一种高效区分红外弱小目标和云杂波的图像特征组合论文仿真

最新推荐文章于 2024-04-24 13:59:54 发布
最新推荐文章于 2024-04-24 13:59:54 发布
阅读量197 收藏 3
点赞数
分类专栏： 仿真 文章标签： opencv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dx0014/article/details/108133410
版权

读了一篇论文，没事仿真一下，国产的论文真心难，不过有些思想还是可以借鉴的。下面主要说一下论文中的两个对多云和小目标的特性的分析：
1、八邻域局部特征对比标准差
在这里插入图片描述
这里只利用了标准差
在这里插入图片描述
2、八方向剖线长度标准差
在这里插入图片描述
在这里插入图片描述

void regionDeleteSec(structTargetParam_vector &TargetParam)
{
	structTargetParam_vector TargetParamSec = TargetParam;
	if (TargetParamSec.len > 0)
	{
		int new_len = 0;
		//计算疑似目标所在区域的灰度均值
		std::vector<float> SVec;
		std::vector<float> lenValVec;

		for (int i = 0; i < TargetParamSec.len; i++)
		{
			float grayMeanVal0 = 0; float grayMeanVal1 = 0; float grayMeanVal2 = 0; float grayMeanVal3 = 0;
			float grayMeanVal4 = 0; float grayMeanVal5 = 0; float grayMeanVal6 = 0; float grayMeanVal7 = 0; float grayMeanVal8 = 0;
			int countFlag = 0;
			//top比bottom要小
			if (TargetParamSec.data[i].x_left - TargetParamSec.data[i].x_length >= 0
				&& TargetParamSec.data[i].x_right + TargetParamSec.data[i].x_length < frame.cols
				&& TargetParamSec.data[i].y_top - TargetParamSec.data[i].y_length >= 0
				&& TargetParamSec.data[i].y_bottom + TargetParamSec.data[i].y_length < frame.rows)
			{
				//中间为8，左上开始以此为0-7
				grayMeanVal8 = calGrayMeanVal(frame, TargetParamSec.data[i].x_left, TargetParamSec.data[i].y_top,
					TargetParamSec.data[i].x_length, TargetParamSec.data[i].y_length);
				//- - 
				grayMeanVal0 = calGrayMeanVal(frame, TargetParamSec.data[i].x_left - TargetParamSec.data[i].x_length,
					TargetParamSec.data[i].y_top - TargetParamSec.data[i].y_length,
					TargetParamSec.data[i].x_length, TargetParamSec.data[i].y_length);
				//= -
				grayMeanVal1 = calGrayMeanVal(frame, TargetParamSec.data[i].x_left,
					TargetParamSec.data[i].y_top - TargetParamSec.data[i].y_length,
					TargetParamSec.data[i].x_length, TargetParamSec.data[i].y_length);
				//+ -
				grayMeanVal2 = calGrayMeanVal(frame, TargetParamSec.data[i].x_left + TargetParamSec.data[i].x_length,
					TargetParamSec.data[i].y_top - TargetParamSec.data[i].y_length,
					TargetParamSec.data[i].x_length, TargetParamSec.data[i].y_length);
				//+ =
				grayMeanVal3 = calGrayMeanVal(frame, TargetParamSec.data[i].x_left + TargetParamSec.data[i].x_length,
					TargetParamSec.data[i].y_top,
					TargetParamSec.data[i].x_length, TargetParamSec.data[i].y_length);
				//+ +
				grayMeanVal4 = calGrayMeanVal(frame, TargetParamSec.data[i].x_left + TargetParamSec.data[i].x_length,
					TargetParamSec.data[i].y_top + TargetParamSec.data[i].y_length,
					TargetParamSec.data[i].x_length, TargetParamSec.data[i].y_length);
				//= +
				grayMeanVal5 = calGrayMeanVal(frame, TargetParamSec.data[i].x_left,
					TargetParamSec.data[i].y_top + TargetParamSec.data[i].y_length,
					TargetParamSec.data[i].x_length, TargetParamSec.data[i].y_length);
				//- +
				grayMeanVal6 = calGrayMeanVal(frame, TargetParamSec.data[i].x_left - TargetParamSec.data[i].x_length,
					TargetParamSec.data[i].y_top + TargetParamSec.data[i].y_length,
					TargetParamSec.data[i].x_length, TargetParamSec.data[i].y_length);
				//- =
				grayMeanVal7 = calGrayMeanVal(frame, TargetParamSec.data[i].x_left - TargetParamSec.data[i].x_length,
					TargetParamSec.data[i].y_top,
					TargetParamSec.data[i].x_length, TargetParamSec.data[i].y_length);
				float M = (abs(grayMeanVal8 - grayMeanVal0) + abs(grayMeanVal8 - grayMeanVal0) +
					abs(grayMeanVal8 - grayMeanVal1) + abs(grayMeanVal8 - grayMeanVal2) +
					abs(grayMeanVal8 - grayMeanVal3) + abs(grayMeanVal8 - grayMeanVal4) +
					abs(grayMeanVal8 - grayMeanVal5) + abs(grayMeanVal8 - grayMeanVal6) +
					abs(grayMeanVal8 - grayMeanVal5) + abs(grayMeanVal8 - grayMeanVal6)) / 8;
				float S = std::sqrt((std::pow((abs(grayMeanVal8 - grayMeanVal0) - M), 2) + std::pow((abs(grayMeanVal8 - grayMeanVal1) - M), 2)
					+ std::pow((abs(grayMeanVal8 - grayMeanVal2) - M), 2) + std::pow((abs(grayMeanVal8 - grayMeanVal3) - M), 2)
					+ std::pow((abs(grayMeanVal8 - grayMeanVal4) - M), 2) + std::pow((abs(grayMeanVal8 - grayMeanVal5) - M), 2)
					+ std::pow((abs(grayMeanVal8 - grayMeanVal6) - M), 2) + std::pow((abs(grayMeanVal8 - grayMeanVal7) - M), 2))) / 8;

				//计算返回的长度标准差
				if (TargetParamSec.data[i].x_center - 40 > 0
					&& TargetParamSec.data[i].x_center + 40 < frame.cols
					&&TargetParamSec.data[i].y_center - 15 > 0
					&& TargetParamSec.data[i].y_center + 15 < frame.rows)
				{
					float lenVal = calLineLen(frame01, TargetParamSec.data[i].x_center, TargetParamSec.data[i].y_center, 80, 30);

					SVec.push_back(S);
					lenValVec.push_back(lenVal);
	


				}

			}
		}
		//
		//归一化后，每一组参数分配一个权重，进行约束
		float w1 = 0.1; float w2 = 0.9; /*float w3 = 0.2;*/
		float SRes = 0.0; float lenRes = 0.0; float countRes = 0.0;
		for (int i = 0; i < SVec.size(); i++)
		{
			SRes += SVec[i];
			lenRes += lenValVec[i];

		}
		if (SVec.size() > 1)
		{		
			for (int i = 0; i < SVec.size(); i++)
			{
				float SWeights = 1/(SVec[i] / SRes);//灰度的标准差越大越好,求导后越小越好
				float lenWeights = lenValVec[i] / lenRes;//长度标准差越小越好		
				float normalVal = (w1 * SWeights + w2 * lenWeights) / (sqrt(pow(SWeights, 2) + pow(lenWeights, 2))); 
				TargetParamSec.data[i].normalVal = normalVal;
			}
			for (int i = 0; i <= TargetParamSec.len - 1; i++) {
				for (int j = i + 1; j < TargetParamSec.len; j++) {
					structTargetParam temp;
					if (TargetParamSec.data[j].normalVal < TargetParamSec.data[i].normalVal) {
						temp = TargetParamSec.data[j];
						TargetParamSec.data[j] = TargetParamSec.data[i];
						TargetParamSec.data[i] = temp;
					}
				}
			}
		}
		else if (SVec.size() == 1)
		{
			TargetParam = TargetParamSec;
			new_len = 1;
		}
		else
		{
			;
		}
		
		

	}
}

//计算8个方向剖线长度

float calLineLen(cv::Mat frame, int center_x, int center_y, int width, int height)
{
	
	int len0 = 0; int len1 = 0; int len2 = 0; int len3 = 0; int len4 = 0; int len5 = 0; int len6 = 0; int len7 = 0;
	float lenVal = 0.0;
	//左上
	for (int i = center_y,j=center_x; i < center_y - height / 2,j < center_x - width/2; i--,j--)
	{
		if ((int)frame.ptr<char>(i)[j] > 0)
		{
			len0++;
		}
		//else
		//{		
		//	break;
		//}

	}
	//正上
	for (int i = center_y; i < center_y - height / 2; i--)
	{
		if ((int)frame.ptr<char>(i)[center_x] > 0)
		{
			len1++;
		}	
		//else
		//{
		//	break;
		//}
	}
	//右上

	for (int i = center_y, j = center_x; i < center_y - height / 2, j < center_x + width / 2; i--,j++)
	{
		if ((int)frame.ptr<char>(i)[j] > 0)
		{
			len2++;
		}
		//else
		//{
		//	break;

		//}
	}
	//右
	for (int j = center_x; j < center_x + width / 2; j++)
	{
		if ((int)frame.ptr<char>(center_y)[j] > 0)
		{
			len3++;
		}
		//else
		//{
		//	break;
		//}
	}
	//右下
	for (int i = center_y, j = center_x; i < center_y + height / 2, j < center_x + width / 2; i++, j++)
	{
		if ((int)frame.ptr<char>(i)[j] > 0)
		{
			len4++;
		}
		//else
		//{

		//	break;
		//}
	}
	
	//正下
	for (int i = center_y; i < center_y + height / 2; i++)
	{
		if ((int)frame.ptr<char>(i)[center_x] > 0)
		{
			len5++;
			
		}
		//else
		//{
		//	break;
		//}
	}
	//左下
	for (int i = center_y, j = center_x; i < center_y + height / 2, j < center_x - width / 2; i++, j--)
	{
		if ((int)frame.ptr<char>(i)[j] > 0)
		{
			len6++;
				
		}
		//else
		//{

		//	break;
		//}

	}

	//左
	for (int j = center_x; j < center_x - width / 2; j--)
	{
		if ((int)frame.ptr<char>(center_y)[j] > 0)
		{
			len7++;
		}
		//else
		//{
		//	break;
		//}
	}
	//计算标准差
	float lu = (float)(len0 + len1 + len2 + len3 + len4 + len5 + len6 + len7) / 8.0;
	lenVal = sqrt(pow(lu - (float)len0, 2) + pow(lu - (float)len1, 2) + pow(lu - (float)len2, 2) +
		pow(lu - (float)len3, 2) + pow(lu - (float)len4, 2) + pow(lu - (float)len5, 2) +
		pow(lu - (float)len6, 2) + pow(lu - (float)len7, 2)) / 8.0;

	return lenVal;
}

//计算区域的灰度均值
float calGrayMeanVal(cv::Mat frame, int leftVal, int topVal, int width, int height)
{
	int grayTotalVal = 0;
	float grayMeanVal = 0.0;
	for (int i = topVal; i < topVal + height; i++)
	{
		for (int j = leftVal; j < leftVal + width ; j++)
		{
			grayTotalVal += (int)frame.ptr<char>(i)[j];
		}
	}
	grayMeanVal = (float)grayTotalVal / (width*height);
	return grayMeanVal;
}

权重这一块可以按照论文的方式用SVM学习得到，或者设计一个网络来学习。

dx0014
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
弱小目标检测跟踪算法研究（4） 基于双边滤波（BF）的红外弱小目标检测之背景抑制
sinat_34897952的博客
04-08 1638
基于双边滤波（BF）的红外弱小目标检测之背景抑制1. 前言2. 双边滤波算法3. Matlab仿真4. 小结 1. 前言 红外图像中的弱小目标，目标属性包涵“弱"和“小’’两个方面：“弱’’是指目标在红外波长上所表现出来的强度，具体反映到所拍摄的红外图像上，就是指目标的灰度值；而“小’’是指目标的尺寸大小，也就是前面所述的成像面积很小，反映到红外图像上就是指目标所占的像素数目很少。 SPIE国际光学工程学会(Societyof Photo一0ptical Instrumentation Engineers，
红外小目标图像的背景杂波量化方法
02-26
分析了背景杂波对红外小目标检测的影响，研究了一种针对红外小目标图像的背景杂波定量描述方法。提出了背景杂波定量描述方法需要满足的三个条件：与主观判断的结果一致、对于不同的红外图像具有适应性和能够辅助改进...
红外弱小目标检测：IPI算法解读及MATLAB复现
热门推荐
小草莓的魔法笔记
12-08 1万+
参考文献：[1]C. Gaoet al., “Infrared Patch-Image Model for Small Target Detection in a Single Image,” vol. 22, no. 12, pp. 4996–5009, 2013. 本文整理????论文笔记，并附MATLAB实现代码。 一、阅读笔记 1. 摘要 IPI算法是单帧检测算法； 利用背景的非局部子相关性（non-local self-correlation ofbackground)，将目标检测转..
弱小目标检测跟踪算法研究（7） 基于简单平滑滤波算法的红外弱小目标检测之背景抑制
sinat_34897952的博客
04-20 1990
基于简单平滑滤波算法的红外弱小目标检测之背景抑制1. 前言2. 平滑滤波算法3. Matlab仿真4. 小结 1. 前言 红外图像中的弱小目标，目标属性包涵“弱"和“小’’两个方面：“弱’’是指目标在红外波长上所表现出来的强度，具体反映到所拍摄的红外图像上，就是指目标的灰度值；而“小’’是指目标的尺寸大小，也就是前面所述的成像面积很小，反映到红外图像上就是指目标所占的像素数目很少。 SPIE国际光学工程学会(Societyof Photo一0ptical Instrumentation Engineers，
基于稳健主成分分析和多点恒虚警的红外弱小目标检测
02-12
针对红外图像中由复杂背景和目标多形态带来的单帧检测暗弱小目标比较困难的问题,提出了一种先进行阈值分割粗提取,后进行多点信噪比精检测的算法。在粗提取阶段,提出了改进的基于稳健主成分分析(RPCA)的阈值分割算法,...
复杂背景下红外弱小运动目标检测数据集
04-15
我们构建了一个半合成数据集，用于杂波背景下的小型红外运动目标检测。图像捕捉设置了各种条件，包括相对高度（仰视、仰视和俯视）、场景（植被、水和建筑物）、平台运动、天气、时间等。同时考虑成像平台运动和合成...
一种改进的各向异性SUSAN红外弱小目标检测方法 (2014年)
05-22
运用各向异性SUSAN滤波进行红外弱小目标检测时，考虑到仅依靠4个像素点所确定的边缘方向往往与实际边缘方向存在较大误差，导致滤波后的图像依然保留着较多的背景杂波而不利于弱小目标的检测，因此提出一种边缘方向...
海思3559使用Yolov3进行目标检测
dx0014的博客
03-12 2822
1、实验环境 Ubuntu虚拟机+一根网线+USB转串口+小相机（支持IMX334等，可以查看） 2、资料准备 《HiMPP V4.0 媒体处理软件开发参考.pdf》 这个资料主要介绍了图像是通过什么方式进行输入，处理，以及输出的。 VI-VPSS-VO，VENC和VDEC，VGS画图等 《HiSVP开发指南.pdf》 这个资料主要介绍如何使用NNIE模块进行图像处理，以及ruyistudio的安装和使用教程。 《HiSVP API 参考.pdf》等 API等资料可以编写代码的时候在重点关注。 推荐想学习的
海思3559实现KCF算法
dx0014的博客
05-12 2204
这里我参考IVE模块，采用双通道VPSS，实现KCF的跟踪功能。 具体流程为：摄像头读取图像数据实时通过HDMI输出显示，中间经过VI-VPSS-VO。 1、编写cmake文件 CMAKE_MINIMUM_REQUIRED(VERSION 3.18) project(3559Project) SET(CMAKE_CXX_STANDARD 11) # 设置编译器选项：O3优化，显示所有警告 SET(CMAKE_C_FLAGS "$ENV{CFLAGS} -O3 -Wall -g -lstdc++ -mcp
基于移动式管道滤波算法的仿真
dx0014的博客
01-12 940
参考论文《基于移动式管道滤波的红外小目标检测方法研究》 仿真代码如下： //判断一点的位置在邻域内 bool pointInterNeibor(cv::Point2f pointPos, cv::Point2f curX,int n,int width,int height) { cv::Rect2f neiborRoi; int bordenLeft = 0; int bordenRight = 0; int bordenTop = 0; int bordenBottom = 0; bor
YOLOV3+VS2015+OpenCV4.0实现目标检测
dx0014的博客
09-09 455
接着上次网络通信的第二步，实现图像处理这部分的内容。处理后的图像送回到发送方。这一部分，尝试使用opencv自带的dnn模块中集成了darknet的函数，直接调用。本文也是借鉴网上大神的部分代码。 #include<stdlib.h> #include<Windows.h> #include <fstream> #include <sstream> #include <iostream> #include<opencv2\opencv.hp
低小慢目标光电探测技术研究论文仿真
dx0014的博客
07-24 421
imageEnhance.h #pragma once #include<opencv2/opencv.hpp> #include<iostream> #include<vector> #define radio 1.0 #define k 15// 将奇异值矩阵 V 内的所有元素 Vi按从小到大的顺序排列 class imageEnhanceSVD { public: imageEnhanceSVD(); ~imageEnhanceSVD(); cv::M..
opencv可视化图片-----c++
mankeywang的博客
04-24 295
可视化图片
OpenCV——Bernsen局部阈值二值化方法
点云侠的博客
04-22 1237
Bernsen 算法是另一种流行的局部阈值二值化方法
使用Python+opencv实现自动扫雷
csdn1561168266的博客
04-20 1157
大家好，相信许多人很早就知道有扫雷这么一款经典的游戏，更是有不少人曾听说过中国雷圣，也是中国扫雷第一、世界综合排名第二的郭蔚嘉的顶顶大名。扫雷作为一款在Windows9x时代就已经诞生的经典游戏，从过去到现在依然都有着它独特的魅力：快节奏高精准的鼠标操作要求、快速的反应能力、刷新纪录的快感，这些都是扫雷给雷友们带来的、只属于扫雷的独一无二的兴奋点。本文将介绍使用Python+OpenCV实现自动扫雷。
opencv绘制线段------c++
mankeywang的博客
04-24 262
绘制线段
Opencv_13_随机数与随机颜色
最新发布
EveryDayOneHour的博客
04-24 420
imshow("随机绘制演示", canvas);
写一段matlab有关消除雷达动目标检测图像中4米和8米处运动杂波的代码
06-07
以下是一个简单的 Matlab 代码示例，用于消除雷达动目标检测图像中 4 米和 8 米处运动杂波： ...同时，消除运动杂波是一个复杂的信号处理问题，需要深入了解雷达信号处理和图像处理的知识才能进行有效的消除。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

dx0014

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值