1 中国科学院西安光学精密机械研究所,陕西 西安 710119
2 中国科学院大学,北京 100049
针对当前空间环境单一、红外波段探测目标虚警率高、灵敏度低等难题,提出了一种基于低温冷光学技术的双色红外光学系统设计方法。光学系统前置光路采用共口径式结构,通过分光平板进行谱段分光,然后采用中继镜组二次成像的方式实现冷阑匹配,保证系统的轻小型化。另外,为了提升长波系统的探测灵敏度,对其进行了低温冷光学设计,减小系统自身辐射对探测性能的影响。系统的工作波长为3.7~4.8 μm和7.9~9.3 μm,F数为1.2,光学结构三维总尺寸为260 mm×150 mm×80 mm,中波系统畸变小于2.8%,约有82%的能量集中在探测器的一个像元内,长波系统畸变小于0.33%,约有70%的能量集中在探测器的一个像元内。该系统可对空间弱目标进行远距离探测,具有虚警率低、灵敏度高、结构紧凑等优点。
低温光学设计 红外双色波段 共口径 弱目标探测 cold optical design infrared dual-color band common aperture dim target detection 红外与激光工程
2023, 52(12): 20230297
星空背景弱小目标观测图像的目标无任何形状、纹理及颜色信息,与恒星、噪声相似度高,抑制背景、消除噪声是最大限度保留目标信息的基础。从分析星空背景弱小目标观测图像的直方图特性出发,提出了不断舍弃高灰度区域、减小样本方差的方法估计星空背景参量,用此背景参数进行噪声抑制。实验证明,所提方法能够在复杂背景噪声和恒星的影响下,滤除大部分噪声,最大限度地保留和增强目标。
弱小目标检测 星空背景图像 噪声抑制 dim target detection starry background image noise suppression
为提高低信噪比条件下单帧红外图像中弱小目标的检测率, 基于高斯噪声高阶累积量为零的特点以及高斯过程的统计特性, 提出一种基于三阶累积量的目标检测算法。该算法首先采用双边滤波进行背景抑制, 然后利用局部邻域的灰度值构造三阶累积量作为检验统计量, 进行目标点的分割。由于目标的灰度分布具有旋转不变性, 在构造三阶累积量时进行两次旋转变换, 可以在增强目标能量的同时进一步消除背景杂波的影响, 降低单帧检测的虚警率。实验结果表明, 基于旋转变换的三阶累积量能够有效抑制边缘杂波, 并稳定检测到信噪比大于0.7的弱小目标。
信息处理技术 弱小目标检测 高斯过程 三阶累积量 旋转变换 information processing technology dim target detection Gaussian process third-order cumulant rotation transformation
针对现有方法在复杂云层和强杂波的干扰环境下的高虚警率或低检测率的问题,提出一种基于视觉特征融合的机载红外弱小目标检测方法。首先,利用Laplace算法对原始图像进行锐化处理,提取图像的轮廓边缘,并将其叠加到原始图像上,目的是增加真实目标与疑似目标的像素强度。然后,根据目标的梯度特征,采用局部多向梯度方法对处理后图像中的复杂背景和强杂波进行抑制。其次,根据图像的灰度差异特征,采用局部灰度差方法适当地增强目标。最后,将通过视觉特征信息获取的图像融合,突出目标的显著性,并对目标进行自适应阈值处理,实现目标的精准检测。实验结果表明,与其他方法相比,所提方法在信杂比、背景抑制因子及检测率指标上得到显著提升,且具有较低的虚警率。
图像处理 视觉特征 红外弱小目标 目标检测 局部多向梯度 局部灰度差 激光与光电子学进展
2020, 57(18): 181004
1 中国科学院长春光学精密机械与物理研究所,吉林 长春 130033
2 中国科学院大学,北京 100049
3 激光与物质相互作用国家重点实验室,吉林 长春 130033
针对当前空间红外弱小目标状态感知方法存在判别准确率低、人工干涉较多、对数据质量要求较高等问题,提出了一种全新的基于深度学习的判别算法。首先,对空间红外弱小目标状态变化进行了分析,并建立了专用数据集;然后,建立了目标状态感知任务专用的卷积神经网络框架,并在局部标注及自适应阈值等方面进行了创新;最后,应用实验室采集的目标辐射强度信息制作的仿真数据对本算法进行了训练和测试,建立了目标状态感知评估指标体系,并对实验结果进行评估。实验结果表明:在输入连续完整的辐射强度信息时,判别准确率为98.27%;输入片段辐射强度信息时,各状态判别准确率皆大于90%。本算法弥补了现有方法对空间弱小目标状态感知虚警率高和目标信息不完整时不敏感的缺陷,提高了检测速度和精度,可以更好地满足空间红外弱小目标感知任务的需求。
目标检测 深度学习 弱小目标 红外辐射强度 object detection deep learning dim target infrared radiation intensity