1 中国科学院上海技术物理研究所 中国科学院红外探测与成像技术重点实验室, 上海 200083
2 中国科学院大学, 北京 100049
3 上海科技大学 信息科学与技术学院, 上海 201210
复杂背景下的红外图像通常存在信噪比低、邻近像素灰度变化不明显以及易被杂波信号和噪声干扰的特点, 导致红外小目标检测困难。为解决上述问题, 提出一种基于特征显著性融合的红外小目标检测算法。首先, 在空间域中利用目标与其局部背景灰度差异来计算得到灰度显著图, 在频域中结合谱残差计算得到背景抑制后的频域显著图; 其次, 将灰度显著图和频域显著图归一化后通过哈达玛乘积相互融合; 最后, 通过自适应阈值分割并使用Unger滤波器剔除较小的噪声点, 从而提取出目标区域。实验结果表明, 所提算法对图像的信噪比有了数十倍的提升, 对背景抑制效果显著, 并有着检测率高和虚警率低的优点, 是一种有效的小目标检测算法。
图像处理 背景抑制 显著性 红外小目标 目标检测 image processing background suppression saliency infrared small target target detection
Author Affiliations
Abstract
1 Zhejiang University, State Key Laboratory of Modern Optical Instrumentation, College of Optical Science and Engineering, Hangzhou, China
2 Shanxi University, Collaborative Innovation Center of Extreme Optics, Taiyuan, China
3 Research Center for Intelligent Chips and Devices, Zhejiang Lab, Hangzhou, China
4 Zhejiang University, Ningbo Research Institute, Ningbo, China
Stimulated emission depletion (STED) nanoscopy is one of the most well-developed nanoscopy techniques that can provide subdiffraction spatial resolution imaging. Here, we introduce dual-modulation difference STED microscopy (dmdSTED) to suppress the background noise in traditional STED imaging. By applying respective time-domain modulations to the two continuous-wave lasers, signals are distributed discretely in the frequency spectrum and thus are obtained through lock-in demodulation of the corresponding frequencies. The background signals can be selectively eliminated from the effective signal without compromise of temporal resolution. We used nanoparticle, fixed cell, and perovskite coating experiments, as well as theoretical demonstration, to confirm the effectiveness of this method. We highlight dmdSTED as an idea and approach with simple implementation for improving the imaging quality, which substantially enlarges the versatility of STED nanoscopy.
super-resolution microscopy frequency domain background suppression anti-Stokes excitation Advanced Photonics
2022, 4(4): 046001
1 吉林省空间光电技术重点实验室, 吉林 长春130022
2 长春理工大学理学院, 吉林 长春 130022
为了更好地抑制太阳耀光对海面目标探测的影响,基于偏振检测技术并结合背景水体、太阳耀光与典型海洋目标三者之间的偏振特性差异提出了一种海面太阳耀光抑制方法。分析了观测天顶角、太阳天顶角对太阳耀光背景下海面目标偏振度以及海面目标与太阳耀光背景对比度的影响,结果表明,在晴朗天气下对海面目标进行探测时,背景辐射主要受太阳辐射从海面直接反射产生的辐亮度影响。可见光波长550 nm与670 nm对太阳耀光的抑制效果无明显差异,均在53°观测天顶角附近、50°~60°太阳天顶角方向以及太阳天顶角和观测天顶角之和为106°左右时对太阳耀光的抑制效果较好。该研究对于提升海面目标与太阳耀光背景图像的对比度以及海面太阳耀光背景下的目标检测效果具有重要意义。
海洋光学 偏振检测 太阳耀光 海面目标 背景抑制 激光与光电子学进展
2021, 58(20): 2001003
1 中国科学院光电技术研究所,四川 成都 610209
2 电子科技大学光电科学与工程学院,四川 成都 611731
3 中国科学院大学,北京 100049
4 中国科学院光束控制重点实验室,四川 成都 610209
5 航天系统部装备部军代局成都室,四川 成都 610041
6 广西科技大学电气与信息工程学院,广西 柳州 545006
由于红外弱小目标尺度小、能量弱,所以抑制背景以增强目标使后期检测跟踪性能得到保障是关键的目标检测技术环节。为了提高梯度倒数滤波算法对杂波纹理的抑制能力,减少差分图像中残留纹理对目标的干扰,本文提出了自适应梯度倒数滤波算法(AGRF)。AGRF 算法通过分析背景区域、杂波边缘纹理、目标的分布特性和统计数字特征来确定邻域像素间相关性的自适应联合判定阈值和自适应相关度系数函数,然后联合相关度系数函数和梯度倒数系数来确定自适应梯度倒数滤波器的元素值。实验结果表明,在具有相同目标增强性能的前提下,AGRF 算法相比传统梯度倒数滤波算法对杂波边缘纹理的敏感度明显降低。相比九种对比算法,AGRF 算法能够在背景抑制和目标增强这两者之间取得更好的性能平衡。
红外弱小目标 背景抑制 梯度倒数滤波 边缘纹理 infrared dim small target background suppression gradient reciprocal filtering clutter texture
1 中国科学院上海技术物理研究所 红外成像材料与器件重点实验室,上海 200083
2 中国科学院大学,北京 100049
为了提高红外焦平面检测目标的灵敏度,目标辐射产生的载流子应尽可能长时间保持,同时应尽可能减少热激发和背景辐射激发的比例。高背景条件下长波红外读出电路的积分电容较快饱和,且长波红外探测器暗电流的非均匀性会影响焦平面的固定图形噪声。基于共模背景抑制结构以及长波碲镉汞探测器暗电流分析的基础上,设计了具有非均匀性矫正的背景抑制电路。传统的背景抑制电路采用单一共模背景抑制或差模背景抑制。差模背景抑制模块的高精度背景记忆一般在小范围区间内。本文背景抑制结构采用共模背景抑制与差模背景抑制相结合,可以在较大的背景噪声范围内有效地降低固定图形噪声以及增大动态范围。该背景抑制结构中共模背景抑制采用电压-电流转换法,差模背景抑制采用电流存储型背景抑制结构。差模背景抑制通过背景记忆时信号放大,背景抑制时信号缩小来提高背景抑制精度。电路采用标准CMOS工艺流片。测试结果表明:读出电路的FPN值为2.08 mV。未开启背景抑制时,焦平面FPN值为48.25 mV。开启背景抑制后,焦平面FPN值降至5.8 mV。基于探测器的暗电流非均匀分布,计算其理论FPN值为40.9 mV。长波红外焦平面输出信号的RMS噪声在0.6 mV左右。
背景抑制 暗电流 读出电路 长波红外 background suppression dark current readout circuit LWIR 红外与激光工程
2021, 50(2): 20200266
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
1 中国科学院国家空间科学中心系统仿真与论证技术研究室, 北京 100190
2 中国科学院大学工程科学学院, 北京 100049
提出一种基于深度学习的弱小目标检测方法,该方法基于语义分割任务,利用全卷积递归网络学习复杂背景下弱小目标的特征,并在网络中使用了残差学习和递归操作,具有加速网络优化、模型参数少、深度递归监督和特征重用等特点。将此方法应用在两个真实的图像序列和红外图像测试集上,与三种最新的弱小目标检测方法进行对比,结果显示,在目标增强和背景抑制方面,此方法取得了最好的可视化效果,并在目标检测率、信噪比增益、信杂比增益和背景抑制因子等评价指标上取得了优秀的测试结果。因此,对于不同场景下的红外图像弱小目标检测问题,此方法具有良好的适用性和鲁棒性。
图像处理 弱小目标检测 红外图像 背景抑制 深度学习 递归监督 光学学报
2020, 40(13): 1310002