天津理工大学天津市先进机电系统设计与智能控制重点实验室, 天津 300384
各类光谱信号都会受到噪声和基线畸变的影响, 在提取光谱信号过程中若不考虑基线畸变和噪声的影响, 将会严重影响信号提取的精度和准确性, 所以需要在信号提取前消除噪声和基线畸变的影响。 大多数信号提取算法的步骤是先提取整体基线, 再提取信号, 这样难以保证基线的提取精度。 为了降低信号提取过程中背景噪声、 基线畸变等不利因素的影响, 根据信号的存在总是会导致该区域的统计特征不同于背景的特点, 提出了一种基于显著度和统计特征的光谱信号检测与提取算法(SSD算法)。 首先, 在待测数据的不同尺度空间中计算出信号在各尺度下的显著度, 将检测出的显著信号点作为候选信号点; 其次, 利用信号特征去除候选信号点中的伪信号点; 最后, 对候选信号点所在区域采用二次多项式进行基线拟合以剔除伪信号区域并实现最终的信号提取。 为验证SSD算法的综合性能, 首先, 通过仿真的方法对高斯信号和矩形信号在不同基线类型、 不同信噪比下进行实验; 然后将该算法与AirPLS算法、 Wavelet算法以及DoG算法对两种信号在不同信噪比, 不同基线类型下的提取结果进行比较。 仿真实验结果表明: 与其他算法相比, SSD算法信号提取结果基本不受信号类型和基线畸变类型的影响, 且当信噪比大于40时基本不受信噪比的影响; 在不同基线畸变类型下, SSD算法对两种信号提取结果的准确度、 稳定性、 离散度均较好, 其他算法则只适用于某种基线畸变类型。 从总体提取结果上看, SSD算法提取结果的绝对误差的均值仅为AirPLS算法的8.71%、 Wavelet算法的3.52%、 DoG算法的2.01%; 绝对误差的均方根也仅为AirPLS算法的13.08%、 Wavelet算法的5.45%、 DoG算法的3.11%。 因此, 所提出的SSD算法在提取信号时具有良好的综合性能, 能够在不同的信噪比及基线畸变情况下准确的提取出信号。
光谱信号 信号提取 信号检测 基线畸变 显著度 统计特征 Spectrum signal Signal extraction Signal detection Baseline distortion Saliency Statistical features 光谱学与光谱分析
2021, 41(7): 2294
红外与激光工程
2021, 50(4): 20200377
1 Shanghai Institute of Technical Physics, Chinese Academy of Science , Shanghai200083, China
2 University of Chinese Academy of Sciences, Beijing100049, China
3 CAS Key Laboratory of Infrared System Detection and Imaging Technology, Shanghai Institute of Technical Physics, Shanghai20008, China
由于红外光学衍射限和红外探测器的局限,得到的红外图像噪声相对偏大,分辨率偏低。对红外图像进行超分辨率重建可以提高图像分辨率，但同时又会增强背景噪声。针对此问题，提出了基于稀疏编码的红外显著区域超分重建算法，将超分重建和显著度检测相结合，可以提高目标分辨率并降低背景噪声。首先采用双层卷积提取图像特征，并自适应选择图像信息熵较大的图像块用于训练联合字典。然后利用稀疏特征计算显著度获取显著区域，再将显著区域用训练好的字典进行超分辨重建，与目标无关的背景区域采用高斯滤波。实验结果显示改进的重建算法在同等条件下重建效果优于重建模型ScSR和SRCNN，图像信噪比提高3~4倍。
红外图像 显著度检测 稀疏编码 稀疏特征 infrared image saliency detection sparse coding sparse features
1 南京航空航天大学，南京 211106
2 光电控制技术重点实验室，河南洛阳471023
针对复杂背景下的红外小目标检测问题，提出一种基于频域显著性分析的小目标检测算法。算法利用红外图像中目标在频域内相较于背景更加显著的特点，通过频域显著性计算得到红外图像的显著图，消除部分背景杂波干扰，然后通过自适应阈值分割显著图，提取出感兴趣区域，进一步在感兴趣区域中计算多尺度窗口的显著度，从而完成小目标的检测。从理论上分析了算法的有效性，并利用典型的红外图像进行了实验，实验结果表明，所提算法能够很好地完成低信噪比条件下的红外小目标检测。与其他方法相比，在保证目标检测准确率的前提下，所提算法简单有效、复杂度低、计算效率高，满足实时性要求。
目标检测 红外小目标 显著性 感兴趣区域 窗口显著度 target detection infrared small target saliency region of interest score of window
1 西安石油大学, 陕西 西安 710065
2 中国科学院 遥感与数字地球研究所, 北京 100942
3 中国科学院 空间信息处理与应用系统技术重点实验室, 北京 100190
4 中国科学院 电子学研究所, 北京 100190
提出了一种基于窗口融合特征对比度的光学遥感目标检测方法。首先,在训练图像上生成大量不同尺寸的滑动窗, 计算了各窗口的多尺度显著度、仿射协变区域对比度、边缘密度对比度以及超像素完整度4项特征分值, 在确认集上基于窗口重合度和后验概率最大化学习各个特征的阈值参数。然后, 采用Naive Bayes框架进行特征融合, 并训练分类器。 在目标检测阶段首先计算测试图像中各窗口的多尺度显著度分值, 初步筛选出显著度高且符合待检测目标尺寸比例的部分窗口。然后计算初选窗口集的其余3项特征, 再根据训练好的分类模型计算各个窗口的后验概率。最后, 挑选出局部高分值的候选区域并进行判断合并, 得到最终目标检测结果。针对飞机、油罐、舰船等3类遥感目标的检测结果显示: 4类特征在单独描述3类目标时表现出的性能各有差异, 最高检测准确率为74.21%~80.32%, 而融合方案能够综合考虑目标自身特点, 准确率提高至80.78~87.30%。与固定数量滑动窗方法相比, 准确率从约80%提高到约85%, 虚警率从20%左右降低为3%左右。最终高分值区域数降低约90%, 测试时间减少约25%。得到的结果显示该方法大大提高了目标检测精度和算法效率。
光学遥感 目标检测 融合特征对比度 窗口 显著度 仿射协变 边缘密度 optical remote sensing object detection fused feature contrast subwindow saliency affine invariant edge density
1 长春工业大学 计算机科学与工程学院, 吉林 长春 130012
2 吉林大学 通信工程学院, 吉林 长春 130022
3 中国科学院 长春光学精密机械与物理研究所, 吉林 长春 130033
针对红外与可见光图像融合易受噪声干扰从而使目标信息减弱的问题, 提出了一种基于目标区域提取和压缩感知的融合算法。首先, 在频率域上对红外图像进行显著区域检测得到其对应的显著度图, 并在显著图指导下结合区域生长法提取红外图像的目标区域, 有效抑制噪声与复杂背景的干扰。然后, 用非下采样剪切波变换对待融合的图像进行分解, 采用不同的融合策略分别对目标与背景区域的高、低频子带进行融合。针对背景区域提出一种新的基于多分辨率奇异值分解和压缩感知的融合规则, 最后, 进行非下采样剪切波逆变换得到融合图像。与其他算法的对比实验结果表明, 本文算法能更好地突出目标区域, 保留图像细节信息, 抑制噪声干扰; 图像质量评价指标中的信息熵、标准差、互信息、边缘保持度分别提高了3.94%, 19.14%, 9.96%和8.52%。
图像融合 红外图像 可见光图像 显著度图 非下采样剪切波变换 目标提取 压缩感知 多分辨率奇异值分解 image fusion infrared image visible image saliency map non-subsampled shearlet transform target segmentation compressed sensing multi-resolution singular value decomposition
燕山大学信息科学与工程学院， 河北 秦皇岛 066004
提出了一种基于视觉熵的模拟生物视觉信息处理的视觉注意计算模型，在使用图像的低层特征的基础上，充分考虑了视觉熵中人眼对图像信息的主观量度。该模型首先将图像分成4×4的图像块，分别计算每个图像块的均值、方差、幅度和亮度变化率；采用中央邻域差算子得到各图像的特征图，合并成一个显著图；计算该图中每个显著区域的视觉熵，将最显著区域作为视觉注意的焦点，利用人类视觉注意的抑制返回机制，实现视觉注意焦点的转移，从而完成模拟人类视觉注意的整个过程。实验结果表明，该模型基本上能够模拟视觉注意的过程，而且复杂度较低，具有较高的实用价值。
计算机视觉 视觉注意 视觉熵 感兴趣区域 显著度
