下载文档原格式
基于非下采样Contourlet扩散滤波的红外图像降噪
倪超;李奇;夏良正
【期刊名称】《东南大学学报：自然科学版》
【年(卷),期】2010()S1
【摘要】针对红外图像的特点,提出了一种基于非下采样Contourlet扩散滤波的红外图像降噪算法.首先,对红外图像进行多尺度非下采样金字塔分解,利用非线性扩散滤波各非下采样金字塔层带通图像,在降噪的同时保留图像的边缘细节信息.为了进一步消除图像噪声,采用非下采样方向滤波器组对扩散滤波后的各非下采样金字塔层图像进行多方向性分解,对分解后的非下采样Contourlet系数进行基于尺度相关性的阈值处理,实现图像降噪.实验证明,算法与其他方法相比,不仅能取得更好的信噪比,而且在实现红外图像降噪的同时能保留边缘细节信息而获得更好的视觉效果.【总页数】5页(P272-276)
【关键词】红外图像;非下采样Contourlet;非线性扩散;尺度相关性
【作者】倪超;李奇;夏良正
【作者单位】南京林业大学机械电子工程学院;东南大学自动化学院
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于非下采样Contourlet变换红外和可见光图像的融合方法 [J], 詹玲超;刘瑾
2.基于非下采样Contourlet和扩散的图像去噪 [J], 陈建军;田逢春;邱宇;徐鑫
3.基于非下采样Contourlet变换的红外图像非线性增强新方法 [J], 郭珉;蒋爱民;曹美
4.基于奇异值分解和非下采样Contourlet变换的红外图像增强新算法 [J], 赵翱东;奚茂龙;叶茜
5.基于尺度间相关的非下采样Contourlet图像降噪算法 [J], 郭旭静;王祖林
因版权原因，仅展示原文概要，查看原文内容请购买。
红外弱小目标背景抑制中的二维空域廓线法刘高睿;孙胜利;林长青【摘要】为了实现天基红外遥感图像中的弱小目标检测,抑制复杂的结构背景,提出了二维空域廓线法.算法以一维时域廓线目标检测理论为基础,将其扩展到二维空域,应用于单帧目标检测.采用二维空域廓线可以获得背景估计,用原始图像减去背景图像可获得包含目标的前景图像.将本文算法与现有的单帧目标检测算法相比,可获得更大的ROC曲线面积,表明提出算法优于同类算法.【期刊名称】《红外技术》【年(卷),期】2019(041)004【总页数】6页(P329-334)【关键词】红外弱小目标;背景抑制;空域廓线【作者】刘高睿;孙胜利;林长青【作者单位】中国科学院智能红外感知重点实验室,上海 200083;中国科学院上海技术物理研究所,上海 200083;中国科学院大学,北京 100049;中国科学院智能红外感知重点实验室,上海 200083;中国科学院上海技术物理研究所,上海 200083;中国科学院智能红外感知重点实验室,上海 200083;中国科学院上海技术物理研究所,上海 200083【正文语种】中文【中图分类】TP751.1;TP391弱小目标检测是天基红外探测系统中的关键技术，高性能的目标检测技术有利于降低系统反应时间，提高作战效率。
现有的弱小目标检测算法广泛采用多帧的时域及时空域的目标及背景特性[1-3]。
然而，受到平台运动以及帧间时间间隔较长等因素的影响，图像的帧间相关性变差，上述方法受到很大限制，因此仍然需要提高单帧目标的检测性能。
天基红外探测系统中，场景覆盖范围大，图像的结构元素具有丰富多样性，当前的基于单帧图像的弱小目标检测策略难以将其很好地抑制。
对于目标，由于成像距离远，其尺度不及单像元覆盖面积，其成像大小约为1～5个像元[4]。
目标成像面积小、背景复杂是限制目标检测的主要因素。
当前的基于单帧图像的弱小目标检测策略包含两个步骤：前期的目标增强和后期和目标提取[5]。
基于非局部均值滤波的小波红外图像去噪
张军令;唐卫国
【期刊名称】《红外》
【年(卷),期】2015(36)3
【摘要】为避免小波去噪时阈值的缺陷和非局部均值滤波去噪时计算的复杂性和更有效地去除红外图像中的噪声,提出了一种采用非局部均值滤波的小波图像去噪方法.对含噪图像进行多层小波分解,采用新的贝叶斯估计阈值对高频系数进行阈值化处理,以消除高频噪声;在部分低层子带上进行非局部均值处理以进一步消除噪声.实验结果表明,与通常的小波阈值去噪和非局部均值去噪相比,该方法能很好地去除红外图像中的噪声,获得更高的信噪比(Signal To Noise Ratio,SNR)和更小的均方误差(MeanSquared Error,MSE),而且该方法计算相对简单,能达到很好的视觉效果.【总页数】5页(P34-38)
【作者】张军令;唐卫国
【作者单位】桂林电子科技大学电子工程与自动化学院广西桂林 541004;桂林电子科技大学电子工程与自动化学院广西桂林 541004;航天科工集团801厂,广西柳州545005
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种基于改进非局部均值滤波算法的红外图像去噪 [J], 郭晨龙;赵旭阳;郑海燕;梁锡宁
2.基于小波变换与改进中值滤波的红外图像去噪 [J], 胡静波
3.基于改进伪中值滤波和非局部均值滤波的红外图像滤波方法 [J], 张倩
4.基于开关型非局部均值滤波的指静脉图像去噪 [J], 杨航; 沈雷; 李凡; 吕葛梁
5.基于GLBP约束的非局部均值滤波指静脉图像去噪 [J], 蒋寒琼;沈雷;何晶;何必锋
因版权原因，仅展示原文概要，查看原文内容请购买。
第50卷第4期2023年北京化工大学学报(自然科学版)Journal of Beijing University of Chemical Technology (Natural Science)Vol.50,No.42023引用格式:王钰,赵明晶,谢晓明,等.基于曲率滤波和视觉显著性的红外小目标检测[J].北京化工大学学报(自然科学版),2023,50(4):75-86.WANG Yu,ZHAO MingJing,XIE XiaoMing,et al.Infrared small target detection based on curvature filtering and visual significance[J].Journal of Beijing University of Chemical Technology (Natural Science),2023,50(4):75-86.基于曲率滤波和视觉显著性的红外小目标检测王 钰1 赵明晶2* 谢晓明1* 李 伟2(1.北京化工大学信息科学与技术学院,北京 100029;2.北京理工大学信息与电子学院,北京 100081)摘 要:红外成像因具有隐蔽性强㊁环境适应能力强和抗干扰能力强等优点,被广泛用于军事和民用领域㊂为了实现对红外小目标的高精度检测,提出了一种基于曲率滤波和视觉显著性相结合的红外小目标检测算法㊂首次将曲率滤波引入红外小目标检测中,对图像中的背景进行估计,然后将背景估计结果与原图像进行差分,使得图像中的大部分背景被显著抑制㊂为了减小残余的部分高强度杂波对目标的正确检测产生影响,利用形态学方法将高强度杂波移除㊂为了进一步提高目标的检测精度,提出了一种局部对比度算法进行杂波抑制及目标增强㊂最后,采用自适应阈值分割方法得到显著的小目标㊂对本文所提算法与其他算法在5个数据集上进行了比较分析,结果表明,本文算法的信杂比(SCR)与背景抑制因子(BSF)远高于其他算法,在检测率和误报率方面也明显优于其他算法㊂关键词:红外小目标;曲率滤波;局部对比度;单帧检测中图分类号:TP751 DOI :10.13543/j.bhxbzr.2023.04.010收稿日期:2022-08-18基金项目:航空科学基金项目(ASFC -20200051072001)第一作者:女,1996年生,硕士生*通信联系人赵明晶,E⁃mail:631240891@ 谢晓明,E⁃mail:xmxie@引 言红外成像因具有隐蔽性强㊁可全天时工作㊁可穿透云雾以及抗电磁干扰能力强等优点,在军事和民用领域得到了广泛应用[1]㊂同时,目标种类的多样性㊁环境的复杂性等对红外目标检测技术提出了更高的要求[2]㊂在实际获取图像的过程中,目标和背景通常会以非常快的速度变化,导致获得的红外图像整体比较模糊㊁缺乏纹理细节信息㊁目标与背景的对比度降低等问题[3],这些问题都给小目标的精确检测增加了难度㊂现有的红外小目标检测算法从单帧和多帧两个方面来解决以上难点㊂单帧检测算法主要利用帧内的信息,对于复杂场景图像中的小目标较难检测,但其检测速度较快,易于通过硬件实现;多帧检测算法需要依赖帧间的信息,而帧间信息的连续性通常受到红外设备和目标快速变化的影响[4],其检测性能会下降㊂近年来,人们对传统的单帧红外小目标检测算法进行了很多相关研究㊂基于空域滤波的检测算法通过对背景估计来检测小目标,例如最大中值和最大均值滤波[5]㊁双边滤波[6]㊁形态学滤波Top -hat 变换[7]等算法㊂经典的Top -hat 变换广泛用于红外目标检测,但是它对噪声很敏感,在处理背景杂乱的图像时会出现大量的虚警,且依赖结构元素的选取㊂为了解决这些问题,Zhao 等[8]提出了一种新的形态特征提取算法(MMP)用于红外小目标检测,该算法能够更好地利用红外图像中的空间信息㊂此外,基于视觉显著性的算法也获得了很好的检测效果㊂Chen 等[9]在人类视觉对比度机制的启发下,提出了一种局部对比度算法(LCM),该算法是基于目标与周围背景的对比度差异来实现目标增强的,但是在实际应用中会出现很高的虚警率㊂为了克服上述缺点,人们提出了很多改进的算法㊂Shi 等[10]提出了高速的多尺度局部对比度算法(HB -MLCM),该算法在检测速度和检测能力方面表现很好;Han 等[11]根据红外图像中噪声的种类,提出了多尺度局部对比度算法(RLCM),该算法对复杂背景下小目标的处理具有较好的鲁棒性;为了避免区域交叠造成的目标漏检,穆靖等[12]提出了三层模板局部差异度量算法(TTLDM),该算法具有很好的实时性并且避免了多尺度运算导致的算法复杂度提高,但此类算法中大多数不能兼顾实时性和检测性能,对背景杂波的抑制也不充分,导致虚警率较高㊂还有一类算法利用红外图像背景的非局部自相关特性和目标的稀疏性,将图像的背景和目标分别视为稀疏矩阵和低秩矩阵进行处理,取得较好的效果[13-14]㊂如Gao 等[13]提出的红外图像块模型(IPI)就是经典的非局部先验算法,该模型对于高度变化的复杂场景具有很好的适应性,但此类算法的复杂度高,实时效果差㊂此外,人们还将一类新的算法应用于红外小目标检测,这种算法通过将红外图像的三维灰度图看成空间曲面,利用目标与背景的空间曲率差异来最小化图像曲率,进而实现对目标的检测㊂例如Zhao 等[15]提出了主曲率函数滤波的检测算法,该算法对于复杂背景下的目标检测效果较好,但此类算法需要计算每个像素的主曲率,其计算复杂度高,且要求图像二次可导,这一假设较难满足㊂为了解决这一问题,Gong 等[16]提出了曲率滤波理论,通过将图像视为局部可展曲面来最小化曲率,目前该算法在图像去噪方面已得到广泛使用,但是还未应用于红外小目标检测㊂针对以上算法中存在的问题,本文提出了一种基于曲率滤波和视觉显著性相结合的红外小目标检测算法㊂首先采用改进的曲率滤波算法和背景差分操作来抑制图像中的大部分背景,然后提出了一种局部对比度算法,以进一步提高目标和背景之间的对比度㊂与其他算法相比,本文提出的算法能够更有效地检测小目标,并且具有较低的误报率㊂1 基于曲率滤波和视觉显著性相结合的红外小目标检测算法1.1 红外图像特性分析在远距离情况下,红外图像容易受到红外设备和复杂天气的影响,形成的图像具有如下特点㊂(1)背景通常分布较为均匀且占据图片中大量的像素,具有一定的连续性,其内部对比度不突出;(2)一般来说,小目标只占据图像的几个或者十几个像素,其大小不确定,需要自适应地检测目标大小㊂此外,由于目标的高速运动和背景的快速变化,形成的小目标可能会模糊,缺乏结构纹理信息,帧间信息也可能不连续㊂受到距离和设备等因素的影响,小目标的灰度通常也不明显,容易被背景杂波所淹没,导致其内部对比度不突出㊂基于以上分析,本文提出了一种将曲率滤波和视觉显著性相结合的红外小目标检测算法㊂该算法的检测流程如图1所示㊂针对红外图像中目标占据的像素很小,大量的背景及变化容易对目标检测结果造成干扰的问题,提出了改进曲率滤波的背景抑制方法㊂采用全变分曲率滤波算法估计图像的整体背景,将得到的背景估计结果与原图进行差分,并用形态学方法进一步处理差分后的残余杂波,以减弱背景对目标的干扰㊂然后,依据人类视觉显著注意力机制的特点,提出了一种局部对比度算法,以进一步提高目标和背景之间的对比度,从而提高目标的检测率㊂最后,采用自适应阈值分割方法进行目标检测㊂图1 本文所提算法的总流程图Fig.1 General flowchart of the proposed algorithm㊃67㊃北京化工大学学报(自然科学版) 2023年1.2 基于改进曲率滤波的背景抑制在红外小目标检测中,由于拍摄距离通常较远,得到的图像中目标呈现出 弱”和 小”的特性㊂背景变化通常也会对目标产生严重干扰,使得目标不易被正确检测㊂因此,首先对背景进行抑制是提高目标检测率的一种重要手段㊂全变分曲率滤波算法[16]能够较好地去除图像中的噪声,因此本文采用全变分曲率滤波算法对红外图像的背景部分进行估计,然后将背景估计结果与原图像进行差分,得到对红外图像中的背景进行初步抑制的结果,这样能够极大地减少背景对目标正确检测的干扰㊂全变分曲率滤波算法以变分模型为理论基础,通过构造的局部滤波器快速求解变分模型㊂与传统的变分模型求解相比,它不需要计算曲率,因此不需要假设图像是可导的㊂该算法将图像视为分段常值可展曲面,采用局部近似图像进行滤波,通过一定次数的迭代使得图像尽可能可展,从而逼近原始图像㊂全变分曲率滤波算法通过构造一个3×3的窗口,计算中心像素R i,j到其邻域内所有切平面的投影距离d i(i=1,2, ,8)㊂d1=R i-1,j-1+R i-1,j+R i,j-1+R i+1,j-1+R i+1,j5-R i,j d2=R i-1,j+R i-1,j+1+R i,j+1+R i+1,j+R i+1,j+15-R i,j d3=R i-1,j-1+R i-1,j+R i-1,j+1+R i,j-1+R i,j+15-R i,j d4=R i+1,j-1+R i+1,j+R i+1,j+1+R i,j-1+R i,j+15-R i,j d5=R i-1,j-1+R i-1,j+R i-1,j+1+R i,j-1+R i+1,j-15-R i,j d6=R i-1,j-1+R i-1,j+R i-1,j+1+R i,j+1+R i+1,j+15-R i,j d7=R i+1,j-1+R i+1,j+R i+1,j+1+R i-1,j-1+R i,j-15-R i,j d8=R i+1,j-1+R i+1,j+R i+1,j+1+R i-1,j+1+R i,j+15-R i,j(1)然后通过选择最小切平面距离来校正中心像素值,其计算式如下㊂Q i,j=R i,j+d ms.t.|d m|=min{|d i|},i=1,2, ,8(2)式中:Q i,j为校正后的中心像素值,d m为找到的最小切平面距离㊂通过式(1)和(2)可以有效地判断中心像素是噪声点还是边缘点:当中心像素是一个噪声点时,它将会被平滑;当中心像素是一个边缘点时,它将不会被平滑㊂当经过一定次数的迭代后,就可以得到背景图像Q㊂因此,可以通过从原始的红外图像中减去背景图像Q来获得背景抑制的结果,将得到的结果记为A,公式如下㊂A i,j=max{I i,j-Q i,j,0}(3)式中:A i,j为背景差分的图像,I i,j为原始红外图像㊂由式(3)易知平滑背景的输出为零,目标区域会被保留,大部分背景区域被显著抑制㊂但是全变分曲率滤波算法在对背景进行估计时会使得图像中的纹理细节信息过于平滑,因此在进行背景差分之后,会留下一些高强度的残余杂波,对目标的正确检测产生影响㊂为此,本文采用5×5的圆盘算子进行先腐蚀后膨胀的形态学操作来进一步减弱这些高强度的残余杂波㊂基于改进曲率滤波的背景抑制过程如图2所示,其中红色方框部分为结果放大的区域,绿色圆框部分为目标区域㊂由图2(b)可以明显看出,经过曲率滤波操作之后,图像中的背景被显著抑制,目标得到明显突出㊂由图2(c)可以看出,经过形态学操作后,高强度的残余杂波得到有效减弱㊂最终得到的图像更适合使用局部对比度算法来增强小目标并抑制背景,也就是说在真正的小目标区域内局部对比度会更突出,而其他区域的局部对比度经过上述操作后会变弱㊂1.3 基于局部对比度的目标增强经典的局部对比度算法依据目标与邻域背景的差异性,将每个目标区域的最大像素点与其周围区域像素点的均值比作为目标区域的增强因子,这样极易增强图像中原本存在的噪声,造成大量虚警,并且由于需要逐像素运算,计算成本较高,实时性也会受到影响㊂因此,本文提出了一种改进的局部对比度算法,通过差值局部对比描述和多尺度运算结果融合来增强目标及扩大局部差异㊂从图2(c)中可以看出,在经过改进曲率滤波操作后,大部分背景和高强度残余杂波得到抑制㊂为了提高目标检测率㊁降低虚警率,进一步提升目标和背景之间的对比度是至关重要的㊂因此,本文提出了一种增强局部差的方法,所使用的窗口模型如图3所示,模型分为内外两个区域,内部为目标区域T,外部为其邻域背景区域B㊂采用小目标与其邻域背景的灰度均值之差d来㊃77㊃第4期 王 钰等:基于曲率滤波和视觉显著性的红外小目标检测图2 基于改进曲率滤波的背景抑制Fig.2 Background suppression based on improvedcurvature filtering图3 窗口模型Fig.3 Window model 描述局部对比度(式(4))㊂d =m T -m B(4)m T =1N T∑N Ti =1v i (5)m B =1N B∑N Bj =1v j (6)式中:m T 为目标区域的灰度均值,m B 为背景区域的灰度均值,N T 为目标区域的像素数,N B 为背景区域的像素数,v i 为目标区域第i 个像素的灰度值,v j 为背景区域第j 个像素的灰度值㊂在实际应用中,红外小目标的大小通常是不断变化的,当小目标进入红外搜索和跟踪系统时,随着距离的改变,其大小变化范围一般在2×2和12×12像素之间[17],因此需要选取不同窗口大小的目标区域来估计真实的红外小目标㊂L k =m k T -m kB ,k =1,2,3,4(7)式中:k 为当前选取的第k 个目标尺度,m k T 和m kB 分别为当前尺度下目标区域和背景区域的像素均值,L k 为当前选取的第k 个目标尺度的局部对比度㊂将得到的不同尺度的局部对比图进行Had⁃amard 乘积后,可以获得显著的小目标㊂为了进一步增强红外小目标与背景的差异,对获得的显著目标结果进行平方,计算如下㊂S =(L 1 L 2 L 3 L 4)2(8)式中:S 为最终获得的局部对比度图㊂从以上定义中可以看出,当目前像素属于背景像素时,有L k ≈0和S ≈0,当目前像素属于目标像素时,有L k >0和S ≫0㊂因此,使用Hadamard 乘积能够进一步扩大目标和背景之间的对比度,从而达到使亮度较大的目标更亮,亮度较小的目标更暗的目的㊂本文将小目标的区域大小分别设置为3×3㊁5×5㊁7×7和9×9,背景区域大小设为固定尺寸15×15,这样有利于提高检测速度㊂1.4 自适应阈值分割经过以上处理之后得到最终的小目标显著图,为了使得到的小目标更加直观,采用一种阈值分割方法[18]分离目标㊂Thr =μ+λ×σ(9)式中:Thr 为阈值分割后的结果图;μ为背景均值;σ为背景标准差;λ的取值根据最佳的图像分割效果来确定,对于不同的算法和数据集而言,λ的取值差异较大,其取值范围一般在10~90之间㊂2 算法验证为了验证本文所提算法的有效性,将本文算法与IPI 算法[13]㊁LCM 算法[9]㊁RLCM 算法[11]㊁Top -hat 算法[7]㊁HB -MLCM 算法[10]和TTLDM 算法[12]进行对㊃87㊃北京化工大学学报(自然科学版) 2023年比分析㊂选取5组不同场景下的红外图像(见表1)进行测试,测试环境在MATLAB R2021a 中编译㊂表1 选取的红外图像数据集Table 1 Selected infrared image datasets数据集帧数像素背景描述Dataset130256×200较强云杂波空天场景Dataset280450×400目标淹没在较强云杂波空天场景Dataset3100300×256目标淹没在较弱云杂波空天场景Dataset440256×200较弱云杂波空天场景Dataset540300×300低空多建筑场景2.1 评价指标为了评价不同红外小目标检测算法的背景抑制和目标增强效果,采用信杂比(SCR)㊁信杂比增益(SCRG)㊁背景抑制因子(BSF)作为评价指标,其计算式如下㊂R SCR=|μt -μb |σb (10)G SCRG=SCR out SCR in (11)F BSF =C in C out(12)式中:R SCR 为信杂比,G SCRG 为信杂比增益,F BSF 为背景抑制因子,μt 为目标的平均像素大小,μb 为目标周围区域的像素值大小,σb 为目标周围的像素值标准差,SCR in 为输入图像的信杂比,SCR out 为输出图像的信杂比,C in 和C out 分别为原图像和经过处理后的输出图像的标准差㊂SCR 值越大,小目标越容易被检测到;SCRG 反映了目标的输入输出相对于背景的增强程度,也可以用来描述小目标检测的难度,SCRG 值越大,目标的增强程度越大;BSF 反映了背景的抑制效果,BSF 值越大,抑制效果越好㊂对于检测结果,通常利用检测率(P d )和虚警率(F a )来评价目标的检测精度,其计算式如下㊂P d =N trueN actual×100%(13)F a =N falseN total×100%(14)式中:N true 为检测到的真实目标数,N actual 为总的真实目标数,N false 为检测到的虚假目标数,N total 为检测到的所有目标数㊂当以下条件都符合时,认为检测到的小目标是正确的[19]:(1)检测到的目标和真实目标的中心像素之差小于5个像素;(2)真实目标和检测到的目标的像素有重叠㊂2.2 参数选择2.2.1 迭代次数在实验过程中发现,全变分曲率滤波的迭代次数会对算法的检测性能造成一定影响㊂本文比较了不同迭代次数下所提算法的性能,结果见表2㊂可以看出,当迭代次数为10次时在Dataset5中出现了虚警,当迭代次数为20次时算法性能达到了最佳,当迭代次数继续增加时算法性能并未出现变化,但检测效率下降㊂因此,最终选择20次为全变分曲率滤波的迭代次数㊂表2 迭代次数对所提算法性能的影响Table 2 Effect of the number of iterations on theperformance of the proposed algorithm迭代次数Dataset1Dataset2Dataset3Dataset4Dataset5P d /%F a /%P d /%F a /%P d /%F a /%P d /%F a /%P d /%F a /%1010001000100010001004.762010001000100010001000301000100010001000100050100010001000100010001001001000100010001002.2.2 目标尺度表3为不同目标尺度对本文算法的SCR㊁SCRG 和BSF 的影响㊂可以看出,当选用的目标尺度大小表3 本文算法在不同目标尺度下的SCR㊁SCRG 和BSF 平均值Table 3 Average values of SCR,SCRG and BSF of the proposed algorithm for different target scales目标尺度Dataset1Dataset2Dataset3Dataset4Dataset5SCRSCRGBSFSCRSCRGBSFSCRSCRGBSFSCRSCRG BSFSCRSCRGBSF3×3㊁5×5154.2866.3969.29269.23179.33458.93287.63394.00123.2845.427.7862.57347.3046.2396.903×3㊁5×5㊁7×7163.4667.5772.49262.02174.38462.02287.17401.06125.6344.217.5671.16316.5442.60134.923×3㊁5×5㊁7×7㊁9×9175.5771.7575.10260.77173.71463.07291.05406.34126.0450.758.7371.19348.4746.38365.97 粗体数字代表最优结果㊂㊃97㊃第4期 王 钰等:基于曲率滤波和视觉显著性的红外小目标检测为3×3和5×5时,数据集2的SCR 和SCRG 值大于其他目标尺度的融合结果;当目标尺度大小为3×3㊁5×5㊁7×7和9×9时,数据集1㊁3㊁4㊁5的SCR㊁SCRG 和BSF 值均大于其他目标尺度的融合结果㊂因此,选用3×3㊁5×5㊁7×7和9×9的目标尺度大小进行目标结果融合会对本文算法产生较好的效果㊂2.3 结果分析2.3.1 定性分析为了直观地比较不同算法的检测效果,从5个数据集中分别选取1张示例图片来展示检测结果及相应的三维灰度图,结果如图4~8所示㊂其中,三维灰度图的x 轴㊁y 轴分别表示图像像素的横坐标和纵坐标,z 轴表示图像的像素值,图像中的小目标由红框框出㊂可以看出,对于示例图片1~4,LCM㊁RLCM 和Top -hat 算法的处理结果中均含有大量的背景杂波和噪声,而IPI 和HB -MLCM 算法的检测结果较好,仅存在少量的背景杂波和噪声㊂对于示例图片5,以上5种算法表现均不佳,均含有大量的背景杂波和噪声㊂TTLDM 算法对示例图片1㊁2和4的检测效果不佳,其结果中含有大量的背景杂波和噪声㊂而本文所提算法的检测结果在各个示例图片中均没有背景杂波,目标的亮度能够被很好地提高,表现出较好的检测性能㊂图4 不同算法对示例图片1的检测结果Fig.4 Detection results of different algorithms for example picture 12.3.2 定量分析表4为不同算法的SCR㊁SCRG 和BSF 值㊂可以看出,LCM㊁RLCM㊁Top -hat 算法的SCR㊁SCRG㊁BSF 值均较低,IPI㊁HB -MLCM 和TTLDM 算法在不同数据集中的SCR㊁SCRG 和BSF 值仅次于本文的算法,但与本文算法的差距很大,本文所提算法的结果最优㊂表5为不同算法的检测率和虚警率㊂可以看㊃08㊃北京化工大学学报(自然科学版) 2023年图5 不同算法对示例图片2的检测结果Fig.5 Detection results of different algorithms for example picture 2表4 不同算法的SCR㊁SCRG 和BSF 平均值Table 4 Average values of SCR,SCRG and BSF for different algorithms算法Dataset1Dataset2Dataset3Dataset4Dataset5SCRSCRG BSFSCRSCRGBSFSCRSCRG BSFSCRSCRG BSFSCRSCRG BSFIPI141.2651.2822.3526.9016.41216.04136.37207.2342.0122.613.9524.69111.5115.3811.83LCM3.511.290.704.062.671.035.528.720.894.020.751.136.180.820.98RLCM6.482.482.107.594.8818.499.4112.793.374.320.816.6211.841.5816.54Top -hat16.015.631.8711.257.1020.807.348.372.1116.822.996.1617.752.414.53HB -MLCM 59.8021.5620.0061.8940.38290.3768.5187.3549.7830.575.3747.1449.556.637.23TTLDM42.8313.2616.8348.8131.1962.05219.09254.7861.8121.813.8422.4697.9413.5761.64本文算法175.5771.7575.10260.77173.71463.07291.05406.34126.0450.758.7371.19348.4746.38365.97 粗体数字代表最优结果,下划线数字代表次优结果㊂出:在检测率为100%的情况下LCM 算法的表现最差,在不同的示例图片上均有不同程度的虚警率;IPI㊁RLCM㊁Top -hat 和TTLDM 算法在处理数据集时均有误检的情况;HB -MLCM 算法在处理数据集1~㊃18㊃第4期 王 钰等:基于曲率滤波和视觉显著性的红外小目标检测图6 不同算法对示例图片3的检测结果Fig.6 Detection results of different algorithms for example picture 3表5 不同算法的检测率和虚警率Table 5 Detection rates and false alarm rates of different algorithms算法Dataset1Dataset2Dataset3Dataset4Dataset5P d /%F a /%P d /%F a /%P d /%F a /%P d /%F a /%P d /%F a /%IPI1000701.75100097.5010088.06LCM10028.5710052.11000.991004.7610088.44RLCM10056.5210011.111006.981006.981000Top -hat10030.2310032.21000.99100010080.6HB -MLCM 100010001000100010097.88TTLDM 1006.2591.2558.87100010001000本文算法100010001000100010004时检测率很高,表现出很好的检测性能,但在处理数据集5时出现了大量虚警;TTLDM 算法可以较好地处理示例图片3~5,但在处理示例图片1和2时均有误检的情况;本文所提出的算法可以在保证检测率为100%的情况下同时保持较低的虚警率,其结果均优于其他算法㊂㊃28㊃北京化工大学学报(自然科学版) 2023年图7 不同算法对示例图片4的检测结果Fig.7 Detection results of different algorithms for example picture4表6为采用不同算法处理数据集的单帧平均运行时间㊂对每个数据集分别进行实验,取数据集总时间的平均值作为单帧的运行时间㊂可以看出,IPI 和RLCM的运行速度较慢,LCM㊁HB-MLCM㊁Top-hat㊁TTLDM和本文算法的运行速度较快㊂ 以上结果表明,LCM㊁RLCM和Top-hat算法对背景的抑制能力较差,目标增强的效果也不如其他算法;IPI算法容易造成目标漏检,使得检测率下降,且该算法的实时性较差;HB-MLCM算法在处理数据集5时BSF值很小,对具有强边缘背景的图像(如示例图片5)的抑制能力较差,并且SCR㊁SCRG 和BSF值远小于本文提出的算法;从检测率和虚警率来看,TTLDM算法对于目标被背景淹没的图像(如示例图片1和2)的检测能力较差,容易造成大量虚警,该算法适合检测目标与背景有明显差异的图像,此外,TTLDM算法的SCR㊁SCRG和BSF 表6 不同算法的单帧平均运行时间Table6 Average running time of single frame fordifferent algorithms算法单帧平均运行时间/sDataset1Dataset2Dataset3Dataset4Dataset5 IPI5.43153.9511.204.6722.96 LCM0.460.550.520.460.49 RLCM2.766.253.932.774.20 Top-hat0.470.470.470.420.44 HB-MLCM0.480.500.490.460.47 TTLDM0.430.500.500.430.40本文算法0.471.740.520.490.53值与本文提出的算法存在较大差异,虽然TTLDM算法具有较高的实时性,但其检测结果不太理想㊂因此,与其他算法相比,本文算法的综合检测性能最优㊂㊃38㊃第4期 王 钰等:基于曲率滤波和视觉显著性的红外小目标检测图8 不同算法对示例图片5的检测结果Fig.8 Detection results of different algorithms for example picture53 结论本文提出了一种将曲率滤波和视觉显著性相结合的红外小目标检测算法㊂首次将曲率滤波引入红外小目标检测中,通过背景差分操作来实现对背景的显著抑制,并采用形态学方法将残留的部分高强度噪声移除㊂为了加强目标与背景间的差异,采用目标区域与邻域背景间的灰度均值差来描述这种差异,然后将多尺度运算结果进行Hadamard乘积,使目标得到显著增强,背景得到显著抑制㊂最后,采用自适应阈值分割方法提取到显著的小目标㊂相较于其他算法,本文所提的算法不仅具有较快的检测速率,而且在检测精度上也有明显的提升㊂参考文献:[1] 刘征,杨德振,李江勇,等.红外单帧弱小目标检测算法研究综述[J].激光与红外,2022,52(2):154-162.LIU Z,YANG D Z,LI J Y,et al.A review of infraredsingle⁃frame dim small target detection algorithms[J].Laser&Infrared,2022,52(2):154-162.(in Chi⁃nese)[2] 范晋祥,杨建宇.红外成像探测技术发展趋势分析[J].红外与激光工程,2012,41(12):3145-3153.FAN J X,YANG J Y.Development trends of infrared im⁃aging detecting technology[J].Infrared and Laser Engi⁃neering,2012,41(12):3145-3153.(in Chinese) [3] ZHANG H,ZHANG L,YUAN D,et al.Infrared smalltarget detection based on local intensity and gradient㊃48㊃北京化工大学学报(自然科学版) 2023年properties[J].Infrared Physics&Technology,2018,89:88-96.[4] ZHAO M J,LI W,LI L,et al.Single⁃frame infraredsmall⁃target detection:a survey[J].IEEE Geoscienceand Remote Sensing Magazine,2022,10(2):87-119.[5] DESHPANDE S D,ER M H,RONDA V,et al.Max⁃mean and max⁃median filters for detection of small targets[C]//Proceedings of SPIE,Signal and Data Processingof Small Targets.Denver,1999:74-83. [6] TOMASI C,MANDUCHI R.Bilateral filtering for grayand color images[C]//Proceedings of Sixth IEEE Inter⁃national Conference on Computer Vision.Bombay,1998:839-846.[7] BAI X Z,ZHOU F G.Analysis of new top⁃hat transforma⁃tion and the application for infrared dim small target detec⁃tion[J].Pattern Recognition,2010,43(6):2145-2156.[8] ZHAO M J,LI L,LI W,et al.Infrared small⁃target de⁃tection based on multiple morphological profiles[J].IEEE Transactions on Geoscience and Remote Sensing,2021,59(7):6077-6091.[9] CHEN C L P,LI H,WEI Y T,et al.A local contrastmethod for small infrared target detection[J].IEEETransactions on Geoscience and Remote Sensing,2014,52(1):574-581.[10]SHI Y F,WEI Y T,YAO H,et al.High⁃boost⁃basedmultiscale local contrast measure for infrared small targetdetection[J].IEEE Geoscience and Remote Sensing Let⁃ters,2018,15(1):33-37.[11]HAN J H,LIANG K,ZHOU B,et al.Infrared small tar⁃get detection utilizing the multiscale relative local contrastmeasure[J].IEEE Geoscience and Remote Sensing Let⁃ters,2018,15(4):612-616.[12]穆靖,李伟华,饶俊民,等.采用三层模板局部差异度量的红外弱小目标检测[J].光学精密工程,2022,30(7):869-882.MU J,LI W H,RAO J M,et al.Infrared small targetdetection using tri⁃layer template local difference measure[J].Optics and Precision Engineering,2022,30(7):869-882.(in Chinese)[13]GAO C Q,MENG D Y,YANG Y,et al.Infrared patch⁃image model for small target detection in a single image[J].IEEE Transactions on Image Processing,2013,22(12):4996-5009.[14]ZHAO M J,LI W,LI L,et al.Infrared small⁃target de⁃tection based on three⁃order tensor creation and tucker de⁃composition[C]//Proceedings of the2021IEEE Interna⁃tional Geoscience and Remote Sensing Symposium.Brus⁃sels,2021:3129-3132.[15]ZHAO Y,PAN H B,DU C P,et al.Principal curvaturefor infrared small target detection[J].Infrared Physics&Technology,2015,69:36-43.[16]GONG Y H,SBALZARINI I F.Curvature filters effi⁃ciently reduce certain variational energies[J].IEEETransactions on Image Processing,2017,26(4):1786-1798.[17]KIM S,LEE J.Scale invariant small target detection byoptimizing signal⁃to⁃clutter ratio in heterogeneous back⁃ground for infrared search and track[J].Pattern Recog⁃nition,2012,45(1):393-406.[18]汪奎伟.红外小目标的检测与跟踪[D].大连:大连理工大学,2013.WANG K W.Infrared small target detection and tracking[D].Dalian:Dalian University of Technology,2013.(in Chinese)[19]LI W,ZHAO M J,DENG X Y,et al.Infrared small tar⁃get detection using local and nonlocal spatial information[J].IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing,2019,12(9):3677-3689.㊃58㊃第4期 王 钰等:基于曲率滤波和视觉显著性的红外小目标检测。
基于非下采样剪切波变换与引导滤波结合的遥感图像增强吕笃良;贾振红;杨杰;Nikola KASABOV【摘要】针对遥感图像中对比度低、细节信息缺失和边缘梯度保持能力较弱等问题,提出了一种基于非下采样剪切波变换(NSST)与引导滤波相结合的遥感图像增强算法.首先,原始图像通过NSST被分解成低频子带和高频子带两部分.然后,对低频子带进行线性增强,提高整体对比度;采用自适应阈值法抑制高频子带的噪声,再对去噪后的高频子带进行引导滤波增强,提高图像的细节信息和边缘梯度保持能力.最后,对两部分子带进行NSST反变换,得到增强后的图像.实验结果表明,与直方图均衡、基于Contourlet变换和模糊理论的图像增强算法、基于非下采样Contourlet变换与反锐化掩膜结合的遥感图像增强算法以及基于非下采样Shearlet变换与参数化对数图像处理相结合的遥感图像增强算法相比,该算法的图像信息熵、峰值信噪比(PSNR)和结构相似性(SSIM)都有一定的提升,能明显地改善图像视觉效果,使得图像纹理更加清晰.【期刊名称】《计算机应用》【年(卷),期】2016(036)010【总页数】5页(P2880-2884)【关键词】遥感图像;图像增强;非下采样Shearlet变换;自适应阈值去噪;引导滤波【作者】吕笃良;贾振红;杨杰;Nikola KASABOV【作者单位】新疆大学信息科学与工程学院,乌鲁木齐830046;新疆大学信息科学与工程学院,乌鲁木齐830046;上海交通大学图像处理与模式识别研究所,上海200240;奥克兰理工大学知识工程与发现研究所,新西兰奥克兰1020【正文语种】中文【中图分类】TP751;TP391.41遥感图像是一种记录地貌特征及地物信息的特殊图像,在农业、林业、地质、海洋、气象、水文、军事、环保等领域得到广泛的应用[1]。
由于遥感图像在接收、传输过程中,容易受到传感器、天气、噪声以及其他因素的影响,遥感图像存在视觉效果较差、图像不清晰、细节丢失等问题，因此对遥感图像进行其他处理和应用研究之前,必须先进行增强预处理。
一种基于高通滤波的背景抑制方法
夏爱利;马彩文;张砺佳
【期刊名称】《科学技术与工程》
【年(卷),期】2007(007)012
【摘要】将复杂背景下的小目标检测问题看作是在大量相似模式中寻找某个特殊模式的模式识别问题,用该方法对图像进行多级高通滤波处理可进一步改善处理效果.实验结果表明,该方法能有效抑制背景杂波,提高对目标的单帧检测能力.
【总页数】3页(P2978-2980)
【作者】夏爱利;马彩文;张砺佳
【作者单位】中国科学院研究生院,北京,100039;中国科学院西安光学精密机械研究所,西安,710068;中国科学院西安光学精密机械研究所,西安,710068;中国科学院研究生院,北京,100039;中国科学院西安光学精密机械研究所,西安,710068
【正文语种】中文
【中图分类】TN919.8
【相关文献】
1.一种基于稀疏化核方法的红外强杂波背景抑制算法 [J], 朱斌;樊祥;程正东;王迪;方义强;陈晓斯
2.一种基于高通滤波评价函数的自动对焦方法 [J], 王子维;戎蒙恬;刘文江;李萍
3.基于高通滤波及LBP主成分特征的一种掌纹识别方法 [J], 张亚莉;李云峰;陈红涛
4.一种基于背景抑制的星空图像增强方法 [J], 陈洪;张延鑫;朱祥玲;王学梅;戚文香
5.一种基于高通滤波的主成分分析影像融合方法 [J], 汤耶磊;刘荣;王鸿燕
因版权原因，仅展示原文概要，查看原文内容请购买。
复杂背景下运动点目标的检测算法
复杂背景下运动点目标的检测算法
在复杂背景红外序列图像中,运动点目标的检测一直是研究的重点和难点.介绍了一种新的复杂背景下运动点目标的检测算法.首先
根据点目标、背景干扰和噪声在红外图像中的差异,运用窗口大小不同的.均值滤波器进行背景抑制以提高图像的信噪比,然后用一种门
限法得到新的分割序列图像,最后采用改进后的隔帧差分光流场算法可有效地检测出点目标.仿真实验表明该算法优于传统光流场算法,
能够检测帧间位移小于一个像元的运动目标,具有较好的检测性能,
且实时性强.
李承芳,史丽娜,LICheng-fang,SHILi-na(武汉大学,物理科学与技术学院,武汉,430072)
孙哓玮,SUNXiao-wei(中国科学院,上海微系统与信息技术研究所,上海,200050)。
基于方向增强邻域窗和非下采样Shearlet描述子的非局部均值图像去噪张小华;陈佳伟;孟红云;焦李成;孙翔【期刊名称】《电子与信息学报》【年(卷),期】2011(033)011【摘要】非局部均值(Non-Local Means,NLM)是一种有效的图像去噪方法.然而它仅关注图像的几何结构信息而忽略了图像表面模型和方向信息,其相似性度量鲁棒性差.针对这些缺点,该文首先提出了一种基于非下采样的Shearlet 的描述子(NSSD),它能更好地描述图像块的特征,基于此构造的相似性度量具有较强的鲁棒性.本文基于此描述子与非局部计算模型提出了一种更加有效的非局部均值去噪算法(SNLM).其次,针对明显包含纹理和方向的图像块,提出了一种方向增强邻域窗,使得邻域窗内主导方向像素点在相似度计算中权重增加.实验结果证明,新方法在自然图像去噪中优于传统的NLM 算法.特别地,对于纹理图像去噪,基于方向增强邻域窗的算法,能够在去除噪声的同时很好地保留纹理边缘等细节信息.%In order to improve recovery accuracy of the greedy algorithms, Bayesian hypothesis Testing Match Pursuit (BTMP) algorithm is proposed. Firstly, this algorithm presents a Bayesian hypothesis testing model which is used to identify the indexes of nonzero elements of sparse signal in the noisy case. Secondly, the output index-set of pursuit algorithm is used as the candidate set of this mode, and then every element of the set is tested to eliminate redundant indexes. Finally, the evaluation of sparse signal is reconstructed from the eliminated indexes set by least-squares algorithm. Simulatedresults show that in the same conditions, BTMP algorithm has no redundant indexes, and shows better anti-jamming ability and recovery accuracy than those of the traditional greedy algorithms.【总页数】6页(P2634-2639)【作者】张小华;陈佳伟;孟红云;焦李成;孙翔【作者单位】西安电子科技大学智能感知与图像理解教育部重点实验室,西安,710071;西安电子科技大学智能感知与图像理解教育部重点实验室,西安,710071;西安电子科技大学应用数学系,西安,710071;西安电子科技大学智能感知与图像理解教育部重点实验室,西安,710071;西安电子科技大学智能感知与图像理解教育部重点实验室,西安,710071【正文语种】中文【中图分类】TN911.73【相关文献】1.基于非下采样Shearlet和方向权值邻域窗的非局部均值SAR图像相干斑抑制[J], 张小华;陈佳伟;孟红云;焦李成;孙翔2.基于非下采样Shearlet变换与模糊对比度的合成孔径雷达图像增强 [J], 郭庆荣;贾振红;杨杰;Nikola KASABOV3.基于椭圆方向窗的非下采样 Contourlet域图像去噪算法 [J], 金彩虹4.基于改进邻域收缩法的非下采样Contourlet变换域红外图像去噪 [J], 齐乃新;曹立佳;杨小冈;陈世伟5.基于Cauchy分布的非下采样Shearlet HMT模型及其图像去噪应用 [J], 王相海;朱毅欢;吕芳;苏欣;宋传鸣因版权原因，仅展示原文概要，查看原文内容请购买。
《复杂背景条件下的红外小目标检测与跟踪算法研究》篇一一、引言随着红外技术的不断发展，红外小目标检测与跟踪技术在军事、安防、交通等领域的应用越来越广泛。
然而，由于复杂背景条件的干扰，红外小目标的检测与跟踪仍然是一个具有挑战性的问题。
本文旨在研究复杂背景条件下的红外小目标检测与跟踪算法，以提高红外小目标的检测精度和跟踪稳定性。
二、红外小目标检测算法研究2.1 背景抑制技术在复杂背景条件下，背景噪声对红外小目标的检测造成了很大的干扰。
因此，需要采用有效的背景抑制技术来降低背景噪声的影响。
常用的背景抑制技术包括帧间差分法、高斯滤波法等。
这些方法可以有效地消除静态背景和动态干扰，突出小目标。
2.2 目标提取与分割在背景抑制的基础上，需要采用合适的方法提取和分割红外小目标。
常用的方法包括阈值分割法、区域生长法等。
这些方法可以根据目标的灰度、纹理等特征进行提取和分割，得到较为准确的目标轮廓。
2.3 算法优化与改进针对复杂背景条件下的红外小目标检测问题，还需要对现有算法进行优化和改进。
例如，可以采用多尺度滤波器、多特征融合等方法提高算法的鲁棒性和准确性。
此外，还可以通过引入机器学习和深度学习等方法，进一步提高算法的智能化程度。
三、红外小目标跟踪算法研究3.1 基于特征匹配的跟踪算法基于特征匹配的跟踪算法是红外小目标跟踪的常用方法之一。
该方法通过提取目标的特征信息，在后续帧中寻找与目标特征相似的区域作为跟踪目标。
常用的特征包括颜色、纹理、形状等。
3.2 基于模型驱动的跟踪算法基于模型驱动的跟踪算法通过建立目标的数学模型，根据目标的运动规律进行跟踪。
该方法可以有效地处理目标的形变和旋转等问题，提高跟踪的稳定性。
常用的模型包括几何模型、物理模型等。
3.3 算法融合与优化为了进一步提高红外小目标的跟踪精度和稳定性，可以将多种跟踪算法进行融合和优化。
例如，可以将基于特征匹配的跟踪算法和基于模型驱动的跟踪算法进行融合，充分发挥各自的优势。
