空域加權(quán)局部對(duì)比度的紅外小目標(biāo)檢測(cè)算法
發(fā)布時(shí)間:2021-01-09 10:46
針對(duì)傳統(tǒng)局部對(duì)比度算法在強(qiáng)雜波背景下,容易引入虛警目標(biāo)的不足,提出了一種空域加權(quán)局部對(duì)比度的紅外小目標(biāo)檢測(cè)算法。首先,利用具有中心激勵(lì)和側(cè)向抑制性的二維高斯差分濾波器,抑制了原始圖像大部分的背景雜波,以提高圖像的信噪比;然后,利用目標(biāo)均值與鄰域的中值的比值進(jìn)行局部對(duì)比度測(cè)量,再用目標(biāo)各區(qū)域的灰度均值差加權(quán)局部對(duì)比度,生成目標(biāo)顯著圖;最后,對(duì)顯著圖進(jìn)行自適應(yīng)閾值分割,檢測(cè)出真實(shí)目標(biāo)。實(shí)驗(yàn)結(jié)果表明,與其他幾種檢測(cè)方法對(duì)比,該算法不僅具有較高的信躁比增益和背景抑制因子,還具有較高的檢測(cè)率和較低的虛警率,是一種有效的紅外小目標(biāo)檢測(cè)方法。
【文章來(lái)源】:激光與紅外. 2020,50(10)北大核心
【文章頁(yè)數(shù)】:7 頁(yè)
【部分圖文】:
目標(biāo)檢測(cè)流程圖
經(jīng)過(guò)二維高斯差分濾波處理,盡管已經(jīng)抑制了大部分背景噪聲,但目標(biāo)區(qū)域不夠顯著,仍然存在一些強(qiáng)雜波,因此要計(jì)算圖像的顯著性圖。與LCM算法類似,將窗口w從左到右、從上到下滑動(dòng)遍歷整個(gè)圖像a,將其分成若干大小相同的子塊。如圖2(a)所示,子塊中u為目標(biāo)區(qū)域,介于u和w之間的為局部背景區(qū)域,a表示整個(gè)圖像,通常窗口w是u大小的3倍。圖2(b)是w的放大圖,分為9個(gè)大小相等的區(qū)域,中心區(qū)域0表示目標(biāo)區(qū)域,即圖2(a)中的目標(biāo)塊u,在它周圍的1~8區(qū)域表示背景。根據(jù)國(guó)際光學(xué)工程學(xué)會(huì)(SPIE)的建議,小目標(biāo)的尺寸一般不超過(guò)圖像總面積的0.12 %[12],因此本文實(shí)驗(yàn)選取的窗口u尺寸大小為3×3。對(duì)于每一個(gè)子圖像塊w,劃分為大小相等的9個(gè)區(qū)域,分別記為Vi,i=0,1,…,8。中心區(qū)域V0像素灰度最大值經(jīng)式(2)計(jì)算得出:
圖3是經(jīng)本文算法處理前后各區(qū)域的對(duì)比圖。圖3(a)為原始紅外圖像,小方框分別標(biāo)記了目標(biāo)區(qū)域1、高亮噪聲區(qū)域2和云層邊緣背景區(qū)域3,大方框是對(duì)應(yīng)的放大圖。圖3(b)為生成的顯著圖S,小方框標(biāo)記代表運(yùn)算處理后目標(biāo)、噪聲、背景區(qū)域。通過(guò)對(duì)比可知,經(jīng)本文算法處理后的目標(biāo)區(qū)域1強(qiáng)度被增強(qiáng),噪聲區(qū)域2和背景區(qū)域3強(qiáng)度被抑制。2.3 自適應(yīng)閾值分割
【參考文獻(xiàn)】:
期刊論文
[1]結(jié)合視覺(jué)注意力機(jī)制基于尺度自適應(yīng)局部對(duì)比度增強(qiáng)的紅外弱小目標(biāo)檢測(cè)算法[J]. 沈旭,程小輝,王新政. 紅外技術(shù). 2019(08)
[2]基于多尺度局部對(duì)比度和多尺度梯度一致性的紅外小弱目標(biāo)檢測(cè)算法[J]. 劉德鵬,李正周,曾靖杰,熊偉奇,亓波. 兵工學(xué)報(bào). 2018(08)
[3]基于自適應(yīng)形態(tài)學(xué)濾波的紅外小目標(biāo)檢測(cè)算法[J]. 徐文晴,王敏. 激光與紅外. 2017(01)
[4]紅外背景抑制與小目標(biāo)檢測(cè)算法[J]. 張世鋒,黃心漢,王敏. 中國(guó)圖象圖形學(xué)報(bào). 2016(08)
[5]基于局部特征的單幀紅外小目標(biāo)檢測(cè)算法[J]. 吳濤,何文忠,陳曉露. 激光與紅外. 2016(03)
[6]一種基于視覺(jué)注意的小目標(biāo)檢測(cè)方法[J]. 謝文亮,朱丹,佟新鑫. 計(jì)算機(jī)工程與應(yīng)用. 2013(12)
[7]基于顯著性及主成分分析的紅外小目標(biāo)檢測(cè)[J]. 胡暾,趙佳佳,曹原,王芳林,楊杰. 紅外與毫米波學(xué)報(bào). 2010(04)
[8]一種基于小波變換的序列圖像中小目標(biāo)檢測(cè)與跟蹤算法[J]. 李紅艷,吳成柯. 電子與信息學(xué)報(bào). 2001(10)
本文編號(hào):2966500
【文章來(lái)源】:激光與紅外. 2020,50(10)北大核心
【文章頁(yè)數(shù)】:7 頁(yè)
【部分圖文】:
目標(biāo)檢測(cè)流程圖
經(jīng)過(guò)二維高斯差分濾波處理,盡管已經(jīng)抑制了大部分背景噪聲,但目標(biāo)區(qū)域不夠顯著,仍然存在一些強(qiáng)雜波,因此要計(jì)算圖像的顯著性圖。與LCM算法類似,將窗口w從左到右、從上到下滑動(dòng)遍歷整個(gè)圖像a,將其分成若干大小相同的子塊。如圖2(a)所示,子塊中u為目標(biāo)區(qū)域,介于u和w之間的為局部背景區(qū)域,a表示整個(gè)圖像,通常窗口w是u大小的3倍。圖2(b)是w的放大圖,分為9個(gè)大小相等的區(qū)域,中心區(qū)域0表示目標(biāo)區(qū)域,即圖2(a)中的目標(biāo)塊u,在它周圍的1~8區(qū)域表示背景。根據(jù)國(guó)際光學(xué)工程學(xué)會(huì)(SPIE)的建議,小目標(biāo)的尺寸一般不超過(guò)圖像總面積的0.12 %[12],因此本文實(shí)驗(yàn)選取的窗口u尺寸大小為3×3。對(duì)于每一個(gè)子圖像塊w,劃分為大小相等的9個(gè)區(qū)域,分別記為Vi,i=0,1,…,8。中心區(qū)域V0像素灰度最大值經(jīng)式(2)計(jì)算得出:
圖3是經(jīng)本文算法處理前后各區(qū)域的對(duì)比圖。圖3(a)為原始紅外圖像,小方框分別標(biāo)記了目標(biāo)區(qū)域1、高亮噪聲區(qū)域2和云層邊緣背景區(qū)域3,大方框是對(duì)應(yīng)的放大圖。圖3(b)為生成的顯著圖S,小方框標(biāo)記代表運(yùn)算處理后目標(biāo)、噪聲、背景區(qū)域。通過(guò)對(duì)比可知,經(jīng)本文算法處理后的目標(biāo)區(qū)域1強(qiáng)度被增強(qiáng),噪聲區(qū)域2和背景區(qū)域3強(qiáng)度被抑制。2.3 自適應(yīng)閾值分割
【參考文獻(xiàn)】:
期刊論文
[1]結(jié)合視覺(jué)注意力機(jī)制基于尺度自適應(yīng)局部對(duì)比度增強(qiáng)的紅外弱小目標(biāo)檢測(cè)算法[J]. 沈旭,程小輝,王新政. 紅外技術(shù). 2019(08)
[2]基于多尺度局部對(duì)比度和多尺度梯度一致性的紅外小弱目標(biāo)檢測(cè)算法[J]. 劉德鵬,李正周,曾靖杰,熊偉奇,亓波. 兵工學(xué)報(bào). 2018(08)
[3]基于自適應(yīng)形態(tài)學(xué)濾波的紅外小目標(biāo)檢測(cè)算法[J]. 徐文晴,王敏. 激光與紅外. 2017(01)
[4]紅外背景抑制與小目標(biāo)檢測(cè)算法[J]. 張世鋒,黃心漢,王敏. 中國(guó)圖象圖形學(xué)報(bào). 2016(08)
[5]基于局部特征的單幀紅外小目標(biāo)檢測(cè)算法[J]. 吳濤,何文忠,陳曉露. 激光與紅外. 2016(03)
[6]一種基于視覺(jué)注意的小目標(biāo)檢測(cè)方法[J]. 謝文亮,朱丹,佟新鑫. 計(jì)算機(jī)工程與應(yīng)用. 2013(12)
[7]基于顯著性及主成分分析的紅外小目標(biāo)檢測(cè)[J]. 胡暾,趙佳佳,曹原,王芳林,楊杰. 紅外與毫米波學(xué)報(bào). 2010(04)
[8]一種基于小波變換的序列圖像中小目標(biāo)檢測(cè)與跟蹤算法[J]. 李紅艷,吳成柯. 電子與信息學(xué)報(bào). 2001(10)
本文編號(hào):2966500
本文鏈接:http://sikaile.net/kejilunwen/dianzigongchenglunwen/2966500.html
最近更新
教材專著