針對(duì)復(fù)雜海面背景下紅外圖像艦船目標(biāo)由于灰度不均勻、海雜波干擾大等因素造成的自動(dòng)檢測虛警率高、準(zhǔn)確率低的問題,提出了一種顯著區(qū)域提取和目標(biāo)精確分割相結(jié)合的紅外艦船目標(biāo)檢測方法。首先,利用基于圖論的視覺顯著性（Graph-based Visual Saliency,GBVS）模型計(jì)算待檢測圖像的顯著圖,使得目標(biāo)區(qū)域信息增強(qiáng);其次,結(jié)合艦船目標(biāo)先驗(yàn)信息（長短軸、面積等）,利用多級(jí)閾值劃分算法提取關(guān)注的顯著區(qū)域,并確定原圖中候選目標(biāo)區(qū)域;最后,利用空間約束模糊C均值（Fuzzy C-Means,FCM）算法對(duì)候選區(qū)域進(jìn)行分割,結(jié)合目標(biāo)先驗(yàn)知識(shí)對(duì)分割區(qū)域篩選并輸出目標(biāo)位置。所提方法在公開數(shù)據(jù)集IRShips上與相關(guān)方法進(jìn)行比較,結(jié)果表明,相比直接進(jìn)行全圖目標(biāo)搜索的方法,所提方法不僅準(zhǔn)確率高、執(zhí)行速度快,且檢測目標(biāo)的位置更加精確。 

【文章來源】：電訊技術(shù). 2020年07期 北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

紅外艦船圖像GBVS顯著圖

本文紅外艦船檢測算法流程

IRships數(shù)據(jù)集包含200張紅外艦船圖，所有圖像寬、高進(jìn)行歸一化，分別為320 pixel（寬）和256 pixel（高），數(shù)據(jù)集中每個(gè)樣本包括一張海面艦船圖像和對(duì)應(yīng)的艦船目標(biāo)分割圖像。數(shù)據(jù)集中圖像通過多種途徑采集，包括FLIR熱成像儀和船載成像設(shè)備，并且這些圖像包含了不同大氣和海面波輻射、海雜波、天空反射等因素的影響。IRships數(shù)據(jù)集示例如圖3所示。3.2 實(shí)驗(yàn)結(jié)果及分析

【參考文獻(xiàn)】：
期刊論文
[1]融合改進(jìn)FT顯著性與Grabcut的圖像目標(biāo)分割算法[J]. 王曉宇,楊帆,范海瑞,溫潔,潘旭冉.  電訊技術(shù). 2019(02)
[2]紅外遙感圖像艦船目標(biāo)檢測[J]. 丁榮莉,韓傳釗,謝寶蓉,王琰,張震.  紅外技術(shù). 2019(02)
[3]基于自適應(yīng)閾值區(qū)域生長的紅外艦船目標(biāo)分割方法[J]. 趙文濤,曹昕鷙,田志勇.  紅外技術(shù). 2018(02)
[4]基于屬性直方圖的快速Otsu紅外目標(biāo)檢測算法[J]. 王瑩瑩,何蘋,李永賓,魏彤.  激光與紅外. 2014(05)
[5]空間域與頻域結(jié)合的FCM紅外熱像分割方法[J]. 謝靜,徐長航,陳國明,王玉.  計(jì)算機(jī)工程. 2012(15)



本文編號(hào)：2931712