,R m×n×(K+2)表示在深度特征维度上进行拼接后得到三维坐标矩阵,其中m、n和K+2分别为高度、宽度和深度上的维度;特征矩阵包含原始图像
上每一像素点的纹理特征和位置特征;
(5)将聚类标签结果应用于原始图像上,得到去除复杂纹理结构背
景的图像部分和仅包含复杂纹理结构背景的图像部分,图4
分别展示了原始灰度图像I(左上)、聚类标签结果可视化效果(右上)和灰度图像分割效
果(左下)与(右下),可以看出由于人造背景纹理结构较为分散,中仍
残留少量纹理结构。
第二步:采用多尺度图像块对比度方法MPCM对去除复杂结构背景的灰度图像上进行弱小目标粗检测,得到多个弱小目标候选区,具体过程如下:
(2)通过粗检测图像计算自适应阈值,得到弱小目标的矩形候选区域:
其中函数根据输入粗检测图像自适应计算阈值,函数则根据输入粗检测图像和自适应阈值检测出的
弱小目标矩形候选区域,表示弱小目标候选区域矩阵,4表示候
选区域的4个位置信息分别表示矩形候选区域在灰度图像
中左上顶点横坐标、纵坐标、矩形候选区域高度和宽度;代表检测到的矩形候选区域
个数。图5展示了经过复杂背景分割后得到的弱小目标粗检测结果,虽然检测到了弱小目
标,但同时存在大量虚警。
第三步:基于纹理特征自适应滤波的方法对矩形候选区域进行精细化检测,从而去除人造物体结构背景滤除不完全带来的虚警干扰,最终得到待检测的弱小目标
(4)计算四部分邻域图像上每个像素点灰度的平均值:
图7展示了原始灰度图像经过纹理特征自适应滤波步骤后得到的最终检测结果,对比图8为直接采用MPCM方法的弱小目标检测效果,可以看出,对具有复杂纹理结构背景的弱小目标可见光灰度图像,采用MPCM方法存在大量虚警和漏检,复杂背景严重影响检测效果导致完全检测不到真实弱小目标;而本发明所提方法能够有效抑制复杂背景结构的干影响,准确检测定位出弱小目标在图像上的位置,具有更强的抗背景干扰能力和弱小目标检测能力。采用本发明所提方法对200张弱小目标可见光灰度图像进行检测,平均准确率达到95.46%,更有利于适应实际复杂的工作环境。
Claims (6)
1.一种复杂背景下空中弱小目标自适应检测方法,其特征在于,所述方法包括:
S1:对待处理的包含弱小目标的可见光灰度图像进行近处复杂结构背景的自适应判断和分割去除;
S2:对去除近处复杂结构背景的可见光灰度图像进行弱小目标粗检测,得到多个弱小目标候选区;
S3:对候选区域依次进行精细化检测,得到待检测的弱小目标。
2.根据权利要求1所述的复杂背景下空中弱小目标自适应检测方法,其特征在于,所述S1包括:
其中,是生成Gabor滤波器的函数,表示以波长和角度组合生成的
Gabor滤波器,其p和q分别表示第p个波长和第q个角度方向,且,P
为构建滤波器的波长总数,Q为构建滤波器的角度方向总数;表示实数集,m和n分别表
示灰度图像I在高度和宽度上的维度;
其中,,其表示经过所有滤波器滤波后的高
斯滤波特征图像矩阵,代表了由不同波长和不同角度方向组合后生成的Gabor滤波
器的总数;是灰度图像上每一像素点的横坐标构成的矩阵,是灰度图
像上每一像素点的纵坐标构成的矩阵,表示在深度特征维度上进行拼
接,为包含高度、宽度和深度的三维坐标矩阵,m、n和2分别为高度、宽度和深度维度,表示在深度特征维度上进行拼接后得到三维坐标矩阵,其中m、n和K+2分别为高
度、宽度和深度上的维度;
3.根据权利要求2所述的复杂背景下空中弱小目标自适应检测方法,其特征在于,所述S2中利用多尺度图像块对比度方法MPCM以及粗检测图像计算自适应阈值对去除近处复杂结构背景的可见光灰度图像进行弱小目标粗检测。
4.根据权利要求3所述的复杂背景下空中弱小目标自适应检测方法,其特征在于,所述S2包括:
S22:通过粗检测图像计算自适应阈值,得到弱小目标的矩形候选区域:
5.根据权利要求4所述的复杂背景下空中弱小目标自适应检测方法,其特征在于,所述S3中采用基于纹理特征自适应滤波的方法对矩形候选区域进行局部纹理特征滤波的精细化检测,去除人造物体结构背景滤除不完全带来的虚警干扰,得到待检测的弱小目标。
6.根据权利要求5所述的复杂背景下空中弱小目标自适应检测方法,其特征在于,所述S3包括:
S31:计算其中任意一个矩形候选区域的中心坐标;
表示矩形候选区域位置信息矩阵,和指矩形候选区域左上顶点横、纵坐标;
S32:以矩形候选区域为中心,从粗检测图像结果上提取一个尺寸大于矩形候选区域的局部区域:;
S34:计算四部分邻域图像上每个像素点灰度的平均值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211366558.2A CN115424249B (zh) | 2022-11-03 | 2022-11-03 | 一种复杂背景下空中弱小目标自适应检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211366558.2A CN115424249B (zh) | 2022-11-03 | 2022-11-03 | 一种复杂背景下空中弱小目标自适应检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115424249A true CN115424249A (zh) | 2022-12-02 |
CN115424249B CN115424249B (zh) | 2023-01-31 |
Family
ID=84207924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211366558.2A Active CN115424249B (zh) | 2022-11-03 | 2022-11-03 | 一种复杂背景下空中弱小目标自适应检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115424249B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011196A (zh) * | 2023-08-10 | 2023-11-07 | 哈尔滨工业大学 | 一种基于组合滤波优化的红外小目标检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413303A (zh) * | 2013-07-29 | 2013-11-27 | 西北工业大学 | 基于联合显著性的红外目标分割方法 |
CN104182992B (zh) * | 2014-08-19 | 2017-02-22 | 哈尔滨工程大学 | 一种基于全景视觉的海上弱小目标检测方法 |
CN110490904A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN113076802A (zh) * | 2021-03-04 | 2021-07-06 | 国网湖北省电力有限公司检修公司 | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 |
CN114821358A (zh) * | 2022-04-29 | 2022-07-29 | 中国科学院长春光学精密机械与物理研究所 | 光学遥感图像海上舰船目标提取与识别方法 |
CN115035350A (zh) * | 2022-06-29 | 2022-09-09 | 电子科技大学 | 一种基于边缘检测增强的对空地、地面背景小目标检测方法 |
-
2022
- 2022-11-03 CN CN202211366558.2A patent/CN115424249B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413303A (zh) * | 2013-07-29 | 2013-11-27 | 西北工业大学 | 基于联合显著性的红外目标分割方法 |
CN104182992B (zh) * | 2014-08-19 | 2017-02-22 | 哈尔滨工程大学 | 一种基于全景视觉的海上弱小目标检测方法 |
CN110490904A (zh) * | 2019-08-12 | 2019-11-22 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN113076802A (zh) * | 2021-03-04 | 2021-07-06 | 国网湖北省电力有限公司检修公司 | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 |
CN114821358A (zh) * | 2022-04-29 | 2022-07-29 | 中国科学院长春光学精密机械与物理研究所 | 光学遥感图像海上舰船目标提取与识别方法 |
CN115035350A (zh) * | 2022-06-29 | 2022-09-09 | 电子科技大学 | 一种基于边缘检测增强的对空地、地面背景小目标检测方法 |
Non-Patent Citations (2)
Title |
---|
GARGI SRIVASTAVA等: "Salient object detection using background subtraction, Gabor filters, objectness and minimum directional backgroundness", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》 * |
毛航: "可见光复杂背景图像中地面时敏小目标检测算法研究", 《中国优秀硕士学位论文全文数据库 (社会科学Ⅰ辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011196A (zh) * | 2023-08-10 | 2023-11-07 | 哈尔滨工业大学 | 一种基于组合滤波优化的红外小目标检测方法及系统 |
CN117011196B (zh) * | 2023-08-10 | 2024-04-19 | 哈尔滨工业大学 | 一种基于组合滤波优化的红外小目标检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115424249B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104933434A (zh) | 一种结合LBP特征提取和surf特征提取方法的图像匹配方法 | |
CN104091324A (zh) | 一种基于连通域分割的棋盘格图像快速特征匹配算法 | |
CN115761550A (zh) | 一种基于激光雷达点云和相机图像融合的水面目标检测方法 | |
CN106845410B (zh) | 一种基于深度学习模型的火焰识别方法 | |
CN107944459A (zh) | 一种rgb‑d物体识别方法 | |
CN107180436A (zh) | 一种改进的kaze图像匹配算法 | |
Cao et al. | Infrared small target detection based on derivative dissimilarity measure | |
CN107560592A (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
CN113392856B (zh) | 图像伪造检测装置和方法 | |
Zhang et al. | Object detection/tracking toward underwater photographs by remotely operated vehicles (ROVs) | |
Wei et al. | Physically adversarial infrared patches with learnable shapes and locations | |
CN115424249B (zh) | 一种复杂背景下空中弱小目标自适应检测方法 | |
Tang et al. | Sonar image mosaic based on a new feature matching method | |
Liu et al. | Image edge recognition of virtual reality scene based on multi-operator dynamic weight detection | |
CN112907580A (zh) | 一种应用于弱纹理场景下的综合点线特征的图像特征提取和匹配算法 | |
CN106600613A (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
CN112329764A (zh) | 一种基于tv-l1模型的红外弱小目标检测方法 | |
CN110097524A (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
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 | |
CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
Yao et al. | ORB Feature Matching Algorithm Based on Multi-Scale Feature Description Fusion and Feature Point Mapping Error Correction | |
CN108401563B (zh) | 基于多尺度均值滤波和显著性检测的红外小目标检测方法 | |
Shan et al. | Maritime target detection based on electronic image stabilization technology of shipborne camera | |
CN112348853A (zh) | 基于红外显著性特征融合的粒子滤波跟踪的方法 | |
Yuanyuan et al. | Infrared small dim target detection using local contrast measure weighted by reversed local diversity |
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 |