摘要: 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。
摘要: 在实际场景中随着红外探测距离的缩小,红外弱小目标的尺寸等会动态增长,常用的红外弱小目标检测跟踪算法便无法继续稳定检测与跟踪。为解决上述问题,本文提出了一种自适应红外目标尺寸变化的检测跟踪方法,借助低阈值信噪比实现弱小目标的初筛,并通过自适应尺寸分割避免大目标漏检误检,构建备选目标库,最后配合使用卡尔曼算法模型预测运动轨迹,完成小范围波门检测,实现目标跟踪。与传统DBT(Detection Before Track)跟踪检测算法相比,本文算法可同时兼顾弱小目标和大尺寸目标的检测跟踪,在所选目标尺寸动态增长的场景中,本文算法的检测跟踪率提升了约10%。
摘要: 为了减少高光谱图像的训练样本,同时得到更好的分类结果,本文提出了一种基于密集连接网络和空谱变换器的双支路深度网络模型。该模型包含两个支路并行提取图像的空谱特征。首先,两支路分别使用3D和2D卷积对子图像的空间信息和光谱信息进行初步提取,然后经过由批归一化、Mish函数和3D卷积组成的密集连接网络进行深度特征提取。接着两支路分别使用光谱变换器和空间变换器以进一步增强网络提取特征的能力。最后两支路的输出特征图进行融合并得到最终的分类结果。模型在Indian Pines、University of Pavia、Salinas Valley和Kennedy Space Center数据集上进行了测试,并与6种现有方法进行了对比。结果表明,在Indian Pines数据集的训练集比例为3%,其他数据集的训练集比例为0.5%的条件下,算法的总体分类精度分别为95.75%、96.75%、95.63%和98.01%,总体性能优于比较的方法。