针对基于磁梯度张量的磁性目标单点定位方法受地磁场的估计误差影响较大的问题, 提出了一种基于正六面体测量阵列的磁性目标定位方法, 该方法利用正六面体测量阵列上、下两个平面的磁梯度张量测量信息, 建立关于目标位置的方程组, 利用地磁场梯度较小的特性, 通过对磁场矢量项做差来消除地磁场的干扰, 然后利用磁场矢量的差值和磁梯度张量信息求解得到目标的位置坐标。仿真实验结果表明, 该方法可以克服现有方法中受地磁场的估计误差影响较大的问题, 提高目标的定位精度。

前视红外海天场景图像中的舰船目标可能面临着信噪比低、尺寸差异大等问题, 为了更好地突出目标、抑制背景, 提出了一种基于多尺度局部对比度的前视红外舰船目标增强方法。首先分析了前视红外海天图像中的场景内容, 然后定义了一种新的局部对比度度量——相对区域对比度度量(RRCM), 通过改变网格窗口的尺寸构建了多尺度局部对比度度量(MRRCM), 最终得到了尺度不变局部对比度图像。实验结果表明, 所提方法可以适应前视红外图像中多类型多尺寸的舰船目标, 显著提高目标信号的信噪比(SNR)和信背比(SBR), 与其他方法相比, 所提方法的舰船目标增强效果更好, 尤其是对于暗弱目标区域;另外, 所提方法运算速度快, 并且可以借助并行处理和积分图像进一步加速运行。

为了有效地克服单波段前视红外图像中存在的点状杂波、 条状波浪以及局部高亮区域等随机杂乱背景的影响, 开展了基于多波段前视红外图像融合的海面杂乱背景平滑方法的研究。 充分利用多波段前视红外图像之间的互补性和差异性, 通过融合多波段红外图像的信息, 旨在平滑抑制海面杂乱背景并保持舰船目标的特征信息, 为舰船目标检测提供一幅优质的图像。 首先利用离散小波变换将多波段源图像分解为低频子带和高频子带, 其中, 高频子带主要包含了图像中背景以及舰船目标的细节信息, 低频子带主要包含了图像的亮度以及对比度信息; 对于高频子带, 在基于高频系数取绝对值最大法得到高频融合图像后, 计算每个像素的区域能量来对高频融合图像进行调制以抑制图像背景的细节信息而保留舰船目标的细节信息; 对于低频子带, 通过平均法融合低频子带并利用导向滤波对低频融合图像进行平滑滤波处理; 最后对高频融合图像和低频融合图像进行小波逆变换得到的重构图像即为融合图像。 对实际采集的多波段前视红外图像进行仿真实验, 将该方法与双边滤波、 导向滤波、 梯度最小化、 相对全变分、 双边纹理滤波和滚动滤波共6种图像平滑滤波方法进行对比。 结果表明: 所提出的方法通过有效地融合多波段图像的信息, 将空间域的平滑处理转换到频率域中进行, 能够很好地平滑海面随机杂乱背景并较好地保持舰船目标的结构、 灰度以及对比度信息, 大大增强了舰船目标的可分离性, 其图像平滑性能优于作为对比的6种方法。

红外成像系统作为探测舰船目标的一种重要方式, 在**侦察中起着至关重要的作用, 面对复杂背景、 恶劣天气环境等情况时, 目标与背景局部对比度较低导致红外系统的探测准确率、 查全率等性能指标受到严重影响, 针对上述问题, 开展了基于红外偏振图像的舰船目标检测方法研究。 通过8~12 μm长波波段红外偏振图像采集系统实际采集86组4个偏振方向(0°, 45°, 90°, 135°)的红外偏振图像, 样本中舰船目标309个。 对同场景下不同偏振方向的红外偏振图像及红外强度/偏振度图像的目标与背景局部对比度计算, 发现海面与舰船目标偏振特征差异能够有效提高目标与背景局部对比度。 在前视红外图像中, 舰船目标通常位于海天线附近或下方, 但复杂背景及天气等因素干扰对红外图像中检测海天线影响较大, 为此提出红外偏振图像海天线检测方法, 对红外偏振图像直方图进行高斯滤波消除局部极值, 依据海面与背景的偏振特征差异, 利用双峰法阈值分割检测海天线, 最后利用霍夫变换检测海天线, 分割出海面作为目标候选区域。 针对红外偏振图像受到海杂波严重干扰的问题, 提出海杂波背景抑制算法, 采取背景抑制, 距离加权方法抑制偏振图像中杂乱的海杂波背景。 最后, 利用MSER算法检测舰船目标, 根据舰船目标特性约束条件剔除非目标区域。 对86组红外偏振图像进行舰船目标检测实验, 所提出的方法能够有效克服复杂背景和海杂波等因素的干扰准确检测海天线, 通过海杂波背景抑制及舰船特征约束的方法消除海杂波及海岸对舰船检测所带来的干扰, 检测准确率、 查全率分别为93.2%和95.7%, 优于红外舰船目标检测方法, 特别在红外图像对比度低的场景下检测效果提升明显, 检测准确率、 查全率分别提高了46.5%和16.4%。 表明充分考虑红外偏振图像中舰船目标与背景的偏振特征差异能够有效提高目标与背景的局部对比度, 有利于准确检测海天线, 提高舰船检测准确率和查全率, 对复杂背景及恶劣天气有较强的适应性, 在**应用中具有极大应用价值, 对红外波段舰船目标检测技术的发展有着极为重要的意义。

针对海天场景复杂干扰情况下多尺度检测红外偏振图像中舰船目标困难的问题, 本文提出一种基于引导滤波和自适应尺度局部对比度的舰船目标检测方法。首先将强度信息作为引导信息对红外偏振图像利用引导滤波, 得到目标背景对比度、局部信噪比更高的融合图像; 然后基于融合图像显著的海天线垂直梯度特征, 提出一种检测海天线方法, 再对融合图像进行海天线加权抑制海杂波干扰; 最后基于单尺度局部对比度算法与舰船目标比例特征, 提出自适应尺度局部对比度方法, 当尺度与目标匹配时响应最大, 通过不同尺度对目标的响应结果确定最大尺度, 得到舰船目标检测结果。实验结果表明, 引导滤波融合方法的提高图像的目标背景对比度和局部信杂比, 与典型检测方法对比, 本文方法能够有效抑制干扰并能够检测海天场景不同尺度舰船目标, 具有较高的鲁棒性和准确性, 检测率、虚警率分别为95.0%, 3.5%, 为红外偏振图像目标检测提供了新的方法。

针对低对比度、岸岛背景、前景遮挡等复杂背景下前视红外图像在检测识别海面弱小目标困难的问题,提出一种基于红外偏振图像的海面弱小目标增强方法。开发了一种符合人视觉系统感知色彩的改进色调-饱和度-强度(HSI)颜色空间融合算法,融合海面图像中的红外偏振度信息与红外强度信息;设计一种基于红外偏振图像的海面区域分割方法,分割海面区域,并将其作为候选目标增强区域;利用上下文显著性算法计算海面HSI颜色空间融合图像的显著性,根据显著图修正海面HSI颜色空间融合图像,得到目标增强图像。采用目标与背景对比度和局部信噪比评价融合图像增强效果。结果表明,与现有方法相比,所提方法在不同场景下能增强目标并抑制背景干扰,评价指标高于现有方法,能够为海面舰船目标检测与识别提供支持。

无人机进行红外舰船目标侦察时，检测算法对检测正确率的影响很大。为增强无人机红外光电载荷对舰船目标的检测能力，提出采用支持向量机(Support Vector Machine, SVM)进行候选区训练的检测算法，以提高目标检测的正确率。通过预先对候选区的特征进行训练，得到候选区的分类数据。在检测阶段，加载训练时得到的候选区分类数据，分类筛选出更可能包含目标的候选区，从而提高目标检测的正确率。验证实验中，选用368张无人机拍摄的长波红外图像作为训练数据集图像，另外选择139张图像作为测试图像。分别采用带候选区训练的方法和无候选区训练的方法做目标检测实验。检测结果表明，采用带候选区训练的检测方法比采用无候选区训练方法时平均检测正确率高14.6%。

近年来,基于深度学习的单幅图像超分辨率方法已经取得了显著成就。但这些方法仅研究图像空域,忽略了图像频域中高频信息的重要性,从而导致生成的图像相对平滑。利用小波变换能够提取图像细节的特性,因此提出一种结合小波变换与深度网络的单幅图像超分辨率方法。首先,利用小波变换将图像分解为低频子图和三个方向上的高频子图,将低分辨率图像与高频子图作为深度网络的输入。其次,对已有的深度网络进行改进,简化网络结构,减少卷积层数量以减少网络负担,修改网络通道。最后,进行小波逆变换,得到超分辨率图像。在开放测试数据集上进行测试,并将本文方法与其他方法进行比较。实验结果表明,本文方法在主观视觉效果与客观评价指标上均表现良好。

针对目前基于样例学习的图像超分辨率方法难以同时满足快速运算和生成高质量图像的问题,提出一种基于去卷积的快速图像超分辨率方法。设计新型网络模型,以低分辨率图像作为输入图像,利用卷积层进行特征提取与表示;利用去卷积层对图像特征放大膨胀,再以池化层浓缩特征图,提炼出对结果更敏感的特征;以亚像素卷积层实现特征映射与图像融合,获得高分辨率图像。在图像集上进行测试,相比其他方法,本文方法的测试结果具有较高的峰值信噪比,且平均每秒能处理24幅以上大小为320 pixel×240 pixel的图像,表明该方法不仅可以生成更高质量的图像,且具有较高的处理速度,能满足视频实时处理要求。

针对十字形磁梯度张量系统中的单磁力仪误差(三轴灵敏度偏差、非正交误差和零点漂移误差)以及磁力仪之间存在的不对正误差, 提出了十字形磁梯度张量系统的误差校正方法。首先, 建立单磁力仪误差模型, 采用基于椭球约束的最小二乘拟合算法对磁力仪的测量数据进行拟合从而得到椭球拟合参数; 然后, 接着利用Cholesky分解得到单磁力仪误差校正矩阵; 最后在单磁力仪误差校正的基础上, 利用正交Procrustes方法对不同磁力仪间的测量数据进行拟合从而得到磁力仪间的不对正误差校正矩阵。对提出的方法进行仿真与实测实验验证, 实验结果表明: 经过校正, 磁梯度张量各分量的最大波动量由10 049 nT/m降到52 nT/m。提出的校正方法可以基本消除十字形磁梯度张量系统的误差, 提高测量结果的准确度, 且方法操作简单, 不需要高精度的三轴无磁转台等设备, 具有较高的实用价值。