留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多尺度自适应稀疏字典的小弱目标检测方法

王会改 李正周 顾园山 唐岚 王臻 金钢

王会改, 李正周, 顾园山, 唐岚, 王臻, 金钢. 基于多尺度自适应稀疏字典的小弱目标检测方法[J]. 红外与激光工程, 2014, 43(7): 2371-2378.
引用本文: 王会改, 李正周, 顾园山, 唐岚, 王臻, 金钢. 基于多尺度自适应稀疏字典的小弱目标检测方法[J]. 红外与激光工程, 2014, 43(7): 2371-2378.
Wang Huigai, Li Zhengzhou, Gu Yuanshan, Tang Lan, Wang Zhen, Jin Gang. Dim target detection method based on multi-scale adaptive sparse dictionary[J]. Infrared and Laser Engineering, 2014, 43(7): 2371-2378.
Citation: Wang Huigai, Li Zhengzhou, Gu Yuanshan, Tang Lan, Wang Zhen, Jin Gang. Dim target detection method based on multi-scale adaptive sparse dictionary[J]. Infrared and Laser Engineering, 2014, 43(7): 2371-2378.

基于多尺度自适应稀疏字典的小弱目标检测方法

基金项目: 

国家自然科学基金(61071191);重庆市科委自然科学基金(CSTC2011BB2048);中国博士后科学基金(2014M550455); 中央高校基本科研业务费(CDJZR10160004,106112014CDJZR165502)

详细信息
    作者简介:

    王会改(1987-),女,硕士生,主要从事图像信号处理研究工作。Email:903546489@qq.com

  • 中图分类号: TP391.4

Dim target detection method based on multi-scale adaptive sparse dictionary

  • 摘要: 针对单尺度固定函数的滤波器难以有效剔除杂波和提高小弱目标检测性能的不足,文中研究建立多尺度自适应稀疏字典,提出了一种多尺度自适应形态稀疏字典检测小弱目标方法。首先根据图像信号内容建立多尺度自适应形态稀疏字典,并将图像信号在多尺度稀疏字典中进行稀疏分解;然后在分析小原子稀疏表示系数的基础上建立稀疏表示系数直方图,并利用指数函数拟合小尺度原子的稀疏表示系数直方图;最后,根据指数函数拟合参数在杂波、噪声和目标表现出的差异检测小弱目标。该多尺度稀疏字典利用大尺度原子描述图像背景杂波,小尺度原子捕获图像细小特征。实验结果表明,与小波算法和Contourlet 算法相比,文中方法能更为有效地抑制背景杂波,减少背景残留,从而提高小弱目标检测性能。
  • [1]
    [2] Gao K L, Dong M, Cheng W. A small target detection algorithm based on immune computation and infrared background suppression[J]. IEEE Computer Science, 2007, 3: 630-634.
    [3]
    [4] Meng Xianglong, Zhang Wei, Cong Mingyu, et al. Detection of point targets in space-based infrared images [J]. Optics and Precision Engineering, 2010, 18(9): 2094-2100. (in Chinese) 孟祥龙, 张伟, 从明煜, 等. 天基红外图像的点目标检测 [J]. 光学精密工程, 2010, 18(9): 2094-2100.
    [5] Wang X W, Wang C H X, Zhang Y Y, et al. Detection of small space target by dynamic programming [J]. Optics and Precision Engineering, 2010, 18(2): 477-484.
    [6]
    [7] Succcray R, Cohen A, Yaractzi P, et al. A dynamic programming algorithm for point target detection: practical parameters for DPA [C]//SPIE, 2001, 4473: 96-100.
    [8]
    [9] Li Zhengzhou, Tian Lei, Zheng Wei, et al. Dim moving target detection method based on time-frequency analysis[J]. High Power Laser and Particle Beams, 2011, 23(9): 2292-2296. (in Chinese) 李正周, 田蕾, 郑微, 等. 基于时频分析的成像小弱运动目标检测方法[J]. 强激光与粒子束, 2011, 23(9): 2292-2296.
    [10]
    [11] Wang X W, Liu S T, Zhou X D. New algorithm for infrared small target image enhancement based on wavelet transform and human visual properties [J]. Journal of Systems Engineering and Electronics, 2006, 17(2): 268-273.
    [12]
    [13] Davidson G, Griffiths H D. Wavelet detection scheme for small targets in sea clutter [J]. IEEE Electronics Letters, 2002, 38(19): 1128-1130.
    [14]
    [15] Liu Xingmiao, Wang Shicheng, Zhao Jing. Infrared small target detection based on nonsubsampled Contourlet transform and statistical distribution[J]. Optics and Precision Engineering, 2011, 19(4): 908-915. (in Chinese) 刘兴淼, 王仕成, 赵静. 结合统计分布和非下采样 Contourlet 变换的红外小目标检测[J]. 光学精密工程, 2011, 19(4): 908-915.
    [16]
    [17]
    [18] Ma J W, Antoniadis A, Le Dimet F-X. Curvelet-based snake for multiscale detection and tracking of geophysical Fluids [J]. Geoscience and Remote Sensing, 2006, 44 (12): 3626-3638.
    [19] Tang Zhengyuan, Zhao Jiajia, Yang Jie, et al. Infrared target tracking algorithm based on sparse representation model [J]. Infrared and Laser Engineering, 2012, 41(5): 1389-1395. (in Chinese) 唐峥远,赵佳佳,杨杰,等. 基于稀疏表示模型的红外目标跟踪算法[J]. 红外与激光工程, 2012, 41(5): 1389-1395.
    [20]
    [21]
    [22] Michal A, Elad M, Alfred B. K_SVD: An algorithm for designing overcomplete dictionaries for sparse representation [J]. IEEE Transactions on Signal Processing, 2006, 54(11): 4311-4322.
    [23] Mairal J, Sapiro G, Elad M. Learning multiscale sparse representations for image and video restoration [M]. Ft. Belvoir: Defense Technical Information Center, 2007.
    [24]
    [25] Qin Hanlin, Zhou Huixin, Liu Qunchane, et al. Suppression of infrared imaee backeround by multiscale hidden Markov model lJl. Optics arid Precision Eneineerine, 2011, 19(8): 1950-1956. (in Chinese) 秦翰林,周慧鑫,刘群昌,等.采用多尺度隐式马尔可夫模型的红外图像背景抑制[J].光学精密工程, 2011, 19(8): 1950-1956.
    [26]
    [27] Cruz J R, Mulholland R J. A note on identification of linear time-invariant systems urine exponential curve fittine f J 1. Proceedines of the IEEE, 1985, 73(7): 1243-1244.
  • [1] 王向军, 李名洋, 王霖, 刘峰, 王玮.  边缘信息引导多级尺度特征融合的显著性目标检测方法 . 红外与激光工程, 2023, 52(1): 20220344-1-20220344-10. doi: 10.3788/IRLA20220344
    [2] 游丽.  基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法 . 红外与激光工程, 2022, 51(4): 20210282-1-20210282-6. doi: 10.3788/IRLA20210282
    [3] 韩金辉, 魏艳涛, 彭真明, 赵骞, 陈耀弘, 覃尧, 李楠.  红外弱小目标检测方法综述 . 红外与激光工程, 2022, 51(4): 20210393-1-20210393-24. doi: 10.3788/IRLA20210393
    [4] 王国刚, 孙召进, 刘云鹏.  J-MSF: 一种新的多通道多尺度红外弱小目标检测算法 . 红外与激光工程, 2022, 51(5): 20210459-1-20210459-10. doi: 10.3788/IRLA20210459
    [5] 陈世琼.  基于非线性抗噪声估计的视觉显著性弱小目标检测 . 红外与激光工程, 2022, 51(9): 20210939-1-20210939-6. doi: 10.3788/IRLA20210939
    [6] 李亚娟.  结合多决策准则稀疏表示的SAR图像目标识别方法 . 红外与激光工程, 2021, 50(8): 20210138-1-20210138-8. doi: 10.3788/IRLA20210138
    [7] 蒋国清, 万烂军.  基于最恰对比度显著性分析的红外弱小目标检测方法 . 红外与激光工程, 2021, 50(4): 20200377-1-20200377-8. doi: 10.3788/IRLA20200377
    [8] 田鹤, 毛宏霞, 刘铮, 曾铮.  机载逆合成孔径激光雷达微动目标稀疏成像 . 红外与激光工程, 2020, 49(S2): 20200190-20200190. doi: 10.3788/IRLA20200190
    [9] 卢瑞涛, 任世杰, 申璐榕, 杨小冈.  基于稀疏表示多子模板的鲁棒目标跟踪算法 . 红外与激光工程, 2019, 48(3): 326003-0326003(8). doi: 10.3788/IRLA201948.0326003
    [10] 刘铮, 毛宏霞, 戴聪明, 魏合理.  基于多源数据多特征融合的弱小目标关联研究 . 红外与激光工程, 2019, 48(5): 526001-0526001(6). doi: 10.3788/IRLA201948.0526001
    [11] 陆福星, 陈忻, 陈桂林, 饶鹏.  背景自适应的多特征融合的弱小目标检测 . 红外与激光工程, 2019, 48(3): 326002-0326002(7). doi: 10.3788/IRLA201948.0326002
    [12] 王鑫, 王向军.  大视场双目视觉定位系统中多目标稀疏匹配 . 红外与激光工程, 2018, 47(7): 726001-0726001(6). doi: 10.3788/IRLA201847.0726001
    [13] 薛俊韬, 倪晨阳, 杨斯雪.  特征聚类的局部敏感稀疏图像修复 . 红外与激光工程, 2018, 47(11): 1126001-1126001(9). doi: 10.3788/IRLA201847.1126001
    [14] 陈宇, 温欣玲, 刘兆瑜, 马鹏阁.  稀疏自动编码器视觉特征融合的多弹分类算法研究 . 红外与激光工程, 2018, 47(8): 826004-0826004(8). doi: 10.3788/IRLA201847.0826004
    [15] 韦道知, 黄树彩, 赵岩, 庞策.  非负谱稀疏表示的高光谱成像中的异常检测 . 红外与激光工程, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001
    [16] 张仲瑜, 焦淑红.  多特征融合的红外舰船目标检测方法 . 红外与激光工程, 2015, 44(S1): 29-34.
    [17] 龚俊亮, 何昕, 魏仲慧, 朱弘, 郭立俊.  采用尺度空间理论的红外弱小目标检测方法 . 红外与激光工程, 2013, 42(9): 2566-2573.
    [18] 张俊, 刘荣忠, 郭锐, 马晓冬, 赵博博, 邦志辉, 张鹏.  末敏弹稳态扫描段红外特性的实验研究 . 红外与激光工程, 2013, 42(11): 2876-2881.
    [19] 赵晓, 张伟, 侯晴宇, 巩晋南.  多尺度匹配的红外变分辨率弱小目标检测 . 红外与激光工程, 2013, 42(11): 2913-2918.
    [20] 杨亚威, 李俊山, 杨威, 赵方舟.  利用稀疏化生物视觉特征的多类多视角目标检测方法 . 红外与激光工程, 2012, 41(1): 267-272.
  • 加载中
计量
  • 文章访问数:  757
  • HTML全文浏览量:  30
  • PDF下载量:  273
  • 被引次数: 0
出版历程
  • 收稿日期:  2013-11-10
  • 修回日期:  2013-12-25
  • 刊出日期:  2014-07-25

基于多尺度自适应稀疏字典的小弱目标检测方法

    作者简介:

    王会改(1987-),女,硕士生,主要从事图像信号处理研究工作。Email:903546489@qq.com

基金项目:

国家自然科学基金(61071191);重庆市科委自然科学基金(CSTC2011BB2048);中国博士后科学基金(2014M550455); 中央高校基本科研业务费(CDJZR10160004,106112014CDJZR165502)

  • 中图分类号: TP391.4

摘要: 针对单尺度固定函数的滤波器难以有效剔除杂波和提高小弱目标检测性能的不足,文中研究建立多尺度自适应稀疏字典,提出了一种多尺度自适应形态稀疏字典检测小弱目标方法。首先根据图像信号内容建立多尺度自适应形态稀疏字典,并将图像信号在多尺度稀疏字典中进行稀疏分解;然后在分析小原子稀疏表示系数的基础上建立稀疏表示系数直方图,并利用指数函数拟合小尺度原子的稀疏表示系数直方图;最后,根据指数函数拟合参数在杂波、噪声和目标表现出的差异检测小弱目标。该多尺度稀疏字典利用大尺度原子描述图像背景杂波,小尺度原子捕获图像细小特征。实验结果表明,与小波算法和Contourlet 算法相比,文中方法能更为有效地抑制背景杂波,减少背景残留,从而提高小弱目标检测性能。

English Abstract

参考文献 (27)

目录

    /

    返回文章
    返回