由于红外图像的夜视显示功能，并且能远距离观测目标，所以常常应用在枪械的狙击瞄具上。但是红外瞄准具首次安装在枪械上时，需要校准零位，把红外瞄准具的十字分化准心与枪械狙击时的目标靶心重合。经过零位校准的红外瞄准具，在狙击时才能准确击中目标，如何进行自动高效的零位校准，是每一台红外瞄准具在初次使用时必须要解决的问题。本文调研了目前主流的零位校准方法，进行了分析对比，并且提出了一种基于单键触发的高效自动校枪的方法和流程，简化了校枪的流程，提升了校枪的效率，在工程应用中解决了红外瞄具在初次使用难以校准，校准慢的问题，同时大大提升了用户使用体验感。
单键触发 自动校枪 零位计算 人机交互 红外图像 目标区域 FPGA FPGA, single key trigger, automatic gun calibratio
杭州电子科技大学电子信息学院， 浙江省装备电子研究重点实验室， 浙江 杭州 310018
红外增强是提升红外成像质量、凸显目标信息的有效手段之一。利用在局部窗口内计算视觉显著图来帮助实现红外图像的增强。利用局部空间区域内的中心-周围像素灰度加权距离法衡量显著性，由此获取显著图来表征模拟人眼以赋予不同像素区域的权重; 结合视觉显著图的提取，在此基础上实现红外图像的增强; 选取几组红外图像进行实验，结合主客观评价对多种增强方法进行评估。实验结果表明，与其他方法相比，所提方法的结果具有更好地视觉效果，能凸显图像细节即目标信息，能有效实现目标与背景的对比增强。
几何光学(成像光学) 图像增强 视觉显著 目标区域 图像质量评价 geometrical optics (imaging optics) image enhancement visual saliency target area image quality evaluation
1 中国科学院 长春光学精密机械与物理研究所 光学系统先进制造技术重点 实验室，吉林长春30033
2 中国科学院大学，北京100049
使用单像素探测器实现成像需要大量采样。对于目标区域仅占场景一部分的情况时，我们提出了自适应Radon单像素成像方法，能够使用单像素探测器实现目标区域的定位和成像。本文对该方法的目标定位方式、编码采样算法、重建算法等进行研究，以减少单像素成像的采样数量。基于Radon变换的基本原理，使用图像在水平和垂直方向的投影信息，以获取场景中目标区域的大小和位置。建立自适应Radon-Hadamard单像素成像模型，仅对目标区域进行单像素采样，然后使用滤波反投影技术重建目标区域。研究结果表明：所提出的自适应Radon单像素成像方法能够实现对场景中目标区域的成像，采样数量远低于重建图像的分辨率，重建图像的结构相似性系数大于95%，有效的提高了单像素成像方法的成像效率。
单像素成像 Radon变换 目标区域 采样数量 single-pixel imaging radon transform target region sampling number
西安建筑科技大学信息与控制工程学院, 陕西 西安 710055
在场景复杂、干扰较多的情况下,传统的火灾烟雾识别方法的识别性能不高。针对该问题,提出了一种基于目标区域的卷积神经网络火灾烟雾识别方法,构建两层的火灾烟雾识别模型,利用目标区域定位层的运动检测算法对火灾烟雾图像进行烟雾目标区域的提取,快速去除复杂场景的大量无关干扰信息,并将提取的烟雾目标区域输入火灾烟雾识别层,通过卷积神经网络精细提取烟雾的深层特征后进行分类,完成火灾烟雾的识别。实验结果表明,所提方法在复杂环境下的数据集中,抗干扰能力较强,能够有效降低误检率,提高烟雾识别的准确率。
图像处理 火灾烟雾识别 目标区域 卷积神经网络 运动检测 抗干扰能力 激光与光电子学进展
2020, 57(16): 161004
南昌理工学院计算机信息工程学院, 南昌 330044
特征提取和特征匹配是合成孔径雷达(SAR)目标识别中的两个关键步骤。提出了一种基于SAR目标区域匹配的目标识别方法。首先提取SAR图像中二值化目标区域；然后将其与模板库中对应的目标区域作差得到残差图像，采用欧氏距离变换对残差图像进行处理；最后利用距离变换后的残差图像构建相似度度量标准，计算当前待识别图像与各类目标的匹配度并根据最大匹配度原则判定目标类型。目标区域残差可以体现待识别目标与其他类目标之间物理尺寸的差异，因此可以根据残差的面积大小以及形状分布计算匹配度。欧氏距离变化可以较好地体现出目标区域残差的形状分布特性。基于欧氏距离变换后的残差可以更有效地反映目标区域的匹配度。采用MSTAR数据集进行了目标识别实验，验证了方法的有效性。
合成孔径雷达 目标识别 目标区域 区域匹配 欧式距离变换 特征提取 SAR target recognition target region region matching Euclidean distance transform feature extraction
1 武汉大学 遥感信息工程学院, 湖北 武汉 430079
2 武汉大学 测绘遥感信息工程国家重点实验室, 湖北 武汉 430079
3 武汉大学 计算机学院, 湖北 武汉 430079
4 地球空间信息技术协同创新中心, 湖北 武汉 430079
提出了采用目标区域互信息的测度方法对星图进行精确配准以解决星图中存在噪声、伪星点、星点稀疏以及星图间的旋转等问题。首先对星图进行图像分割, 检测出星点目标并对星点进行二值化处理; 然后基于互信息配准模型, 在含星点的目标区域上, 利用Powell算法将最大互信息作为目标函数来指导图像间最优变换参数的搜索。分析了适宜于互信息测度配准的星点分割算法, 并论证了采用目标区域互信息的星图配准的可行性。对提出的算法与标准的互信息配准算法进行了对比。结果表明: 提出算法的时间消耗与图像中星的数量有关, 在图像大小为1 000×1 000时, 提出算法的加速比为标准算法的3.4倍。该算法在星图中存在噪声、伪星点、星点稀疏和旋转的情况下仍能进行准确配准, 50组实拍星图配准误差平均值为0.138 2 pixel, 满足了星空图像对精确配准的要求。
星空图像 星点目标区域 互信息 图像配准 stellar image star object area mutual information image registration
长春工程学院 计算机技术与工程学院, 吉林 长春 130012
针对传统视觉显著性模型在自顶向下的任务指导和动态信息处理方面的不足, 设计并实现了融入运动特征的视觉显著性模型。利用该模型提取了图像的静态特征和动态特征, 静态特征的提取在图像的亮度、颜色和方向通道进行, 运动特征的提取采用基于多尺度差分的特征提取方法实现, 然后各通道分别通过滤波、差分得到显著图, 在生成全局显著图时, 提出多通道参数估计方法, 计算图像感兴趣区域与眼动感兴趣区域的相似度, 从而可在图像上准确定位目标位置。针对20组视频图像序列(每组50帧)进行了实验, 结果表明: 本文算法提取注意焦点即目标区域的平均相似度为087, 使用本文算法能够根据不同任务情境, 选择各特征通道的权重参数, 从而可有效提高目标搜索的效率。
视觉显著性 自顶向下 目标区域检测 显著图 visual saliency top-down target area detection saliency map
1 南通大学交通学院, 江苏 南通 226001
2 海军航空工程学院兵器科学与技术系, 山东 烟台 264001
3 北京空间飞行器总体设计部, 北京 100094
4 山东航天电子研究所, 山东 烟台 264003
在卫星上提取图像目标区域是降低传输数据量、提高空间传输链路利用率的重要一环。本文从小波系数相关性的角度, 提出一种针对空间图像压缩算法 (CCSDS-IDC)的目标区域提取方法, 是以图像小波系数 LL3子带为起点, 以四叉树分解为基础的自适应非均匀矩形分割与合并 (ANURSM), 将对应背景区域的小波系数与对应目标区域分离。经试验表明, 算法能够准确、有效地提取出图像目标区域对应的小波系数, 与改进的 CCSDS-IDC相结合能够有效降低传输数据量并提高图像目标区域质量。
小波系数相关性 空间图像压缩推荐标准 数据结构 目标区域 矩形分割 dependence of transformed wavelet coefficients CCSDS-IDC data structure target area rectangular segmentation
1 解放军63983部队, 江苏 无锡 214083
2 解放军信息工程大学, 郑州 450052
在对Mean Shift跟踪算法原理分析的基础上提出了一种反映区域像素空间关系的特征值与原算法基核结合的跟踪方式。该方式采用适应性公式与相似性量度结合的二级判决策略，提取区域内特征值并按不同权重归一化特征值。若不满足特征观测值的条件，则采取粗-精搜索结合的方式对目标模型进行更新。实验结果表明目标跟踪过程中提取的特征值波动符合目标区域实际情况，并在波动异常时重新定位目标，从而提高了跟踪的稳定性。
空间关系 相似性量度 目标区域 跟踪 spatial relationships measure of similarity target area track 强激光与粒子束
2014, 26(10): 101022
1 中国科学院 长春光学精密机械与物理研究所 航空光学成像与测量重点实验室, 吉林 长春130033
2 中国科学院大学, 北京100049
针对航空摄像机在特殊场景(如背景较亮或较暗或存在较强干扰点时)下, 传统的调光算法无法实现正确曝光现象, 文章提出了基于场景区分的调光方法,即根据采集的图像确定其相应的场景, 提取其目标区域控制摄像机的调光。通过场景区分的方法, 使得目标区域更加清晰, 如在一暗背景下, 目标区域的灰度平均值由传统的调光方法拍摄的254.65调到124.39, 信息熵提高了6.839; 在一亮背景下, 目标区域的灰度平均值由传统的调光方法拍摄的92.098调到106.99, 信息熵提高了0.188。
航空摄像机 自动调光 场景区分 目标区域提取 aerial camera automatically dimming scene distinguish target area extracting
