陕西省自然科学基金(2011JQ8012)
- 作品数：5 被引量：44H指数：4
- 相关作者：秦翰林周慧鑫钱琨延翔赵东更多>>
- 相关机构：西安电子科技大学上海卫星工程研究所陕西师范大学更多>>
- 发文基金：中央高校基本科研业务费专项资金陕西省自然科学基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术电子电信更多>>
- 基于改进的剪切波变换和引导滤波的红外弱小目标背景抑制方法被引量：14
- 2015年
- 由于传统的背景抑制方法没有充分利用信号的方向信息,使其不能有效区分背景边缘和红外弱小目标,从而造成背景抑制结果中有较多的背景泄露.针对上述问题,本文利用改进的剪切波变换和引导滤波,提出了一种新的背景抑制方法.首先,采用改进的剪切波变换对红外弱小目标图像进行多尺度和多方向分解,将图像分解得到不同的高频子带系数和低频子带系数;其次,利用目标信号与边缘在方向上的差异,采用自适应引导滤波对高频子带系数进行处理;再次,对分解后的低频子带系数和处理后的高频子带系数进行改进的剪切波逆变换,得到预测的背景图像;最后,将原图像与背景预测图像相减获得背景抑制且目标增强的红外图像.为了验证本文方法的有效性,采用多组实验对其进行验证,并与经典的Max-Median、TDLMS和Top-hat等方法作比较.多组实验结果均表明本文方法在主观视觉和客观评价指标方面均优于其它三种经典方法,可有效提高红外搜索跟踪系统对红外弱小目标的探测概率.
- 荣生辉刘刚周慧鑫秦翰林钱琨延翔赵东
- 关键词：红外弱小目标目标检测剪切波
- 基于引导滤波与时空上下文的红外弱小目标跟踪被引量：4
- 2015年
- 由于传统的跟踪算法没有充分利用目标与其局部背景的时空相关性,使其不能有效地区分背景边缘和红外弱小目标,从而在跟踪过程中产生偏移现象.针对这一问题,本文在时空上下文学习跟踪的原理基础上,分析了跟踪偏移的原因,并引入图像引导滤波方法,提出了一种引导滤波结合时空上下文的红外弱小目标跟踪算法.该算法首先采用引导滤波对上下文区域进行处理,在保留上下文区域云层边缘的同时剔除目标及噪声,再将其与滤波结果作差.最后利用小目标的"置信图"检测出目标.为了验证该方法的有效性,采用五组红外小目标序列图像进行实验,并与经典时空滤波、改进的模板匹配和移动管道滤波等方法作比较.实验结果表明本文提出的方法在主观视觉和客观评价指标方面均优于其它三种经典方法,且具有更高的目标跟踪精度与较好的实时性.
- 钱琨周慧鑫秦翰林殷世民荣生辉赵东
- 关键词：目标跟踪红外图像处理弱小目标图像滤波贝叶斯分类傅里叶变换
- 基于非局部均值滤波与时域高通滤波的非均匀性校正算法被引量：14
- 2014年
- 时域高通滤波非均匀性校正是一种典型的基于场景的红外焦平面阵列非均匀性校正算法,但其易产生"鬼影"现象,影响校正效果.本文在时域高通滤波校正算法的原理基础上,分析了其校正过程中"鬼影"现象产生的原因,即由于全部图像信息的叠加而导致静止场景被滤除且运动场景会在当前位置留下反转的图像,从而形成"鬼影".引入非局部均值滤波方法,提出了一种去"鬼影"的非局部均值滤波-时域高通滤波非均匀性校正方法.该方法首先采用非局部均值滤波将图像信息分离成高低频两部分(其中高频成分含有大部分噪音及非均匀性),并使用高频成分进行时域高通滤波算法中低通输出的递归运算,使得低通滤波后的图像含有较少的场景信息,从而可使校正输出图像含有较少的"鬼影"现象.采用两组真实红外序列图像进行验证,结果表明该算法不仅能获得较好的非均匀性校正效果,而且能较好地抑制时域高通滤波算法中的"鬼影"现象.
- 张爽周慧鑫牛肖雪秦翰林钱琨
- 关键词：红外焦平面阵列非均匀性校正鬼影
- 基于Shape Context和尺度不变特征变换的多模图像自动配准方法
- 2011年
- 提出了基于修正的尺度不变特征变换(SIFT)特征提取和Shape Context特征描述算子相结合的多模图像自动配准算法,该算法利用修正的SIFT算法提取多模图像中的特征点,然后采用Shape Context算子描述特征点,利用特征点周围区域边缘点的梯度方向形成特征向量。采用欧氏距离作为匹配标准对多模图像中特征点进行初始匹配,然后通过RANSAC算法消除误匹配的特征点对,并采用最小二乘法计算仿射变换参数,最后通过仿射变换和双线性插值实现图像配准。对红外图像和可见光图像的配准实验结果表明了本算法的有效性和稳定性。
- 王炳健卢刚黄洋李庆秦翰林
- 关键词：多模图像配准尺度不变特征变换RANSAC算法
- 基于Tetrolet变换的图像融合被引量：12
- 2013年
- Tetrolet变换与目前广为采用的小波变换相比,在处理高维信号时具有更好的方向性,能够精确地表达图像的结构及纹理特征。本文将Tetrolet变换用于不同频谱图像的融合,以期获取更大的信息量。首先,将待融合的图像分别进行Tetrolet变换,得到不同尺度的高通和低通子带。然后,对低通子带采用基于局部区域梯度信息的融合方法得到低通融合系数,而对高通子带采用基于邻域方差加权的融合方法得到高通融合系数;最后,通过重构得到融合图像。采用多种图像进行了融合实验,其结果均表明,经Tetrolet变换获取的融合图像特征更为丰富、信息量更大,融合图像的信息熵和标准差都优于目前广为采用的小波变换和PCA变换图像融合算法;本文方法可有效地提高ATR系统和视觉对目标的识别探测概率和降低虚警率。
- 延翔秦翰林刘上乾杨廷梧杨智杰薛灵芝
- 关键词：图像融合梯度信息
