南昌航空大学信息工程学院, 江西南昌 330063
针对复杂云层背景下红外小目标检测的虚警现象和实时性要求, 提出一种基于结构张量筛选和局部对比度分析的新算法。结合目标区域结构张量最大特征值大于其他背景区域结构张量最大特征值的特点, 滤除大部分非目标区域, 保留少量可疑区域, 再对可疑区域进行局部对比度计算, 能够增强目标、抑制残留背景, 并有效减少计算量。算法步骤如下: 首先, 在滑动窗口捕获的局部图像区域内构建结构张量矩阵, 将最大特征值大于特定阈值的区域标记为可疑区域; 然后, 对可疑区域进行比差联合型局部对比度计算, 生成显著度图; 最后, 利用自适应阈值分割实现小目标的分离。实验结果表明: 该算法在复杂云层背景下具有更高的检测率、更低的虚警率以及更少的运行时间。
红外小目标检测 可疑区域筛选 结构张量 局部对比度 infrared small target detection, suspicious area s
1 南昌航空大学测试与光电工程学院无损检测技术教育部重点实验室，江西 南昌 330063
2 中国航发沈阳黎明航空发动机有限责任公司，辽宁 沈阳 110000
Top-Hat的检测性能受限于固定单一的结构元素，导致对复杂背景的抑制能力差。针对该方法的不足，提出两种具有递进关系的改进Top-Hat算法。首先依据小目标与其邻域灰度值差异，改进了Top-Hat变换，提出了一种具有双结构元素的Top-Hat算法，分别为膨胀和腐蚀操作设计了各自的结构元素，并且调整了开运算的运算顺序，以提高对红外小目标的检测性能。在此基础上，又提出一种基于局部对比度的自适应双结构Top-Hat红外小目标检测方法，通过计算局部对比度得到显著图，获得先验信息，自适应地改变双结构元素的大小，利用目标区域及其邻域的灰度值差异来抑制背景和增强目标。与同类方法和非同类方法进行对比实验研究，结果表明，所提基于局部对比度的自适应Top-Hat方法在5种评价指标中均表现突出。
红外图像 小目标检测 局部对比度 Top-Hat 激光与光电子学进展
2023, 60(16): 1628003
辽宁工程技术大学软件学院，葫芦岛 兴城125100
针对现存背景抑制算法未能有效抑制复杂背景而导致的高虚警率及低检测率问题，提出一种基于六方向梯度差各向异性高斯滤波抑制、双层正交灰度差与对角灰度差目标增强、灰度指数自适应阈值分割的小目标检测算法。首先，采用高斯滤波技术融入梯度差思想设置一系列背景抑制策略；接着，将抑制后的图像利用正交灰度差与对角灰度差映射在双层滑窗上增强局部对比度，提高目标显著性；最后，通过像素灰度指数自适应分割算法检测真实弱小目标。实验结果表明，该算法的背景抑制因子指标高达93%，能随背景局部变化来自适应建立背景抑制模型，从而自适应抑制复杂背景突出目标。
弱小目标检测 六方向梯度差 高斯滤波 局部对比度 双层滑动窗口 激光与光电子学进展
2023, 60(16): 1612003
1 萍乡学院机械电子工程学院，江西 萍乡 337055
2 中国矿业大学（北京）煤炭资源与安全开采国家重点实验室，北京 100083
光条成像质量是决定线结构光三维测量精度的重要因素之一。为解决现有光条成像质量评价方法对整体与细节评价兼顾不全、评价依据单一等问题，提出了一种线结构光条成像质量多参数综合评价方法。首先从图像一维熵、局部对比度和光条清晰度三方面，对渐变曝光时间下采集的系列光条图像进行特征分析。接着以系列图像的光心提取精度反向评价光条成像质量，并分析多特征参数随光心提取精度的变化规律。在此基础上，实现多特征参数对系列光条图像质量的综合评价，并构建多参数综合量化评价模型。实验结果表明：与已有方法相比，所提方法评价结果更准确、有效，由评得优质光条图像重构出的高精度齿条轮廓精度最高，其Rssa值仅为0.022。
仪器，测量与计量 线结构光 光条成像质量 多参数综合评价 图像一维熵 局部对比度 光条清晰度 激光与光电子学进展
2023, 60(7): 0712005
1 梧州学院电子与信息工程学院，广西 梧州 543001
2 桂林电子科技大学机电工程学院，广西 桂林 531004
3 中国矿业大学信息与控制工程学院，江苏 徐州 221116
4 阿尔伯塔大学电子与计算机工程系，阿尔伯塔 埃德蒙顿 T6G 1H9，加拿大
5 青岛农业大学理学与信息科学学院，山东 青岛 266109
海上红外目标识别在海事搜寻中发挥着重要的作用，针对逆光海况下出现的目标反向对比度特点及其目标淹没于背景的问题，结合其直方图呈现的局部尖峰特点，提出了修正灰度占比的新直方图均衡化并融合边缘信息的增强算法。该算法可以有效地提升目标区域的对比度，从而提升海上红外图像的质量。在海上红外目标识别与检测中，建立了目标与背景的多尺度“九宫格”搜索框，演化了局部对比度显著性量化的数学模型，实现了符合人眼视觉特性的红外目标的准确定位与检测。在海上红外图像增强测试中，所提算法可以使原图像的平均梯度提升两倍以上，使局部对比度增益因子提升两倍以上。在目标识别的算法测试中，所提多尺度局部对比度目标检测算法可以使目标检测率达到99%以上。
测量 红外成像 海上红外目标识别 红外图像增强 直方图变换 局部对比度显著性 逆光海况
1 长春理工大学电子信息工程学院，吉林 长春 130022
2 长春理工大学空间光电技术研究所，吉林 长春 130022
针对局部对比度方法对红外目标进行检测时难以提升目标的显著性及抑制背景困难的问题，提出一种基于特殊预处理的增强局部对比度方法来检测目标。通过快速中值滤波去除高频噪声，通过改进的形态学梯度来抑制背景，通过增强的局部对比度来提高目标的显著性，最后通过自适应阈值来获取需要检测的真实目标。结果表明，同经典人类视觉系统的检测方法相比，所提方法在检测红外弱小目标时具有优越性，在高亮度背景情况下效果更为显著。
红外弱小目标 目标检测 人类视觉系统 局部对比度 快速中值滤波 形态学梯度 激光与光电子学进展
2023, 60(4): 0410001
1 西安科技大学通信与信息工程学院, 陕西西安 710600
2 西安电子科技大学雷达信号处理国家重点实验室, 陕西西安 710071
针对非均匀背景下红外小目标检测率低的问题, 本文引入人眼视觉系统对比度机制, 提出一种基于改进高提升滤波(improved high boost filter, IHBF)的增强局部对比度红外小目标检测方法。首先, 根据小目标的频域特性, 通过 IHBF运算提升高频信号同时, 剔除含有背景的低频信号; 然后, 提出增强局部对比度方法构建比差联合形式的算子, 进一步增强目标与背景间的对比度, 获得最优显著图; 最后, 采用自适应阈值分割技术获取真实目标。仿真结果表明: 相对于现有的局部对比度算法, 所提方法在检测率、虚警率等方面更具优势, 是非均匀背景下检测红外小目标的一种有效方法。
人眼视觉系统 红外小目标 改进高提升滤波 增强局部对比度 目标检测 HVS IR small target improved high boost filter enhanced local contrast target detection
西安理工大学 计算机科学与工程学院，陕西 西安 710048
红外弱小目标检测技术是红外搜索与跟踪系统的重要组成部分(IRST)。一般来说，在复杂背景环境下，红外弱小目标检测往往会有高虚警率和低检测率的问题。为了解决这一问题，提出一个改进的加权增强局部对比度测量（IWELCM）检测框架，具有重要意义。首先，通过将局部对比度机制与信杂比(SCR)的计算相结合，提出一个增强的局部对比度测量方法，在增强图像中疑似红外弱小目标区域的同时也提高图像的SCR。其次，通过利用红外图像中弱小目标的特性，以及目标与周围背景的统计差异，提出一个改进的加权函数来进一步增强目标和抑制背景。最后，采用一个自适应阈值分割的方法去获取检测的目标。在不同场景的数据集上的对比实验表明，与七种现有流行的方法相比，提出方法在复杂背景下能够有效地从干扰对象中提取真实的红外弱小目标，具有更好的检测性能。
红外搜索与跟踪系统 红外弱小目标 增强的局部对比度测量 改进的加权函数 infrared search and tracking system infrared small target enhanced local contrast measurement improved weighting function 红外与激光工程
2022, 51(8): 20210914
1 重庆城市职业学院，信息与智能制造学院，重庆永川402160
2 重庆邮电大学软件工程学院，重庆南岸区400065
为了准确地从复杂干扰背景下检测出真实弱小目标，本文引入视觉显著性，设计了基于快速光谱尺度空间与动态管道滤波的红外目标检测算法。基于真实目标与背景内容之间的整体差异，引入快速光谱尺度空间与阈值分割技术，设计视觉显著性机制，对红外图像完成处理，输出全局显著性映射，以高效过滤干扰背景内容。考虑目标与背景的局部特征差异，构建自适应局部对比度增强机制，对粗检测结果实施处理，获取对应的局部显著性映射，改善视觉显著性区域内目标的对比度。引入高斯差分理论，通过估算每一帧红外图像中的目标像素直径，形成动态管道滤波，充分消除虚警，准确识别出弱小目标。多组实验数据显示：较已有的红外目标检测技术而言，在各种不同的复杂背景干扰下，所提算法呈现出更好的检测能力，拥有更理想的接收机工作特性(ROC) 曲线。
红外目标检测 光谱尺度空间 显著性映射 自适应局部对比度 高斯差分 动态管道滤波 infrared target detection spectral scale space saliency mapping adaptive local contrast Gaussian difference dynamic pipeline filtering 太赫兹科学与电子信息学报
2022, 20(4): 346
