1 军事科学院, 北京 100071
2 天津(滨海)人工智能创新中心, 天津 300000
3 中国人民解放军 96911部队, 北京 100089
4 军事科学院, 北京 100071国防科技大学计算机学院, 湖南长沙 410073
远距离广视角场景中由于红外热成像仪成像原理的局限性、大气环境的干扰、远距离传输介质对红外辐射的衰减, 检测目标面临巨大挑战。本文在详细分析了图像背景复杂、目标特性弱小、图像对比度低和结构特性缺失等红外弱小目标图像特性的基础上, 从基于目标突显和背景预测两大类概述了单帧红外图像弱小目标检测技术的研究现状, 并探讨了红外弱小目标检测研究的发展趋势。
红外弱小目标检测 目标突显 背景预测 数理驱动 数据驱动 infrared dim small target detection, target highli
1 赣南师范大学科技学院 数学与信息科学系,江西 赣州 341000
2 赣南师范大学 数学与计算机科学学院, 江西 赣州,341000
为了提高复杂环境下的红外弱小目标的探测能力,基于人类视觉注意机制,设计了差异直方图耦合显著性映射的弱小目标检测算法。考虑真实目标与其邻域之间的强度差异,通过采用DFT变换来计算红外图像的幅度与相位频谱,以计算二者之间的频谱残差,并联合高斯滤波方法,输出显著性映射,从而有效突出显著区域。分析目标与背景区域的梯度幅度和梯度方向之间的差异,计算红外图像的差异直方图,以充分抑制背景杂波和噪声。联合显著性映射与差异直方图,形成图像对应的融合特征映射。最后,引入自适应阈值分割方法,从融合特征映射中准确定位真实目标。多组测试数据表明,较已有的红外目标检测技术而言,所提算法能够更好地定位出弱小目标,呈现出理想的ROC曲线。
红外弱小目标检测 融合特征映射 频谱残差 显著性映射 差异梯度直方图 阈值分割 infrared dim small target detection fusion feature mapping spectrum residual saliency map difference histogram of oriented gradients threshold segmentation
荆楚理工学院 计算机工程学院, 湖北 荆门 448000
提出了基于频域映射与多尺度Top-Hat变换的红外弱小目标检测算法。通过分割经典Top-Hat的单一结构元素, 获得多尺度膨胀结构元素, 对红外弱小目标进行增强, 有效抑制杂波与噪声背景; 基于Butterworth低通滤波与截止频率, 构建Butterworth差异带通滤波, 联合Fourier变换, 建立粗显著性检测机制, 通过提取其幅度与相位频谱, 基于2D高斯平滑滤波, 定义细显著性检测机制, 在频域中凸显弱小目标, 并将红外目标的空间与强度相关性作为识别标准, 精确定位候选目标; 根据红外目标运动与虚警的速度差异特征, 定义弱小目标连续帧速度模型, 在帧间充分抑制候选区域中的虚假目标, 检测出完整的弱小目标。实验结果显示: 与当前红外弱小目标检测技术相比, 面对复杂背景干扰, 提出的算法具有更高的检测精度, 可精确定位出完整的弱小目标, 呈现出更好的ROC特性曲线。
红外弱小目标检测 多尺度Top-Hat变换 截止频率 Butterworth差异带通滤波 显著性检测 连续帧速度模型 infrared dim small target detection multi scale top-hat transform cut-off frequency butterworth differential band-pass filter saliency detection continuous frame rate model
为了提高红外图像弱小目标在复杂背景干扰下的检测精度,本文提出了基于多特征相似度差异决策与改进的Top-Hat 变换的红外弱小目标检测算法。该算法通过经典的Top-Hat 的单一结构元素进行分割,形成多尺度结构元素,并依据弱小目标与其周围背景之间的灰度差异,定义了灰度变化映射,通过计算其均值与方差,构建目标决策因子,并将其与多尺度结构元素嵌入到Top-Hat 变换中,形成了新的Top-Hat 变换;随后,联合灰度强度、对比度以及结构信息,建立多特征紧密度差异模型,提取包含真实弱小目标与可疑目标的候选区域;最后,基于弱小目标运动的连续性,引入管道滤波模式,将候选区域中的可疑目标剔除,保留真实弱小目标。实验数据表明:与当前红外弱小目标检测算法相比,在复杂背景干扰下,所提算法的检测精度更高,能够将弱小目标完整地检测出来,具有更好的ROC 特性曲线。
红外弱小目标检测 多特征紧密度差异 Top-Hat 变换 灰度变化映射 管道滤波模式 infrared dim small target detection multi-feature tightness difference Top-Hat transform gray change