1 宜宾学院智能制造学部, 四川宜宾 644000
2 广西科技大学广西土方机械协同创新中心, 广西柳州 545006
3 云南财经大学信息学院, 云南昆明 650221
4 中国科学院光电技术研究所, 四川成都 610209
为有效去除动态背景对弱小目标信号的干扰, 提出改进特征空间的红外弱小目标背景建模法来抑制背景。先采用改进的各向异性滤波算法从空域角度进行滤波以约束图像各个组分的差异, 紧接着取连续时间域上多帧滤波后的图像组成一个特征矩阵, 借助于主成分分析法进行特征分解, 最后将输入图像投影到特征空间上进行背景建模, 同时为了适应动态变化的背景, 在时域上以一定学习率来更新背景模型。实验结果表明, 提出的算法比传统的算法取得更好的背景估计效果, 结构相似性 SSIM、对比度增益 I和背景抑制因子 BIF分别大于 0.97、15.46和 5.25。
弱小目标 动态背景建模 各向异性滤波 主成分分析 dim and small target dynamic background modeling anisotropic filtering Principal Component Analysis 太赫兹科学与电子信息学报
2023, 21(9): 1109
电子科技大学信息与通信工程学院,四川 成都 611731
红外探测系统具有隐蔽性好、抗干扰能力强等特点,广泛应用于**和民用领域,红外弱小目标的检测是红外探测系统中的重要组成部分,已成为了当前的研究热点。近年来,学者们在基于低秩稀疏分解的红外弱小目标检测算法研究方面取得了丰硕的成果,为此,重点阐述了基于低秩稀疏分解的红外弱小目标检测算法的研究现状和研究进展。从背景分量约束、目标分量约束和联合时域信息约束等3个方面详细地综述了基于低秩稀疏分解的红外弱小目标检测算法。首先把背景分量约束划分为块图像的低秩约束、张量的低秩约束和全变分约束,其次从目标的稀疏性表示和融合局部先验的目标分量加权策略两方面分析了目标分量的约束,然后分析了联合时域信息约束,将典型的基于低秩稀疏分解的检测算法和单帧检测算法进行了性能对比,最后讨论了该领域下一步的研究方向。
机器视觉 红外图像 低秩稀疏分解 弱小目标检测 低秩近似 激光与光电子学进展
2023, 60(16): 1600004
1 中北大学 大数据学院, 山西 太原 030051
2 酒泉卫星发射中心, 甘肃 酒泉 735305
3 中北大学 电气与控制工程学院, 山西 太原 030051
弱小目标检测是红外探测与跟踪任务中的经典难题。针对复杂背景下红外弱小目标普遍存在检 测率低、虚警率髙的问题, 提出一种基于区域双邻域显著图(Regional Bi-Neighborhood Saliency Map, RBNSM)的复杂背景红外弱小目标检测新方法。利用弱小目标的局部先验特性定义滑动窗口并划分 为多个单元, 计算中心单元前若干个最大灰度的均值来凸显弱目标; 分别构建中心单元的相接邻域和 相隔邻域并计算各自的灰度均值, 进而, 从不同方向上提取两邻域显著图并点乘二者以进一步抑制杂 波背景、增强弱小目标; 最后, 通过自适应提取准确检测目标。多种典型红外复杂背景图像和SIRST 数据集检测结果表明: 与7种代表性方法相比, RBNSM在复杂背景下具有更好的检测性能与杂波抑 制能力。
目标检测 红外弱小目标 邻域显著图 相接邻域 相隔邻域 target detection, infrared dim and small target, n
1 宜宾学院智能制造学部, 四川 宜宾 644600
2 广西科技大学, 广西土方机械协同创新中心, 广西 柳州 545006
3 国家卫星气象中心, 北京 100081
4 中国科学院光电技术研究所, 四川 成都 610209
为了有效解决动态背景变化导致弱小目标检测率低的问题, 文中提出了改进时空滤波的红外弱小目标检测算法。首先在分析红外图像成像特性的基础上, 针对目标区、背景区和边缘轮廓区不同梯度特性的差异, 提出改进的各向异性空域滤波算法, 该算法充分利用空间域的梯度信息来构建不同方向的扩散滤波函数, 并结合图像不同特性的梯度差异选取扩散函数值最小的两个方向的均值作为时域滤波结果, 以最大限度地保留目标信号; 接着为有效增强弱小目标的能量, 针对高阶累积量仅利用像元点时域信息来构建能量增强的不足, 提出了一种结合时空邻域块的能量增强算法, 实验表明, 本文提出的算法能有效提升动态场景下的弱小目标的检测能力。
弱小目标 改进各向异性 能量增强 目标检测 dim and small target, improve anisotropic filterin
红外与激光工程
2022, 51(4): 20210393
红外与激光工程
2022, 51(3): 20210106
1 中国科学院国家空间科学中心,北京 100190
2 中国科学院大学,北京 100049
在小天体探测、导弹制导和战场侦察等航空航天领域,由于目标信号较弱,占有像素数少,缺少目标形状和纹理信息,使用手工特征提取的传统算法容易出现大量虚警,而拥有强大特征提取能力的深度学习算法无法对微小且缺乏轮廓信息的目标训练。本文采用了滑动窗口取样训练,它源自基于人类视觉特性的传统目标检测算法中嵌套结构的思想,设计了一种使用递归卷积层的全卷积网络,在不增加额外训练参数的情况下,扩展了模型的网络深度,该网络的并行卷积结构的多个分支网络模拟了传统算法的多尺度操作,有利于在复杂环境中增强目标和背景之间的对比度,并且设计使用了多种损失函数的组合,以对抗正负样本严重不平衡的问题。实验结果表明:该方法实现了比传统方法更好的检测效果,为此领域的研究者们提供了一个新的思路和解决途径。
红外图像 弱小目标检测 递归卷积 全卷积网络 背景抑制 infrared image, dim and small target detection, re
红外与激光工程
2021, 50(4): 20200377
新疆大学 信息科学与工程学院, 乌鲁木齐 830046
为了在研究红外弱小点状目标的特征基础上有效解决训练数据不足的问题, 采用了基于改进的元学习红外点状目标跟踪算法。首先将元学习通过预训练跟踪模型运用到卷积神经网络中, 采用离线训练的方式在静态红外图像数据集上训练得到目标的通用表示, 再通过在线训练的方式利用初始帧的目标位置学习得到目标的特定表示; 通过卡尔曼滤波算法预测目标运动模型, 得到最优的搜索区域。此外, 为了解决遮挡造成的目标丢失问题, 研究了重检测机制, 并进行了理论分析和实验验证, 取得了较好的跟踪结果, 跟踪精度达到了90%。结果表明, 该方法在同一数据集下相对其它跟踪算法实现了更精确地跟踪红外弱小点状目标的效果。该研究为机器学习算法在红外弱小点状目标跟踪中的应用提供了参考。
图像处理 点目标跟踪 元学习 红外点状目标 image processing point target tracking meta-learning infrared dim and small target
1 中国科学院长春光学精密机械与物理研究所,长春 130033
2 中国科学院大学,北京 100049
在单帧红外小目标检测中,针对图像背景复杂和目标形态多样等问题提出一种先对图像进行背景抑制,再阈值分割提取候选点,最后经过能量集中度去除残余噪点的算法。在预处理部分,考虑小目标的扩散和像平面的动态分布特征,对形态学进行改进,结合多方向滤波模板,对背景进行抑制。在阈值分割部分,提出多方向梯度阈值分割方法,计算8个方向不同步长的梯度值,统计超过阈值的梯度数量筛选目标点。实验证明,提出的检测方法能够有效解决弱小目标的弥散和多形态特征等问题。
弱小目标检测 背景抑制 软形态学 阈值分割 dim and small target detection background suppression soft morphology threshold segmentation