为了进一步提高红外小目标的检测性能,针对图像序列中背景与小目标的特点,提出了一种基于非下采样Contourlet变换(nonsubsampled contourlet transform,NSCT)和核模糊C均值(kernel fuzzy C means,KFCM)聚类多模型最小二乘支持向量机(lea...为了进一步提高红外小目标的检测性能,针对图像序列中背景与小目标的特点,提出了一种基于非下采样Contourlet变换(nonsubsampled contourlet transform,NSCT)和核模糊C均值(kernel fuzzy C means,KFCM)聚类多模型最小二乘支持向量机(least squares support vector machine,LS-SVM)背景预测的检测方法。首先对红外小目标图像进行NSCT并去噪,提高图像的信噪比;然后通过基于核模糊C均值聚类的多模型LS-SVM预测去噪后红外图像中的背景,用去噪后的实际图像减去背景预测图像得到残差图像;接着提出基于递归最大类间绝对差的阈值选取算法分割残差图像;最后利用目标灰度的平稳性和运动轨迹的连续性进一步检测出真实的小目标。给出了实验结果与分析,并与现有的3种基于背景预测的小目标检测方法进行了比较。结果表明该方法具有更高的检测概率和信噪比增益。展开更多
文摘为了进一步提高红外小目标的检测性能,针对图像序列中背景与小目标的特点,提出了一种基于非下采样Contourlet变换(nonsubsampled contourlet transform,NSCT)和核模糊C均值(kernel fuzzy C means,KFCM)聚类多模型最小二乘支持向量机(least squares support vector machine,LS-SVM)背景预测的检测方法。首先对红外小目标图像进行NSCT并去噪,提高图像的信噪比;然后通过基于核模糊C均值聚类的多模型LS-SVM预测去噪后红外图像中的背景,用去噪后的实际图像减去背景预测图像得到残差图像;接着提出基于递归最大类间绝对差的阈值选取算法分割残差图像;最后利用目标灰度的平稳性和运动轨迹的连续性进一步检测出真实的小目标。给出了实验结果与分析,并与现有的3种基于背景预测的小目标检测方法进行了比较。结果表明该方法具有更高的检测概率和信噪比增益。
