Loading [MathJax]/jax/output/SVG/jax.js
高级检索

一种基于多尺度点状目标建模的检测算法

陈勤霞, 武文成, 艾斯卡尔·艾木都拉

陈勤霞, 武文成, 艾斯卡尔·艾木都拉. 一种基于多尺度点状目标建模的检测算法[J]. 激光技术, 2020, 44(4): 520-524. DOI: 10.7510/jgjs.issn.1001-3806.2020.04.021
引用本文: 陈勤霞, 武文成, 艾斯卡尔·艾木都拉. 一种基于多尺度点状目标建模的检测算法[J]. 激光技术, 2020, 44(4): 520-524. DOI: 10.7510/jgjs.issn.1001-3806.2020.04.021
CHEN Qinxia, WU Wencheng, ASKAR Hamdulla. Detection algorithm based on multi-scale spotted target modeling[J]. LASER TECHNOLOGY, 2020, 44(4): 520-524. DOI: 10.7510/jgjs.issn.1001-3806.2020.04.021
Citation: CHEN Qinxia, WU Wencheng, ASKAR Hamdulla. Detection algorithm based on multi-scale spotted target modeling[J]. LASER TECHNOLOGY, 2020, 44(4): 520-524. DOI: 10.7510/jgjs.issn.1001-3806.2020.04.021

一种基于多尺度点状目标建模的检测算法

基金项目: 

国家自然科学基金资助项目 61563049

详细信息
    作者简介:

    陈勤霞(1995-), 女, 硕士研究生, 现主要研究方向为时空3维空间中点状运动目标的可靠识别与实时跟踪

    通讯作者:

    艾斯卡尔·艾木都拉, E-mail:askar@xju.edu.cn

  • 中图分类号: TN911.73

Detection algorithm based on multi-scale spotted target modeling

  • 摘要: 为了解决点状小目标传统建模检测算法易受小目标自身暗淡呈点状的影响,在检测过程中小目标丢失或背景信息被误检成目标的问题,采用一种更加有效的多尺度点状小目标建模算法,对背景和可疑目标进行建模,得到了可疑目标图像。使用一种阈值分割算法,将真实目标从可疑目标中提取出来,进行了理论分析和实验验证。结果表明,该算法在同一数据集下,相对其它算法检测到点状小目标的轨迹更加接近真实轨迹。该研究对提高小目标检测效果的精度是有帮助的。
    Abstract: In order to solve the problem that the traditional modeling detection algorithm for spotted small target is susceptible to the dim and spotted targets, resulting in the loss of small target or the false detection that treat the background information as the target during the detection process, a more effective multi-scale spotted small target modeling algorithm was adopted. By modeling the background and suspicious target, the suspicious target image could be obtained. Finally, a threshold segmentation algorithm was used to extract the real target from the suspicious target, and then the theoretical analysis and experimental verification were carried out. The results show that under the same data set, the trajectory of small target dected by this algorithm is closer to the real trajectory than those by other algorithms. This research is helpful to improve the accuracy of small targets detection.
  • 建设现代农业是新时代产业兴旺的5个重要领域之一。利用无人机(unmanned aerial vehicle,UAV)遥感技术快速准确地分类提取高原山区乡村的土地覆盖信息, 对当地的发展建设具有重要的战略意义。ROSSI等人[1]在意大利的Ricasoli村,用无人机采集的影像构建数字地形模型(digital terrain model,DTM) 对当地的滑坡进行监测,并评估相关面积和体积。KOUTALAKIS等人[2]应用DJI Mavic 2 Pro采集希腊北部Nea Zichni村的影像,通过构建数字正射影像地图(digital orthophoto map, DOM)和数字表面模型(digital surface model, DSM)估算村子周围的滑坡体面积和体积等形态参数。LI等人[3]通过无人机获取的高精度照片进行处理,经多尺度分割方法提取道路信息,给予乡村道路安全引导一定的参考。CHEN等人[4]在江西省某村利用Pix4DMapper解算大疆Phantom 4 Pro无人机采集的影像数据,制作了规划区内的DOM和DSM规划模型等成果,助力秀美乡村建设。而对于UAV相关产品的分类,GUO等人[5]为精准获取树木空间分布,通过无人机采集影像构建高分辨率的数字高程模型(digital elevation model,DEM),并结合影像光谱和纹理信息,基于机器学习的方法分类出所需树木的空间分布,结果表明:该方法适用于大部分的树种空间分布信息的提取。MA等人[6]为高效准确地获取农村用地的分类信息,采用面向对象的方法结合光谱、几何特征,对高精度UAV影像进行多尺度分割分类的方式采集农村地类信息,结果表明: 建筑物、耕地和植被的分类精度相对降低,其余地类生产和用户精度均高于90%。HAN等人[7]基于UAV遥感技术的探索在灌溉区分类有效性,把构建的高分辨率DOM通过机器学习的方式完成分类, 结果表明:支持向量机法(support vector machine,SVM)相对于k最近邻法(k-nearest neighbor,KNN)更能准确提取各地物的特征。LIU等人[8]为探究适合于无人机遥感高分辨率影像,在农耕区应用机器学习分类算法,基于Boruta特征选择优化数据集,结果表明:对象具有类似的光谱、纹理特征时,较易造成错分类和漏分类,随机森林(random forest,RF)算法相对而言总体分类精度最高,达到98.19%,更适宜处理类似的数据集。

    结合诸多学者的研究可知,RF算法的应用主要集中在2-D的影像分类。相比之下,3-D的点云数据在表现地物与地面的真实情况有较强的鲁棒性。为了更好地服务于乡村振兴战略,本文作者准备以AA1300多旋翼BB4大黄蜂无人机采集的影像照片构建高精度的DOM,再将2-D/3-D映射的点云分类与3-D点云的直接分类做对比分析,以更好地评定地类地物在3-D场景下的覆盖与利用。

    试验区位于云南省昆明市某乡的云龙水库,如图 1所示。该水库是昆明市最大的集中式饮用水源地,昆明市将近70%的水是云龙水库供给,年均向主城供水1.6×108 m3~1.8×108 m3。县行政区地处滇中北部,位于东经102°14′~102°56′、北纬25°25′~26°22′之间, 版图状如梨叶,东西窄、南北长,如图 1a所示。该县境内地势东北高、西南低,自东北向西南呈阶梯状缓降,如图 1b所示。试验区在崇山峻岭之间,依次分布着相对平缓的台地和冲积带,称“坝子”,是经济作物、粮食和其它农作物的主要产区,如图 1c所示。

    图 1 试验区概况
    图  1  试验区概况
    Figure  1.  Overview of the experimental area

    试验区影像数据通过AA1300多旋翼BB4大黄蜂无人机由内置4240万像素的光学相机进行影像数据采集。考虑到试验区的地理情况, 进行相应的航线规划,再依据后期的数据质量要求,设置合适的航向、旁向重叠度及飞行高度。由于该飞行器可搭载多个镜头,故在相同的飞行环境下,通过GS-1350N镜头采集激光雷达(light detection and ranging,LiDAR)点云。相关飞行器、光学相机和镜头的参数如下:BB4大黄蜂无人机的最大起飞重量为28 kg,最大平飞速率为14 m/s,最大爬升速率为5 m/s,抗风能力为6级;光学相机传感器为互补金属氧化物半导体类型。镜头焦距为21 mm,像素为4240万,分辨率为7953×5340;激光雷达镜头为GS-1350N,最大测程为1350 m,反射率大于80%,扫描角度为75°~90°,采集频率为820 kHz。

    DOM具有几何、纹理和光谱等信息,能直观解译试验区的俯瞰情况。先根据有无遮挡或色彩不均匀的情况把采集的影像数据进行预处理,再构建DOM,流程如图 2所示。基于全数字化平台,仅完成影像定位姿态系统(position and orientation system, POS)数据自动转点、外方位元素解算以及数字微分纠正等步骤。最终的DOM像素为3414 pixel×4842 pixel,分辨率为0.1 m。

    图 2 DOM构建流程
    图  2  DOM构建流程
    Figure  2.  Building process of DOM

    机载LiDAR点云有较强穿透烟、雾、灰尘颗粒的能力,同时采集的3-D点云数据可保持尺度不变性,在复杂地貌场景中可完整地表达复杂地物的几何形状,同时能够准确展现地物间的布局关系,可有效避免2-D影像中存在的光照影响、姿态转换等情况[9]。无人机LiDAR点云具有以下几个特点:相对于地面站3-D激光扫描仪设备更高效和操作简洁;包含3-D坐标信息和扫描射线信息;具备回波强度及回波次数信息,可直接透过植被、建筑等地物采集地面数据;缺乏实景色彩信息,采集数据时在低空中易产生噪声点。

    随着社会的发展及科技的进步,遥感影像分类精度逐步提高,诸如贝叶斯法(Bayes)[10]、决策树法(decision tree,DT)[11]、KNN[12-13]、SVM[14-15]和RF[16-17]等精细化分类遥感影像算法成为近来研究的重点方向。

    KNN分类算法的主要概念是指在特征空间中有若干样本,将最近邻样本中的绝大部分数值归类为某一类别,即样本同属该类别,且具备相同特性。在进行分类决策时,KNN算法采用欧氏距离来度量样本在特征空间中的近邻性。对于k值的确定,一般都是采用尝试验证的方式,即在调整k值时,精度按升序或降序排列选取最大值从而确定最适宜的k[18-19]

    SVM以统计学中的一致性和结构风险最小化的思想为基础,将学习样本以非线性到高维核函数空间。然后在高维特征空间中构建最优超平面,构造和使用不同的核函数。SVM算法在构建判别函数时对向量求点积,并通过非线性变换到高维特征空间中的内积进行解算。而在SVM分类算法中惩罚系数C,即对误差的宽容度,是主要调整参数。C值过大, 容易导致过拟合线性,反之则会出现欠拟合[20]

    RF分类算法是影像分类中的重要方法[21-23]。RF算法的过程主要包含训练集的产生、构建决策树和算法的执行,如图 3所示。

    图 3 随机森林分类算法
    图  3  随机森林分类算法
    Figure  3.  RF classification algorithm

    对规模是n的森林而言,需要N颗决策树产生相同数量的训练集。采用多个分类器集中训练的集成学习方法,随机抽取用于训练的样本,该流程存在少许样本抽取重复的问题。在RF中采用分类与回归树(classification and regression tree, CART) 作为分类器,其中训练过程需要计算每个属性的Gini指标[24-26],通过选择最小Gini指标对节点进行分类,依据递归的形式建立决策树,按Gini不纯度最小准则,则分裂节点G(t)的计算过程如下:

    G(t)=1cj=1[p(jt)]2,(j=1,,c) (1)

    式中: p(j|t)表示t节点上类别为取j的概率,若节点t的全部样本属于同类时,G(·)指数取最小值,表示样本最纯;若节点t的均不属于同类时, G(·)指数为最大值1。

    若将样本划分为m个分支,则分裂节点的Gini指数按下式来计算:

    G(x)=mi=1ninG(i) (2)

    式中: m为节点数量; ni表示i节点的样本数量;n代表上层节点的样本数量。

    RF算法是综合考虑多个决策树而形成的一种集成分类器模型,它不仅用于分类, 还可以解决回归问题,其投票决策过程如下:

    H(x)=argmaxYKi=1I(hi(x)=Y) (3)

    式中: H(x)为组合分类模型;I(·)是指示性函数,依据最大投票法则判断得票数最多的一类作为输出结果;hi(x)为单棵决策树;Y是输出变量。

    上述机器学习分类算法的分类结果精度以定量评价,即依据N×N的混淆矩阵,用矩阵做分类误差分析。由下式得到分类的生产者精度(producer accuracy, PA),表示样本与分类结果相符合的概率:

    APA=aiiati×100% (4)

    由下式得到用户精度(user accuracy, UA),表示分类结果中随机样本和所属类别的比值:

    AUA=aiiait×100% (5)

    由下式得到全局精度(overall accuracy, OA),是样本数中分类正确的数量与总量的比值:

    AOA=ni=1xiiN×100% (6)

    kappa系数κ表示分类影像图和参考分类图对比相符合程度,其值在范围[0,1],越靠近1表示分类的精度越高[26]:

    κ=Nni=1aiini=1(ati+ait)N2ni=1(ati+ait) (7)

    式中: aiii类中分类属正确的数目;ati是全部i类的样本总数;ait表示在分类结果中i类别的总数目;xii代表全部样本里所分类准确的数;N为样本集的总数。

    为实现乡村建设,利用UAV遥感技术快速、准确地分类提取高原山区乡村的土地覆盖信息。基于某影像分析软件进行多尺度分割,先由尺度10开始分割,结果如图 4a所示,目视解译为“过分割”状态, 再按步长为10调试适宜本次试验的分割尺度,最后的尺度是200,结果如图 4b所示,可判断该分割结果属“欠分割”状态,再不断调试分割尺度,最终确定尺度70的分割结果,如图 4c所示,总计得到1198个面状像元能较好地满足本次在高原山村的分类所需的试验要求。

    图 4 最适宜分割结果
    图  4  最适宜分割结果
    Figure  4.  Optimal segmentation results

    通过目视解译出试验区的地类,包含裸土、道路、房屋、农作物和树木5类,同时依据最适宜本次试验的分割结果,在样本选择工具中选取适宜的样本信息,选取的5类样本信息布满整个试验区,截屏如图 5所示。其中树木样本选取80个,是样本数量最多的地类,而裸土样本选取最少,样本数量为19个,考虑试验区的地类占比情况,农作物选取样本33个。

    图 5 地类样本点选取
    图  5  地类样本点选取
    Figure  5.  Selection of ground class sample points

    依据选择的5类样本,同时加入亮度、红、绿、蓝3种可见光谱的均值特征及可见光波段差异植被指数V, 按式(8)计算,取值范围是[-1,1]。对所有的影像分割对象进行训练,其中需要对决策树的数量、最大深度、最大特征数等参数进行调整。

    V=(2GRB)/(2G+R+B) (8)

    式中: G表示绿波段的均值特征; R表示红波段的均值特征; B表示蓝波段的均值特征。

    基于某影像分析软件进行DOM的机器学习分类,KNN、SVM和RF算法都以试错法确定关键系数,其中确定KNN中的k=2,SVM中的惩罚系数C=2,而RF算法单棵树的最大深度为2,每个节点需要的最小样本数为1,树的数目为25, 具体分类结果如图 6所示。把3类算法的结果按同色号展示,以目视解译分析3种算法的分类结果。可以发现, KNN的分类中部分农作物和树木分类效果不佳,两地类有部分混淆,且有部分房屋被误识别为道路,如图 6a所示。图 6b所示为SVM分类,主要是右下角有较大面积树木被误识别为农作物。而在RF分类中,虽有部分房屋被误识别为道路,但整体分类较为完整,具体如图 6c所示。

    图 6 DOM分类结果
    图  6  DOM分类结果
    Figure  6.  DOM classification results

    选择完合适的样本数据集,然后按式(4)~式(7)统计3类算法基于裸土、道路、房屋、树木和农作物的19、18、23、80和33个样本的误差矩阵。如表 1所示,KNN分类的OA达到87.86%, κ=82.93%;SVM分类的OA达到89.02%, κ=84.51%;而在RF分类的结果与样本比较中,树木有2个样本被误识别为农作物,农作物样本中有5个样本被误识为树木, RF分类算法在本次试验中OA达到91.90%, κ=86.67%。κ的值越接近100%表示分类的精度高,κ分别比另外两种分类方法高3.74%和2.16%,且OA比KNN高了4.04%,比SVM提升2.88%,故本次试验中RF分类效果显著。

    表  1  3种算法2-D影像分类精度
    Table  1.  2-D image classification accuracy of three algorithms
    methods ground objects bare soil road building tree crop total
    KNN bare soil 16 2 0 0 0 18
    road 2 16 6 0 0 24
    building 0 0 17 0 0 17
    tree 1 0 0 74 4 79
    crop 0 0 0 6 29 35
    total 19 18 23 80 33
    producer 0.8421 0.8889 0.7391 0.9250 0.8788
    user 0.8889 0.6667 1 0.9367 0.8286
    OA 0.8786
    κ 0.8293
    SVM bare soil 15 2 0 0 0 17
    road 2 16 5 0 0 23
    building 0 0 18 0 0 18
    tree 2 0 0 75 3 80
    crop 0 0 0 5 30 35
    total 19 18 23 80 33
    producer 0.7895 0.8889 0.7826 0.9375 0.909
    user 0.8824 0.6957 1 0.9375 0.8571
    OA 0.8902
    κ 0.8451
    RF bare soil 17 2 0 0 0 19
    road 2 16 3 0 0 21
    building 0 0 20 0 0 20
    tree 0 0 0 75 2 77
    crop 0 0 0 5 31 36
    total 19 18 23 80 33
    producer 0.8947 0.8888 0.8695 0.9375 0.9393
    user 0.8947 0.7620 1 0.9740 0.8611
    OA 0.9190
    κ 0.8667
    下载: 导出CSV 
    | 显示表格

    RF分类方法在山区村落的DOM影像定性分析中,比本次试验的其余两种机器学习算法有更高的精度保障。故LiDAR点云选择以RF算法进行分类,再对RF分类结果对比分析。先需把DOM影像的不同地物分类结果映射到LiDAR点云中。由于影像和LiDAR点云是在相同飞行器、航线、坐标系下采集,故仅需通过直接求解法映射分类结果。在此过程中,会存在部分映射误差,需要按下式进行映射的精度评价:

    T=qQ×100% (9)

    式中: Q表示2-D影像不同地物分类的面状总数量;q为映射到3-D点云中不同地物分类的面状数量。

    把DOM的分类结果映射到LiDAR点云中实现2-D-3-D分类映射,结果如图 7所示。统计地类共1198像元,实际映射1128像元,按式(10)定量计算可知, 本次映射准确性达94.15%。

    图 7 2-D-3-D映射
    图  7  2-D-3-D映射
    Figure  7.  2-D-3-D mapping

    把同样的样本数据分别分割出对应LiDAR点云地类,并以此为点云的训练样本,在LiDAR360中实现RF的点云3-D分类,图 8a为DOM至LiDAR点云的2-D/3-D分类映射结果; 图 8b为3-D点云的分类结果,赋予5种地类相同颜色。

    图 8 2-D/3-D和3-D分类对比
    图  8  2-D/3-D和3-D分类对比
    Figure  8.  Comparison of 2-D/3-D and 3-D classification

    对于试验区全部地类,由2-D/3-D映射的分类出点云所属类别相对更符合实际地类,特别是3-D点云分类在Q1Q2区域均把大面积的农作物分类为裸土。同样在Q3区域中, 道路同样被误分类为裸土,但由于光学影像不具备穿透地物获取实际地面信息的能力,因道路两旁的部分树木高大且树叶茂密,树冠面积在无人机所拍摄的影像中遮挡了实际道路信息,由此导致2-D/3-D映射的点云分类出的道路信息存在残缺。此外,在Q4区域,3-D点云分类出的房屋信息相对立体,房屋围绕的院子未出现信息缺失的情况。总体而言,3-D点云分类除水体区域不能扫描出点云而导致有空洞外,也因试验区属于高原山区村落,存在一定的高程差,导致部分低矮的农作物和道路被误分类为裸土信息。但3-D的直接点云分类树木更完整呈现地物信息,且不易造成阴影压盖地表数据的现象。

    利用UAV遥感技术快速、准确地分类提取高原山区乡村的土地覆盖信息, 可以拓展UAV在乡村发展中的应用。本次试验中通过AA1300多旋翼BB4大黄蜂无人机由内置4240万像素的光学相机采集影像数据,并应用数字化流程构建2-D高分辨率DOM,在同等飞行条件下又通过GS-1350N采集LiDAR点云。

    (a) DOM分类中,RF分类算法的OA达到91.90%, kappa系数κ=86.67%。相对于KNN和SVM分类方法,OA分别提高了4.04%和2.88%,κ分别比两种分类方法高3.74%和2.16%。

    (b) 2-D的分类结果通过直接线性变换到3-D点云中,实现2-D/3-D的点云分类,映射精度达94.15%,但存在一定的误差。

    (c) 基于相同的样本试验3-D点云直接分类法,与2-D/3-D点云映射的结果相比,3-D点云直接分类可以更好地丰富树木、建筑物等地物的高程信息,且不会因地物遮挡而造成地表数据损失的情况,但仍存在问题:因扫描射线不可获取水体的信息而造成有空洞,另外由于实地的高程差,导致低矮的农作物和道路被误识别为裸土。

    在高原山区实现3-D的点云精准分类是后续的研究计划。

  • Figure  1.   Components of the modeling parameter K=2

    Figure  2.   Components of the modeling parameter K=3

    Figure  3.   Components of the modeling parameter K=4

    Figure  4.   Experimental results of three algorithms

    a, b—the infrared target images and their 3-D maps c, d—the detection results of the top-hat algorithm and their 3-D map e, f—the base method detection results and the corresponding 3-D maps g, h—the detection results of our algorithm and the corresponding 3-D maps, respectively

    Figure  5.   Small target trajectory map

    a—horizontal error b—horizontal error c—vertical error d—receiver operating characteristic (ROC)

    Table  1   Test data set

    set 1 set 2 set 3 set 4
    number of images 30 31 25 10
    target category bright speck missile bright speck ship
    image resolution 256×200 250×250 250×250 250×250
    background type sky sky sky-land sea
    primary interference type cloud clutter ground clutter sky-land clutter sea clutter
    下载: 导出CSV
  • [1]

    SUN Y J, LEI W H, HU Y H, et al. Rapid detection of remote sensing image ship based on visual saliency model[J].Laser Technology, 2018, 42(3):379-384 (in Chinese). http://www.en.cnki.com.cn/Article_en/CJFDTotal-JGJS201803017.htm

    [2]

    FENG Y. Infrared dim target detection based on improved singular value decomposition[J]. Laser Technology, 2016, 40(3): 335-338 (in Chinese). http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jgjs201603007

    [3]

    WEI Y T, YOU X G, LI H. Multiscale patch-based contrast measure for small infrared target detection[J].Pattern Recognition, 2016, 58: 216-226. DOI: 10.1016/j.patcog.2016.04.002

    [4]

    HE Y J, LI M, ZHANG J L, et al. Small infrared target detection based on low-rank and sparse representation[J].Infrared Physics & Technology, 2015, 68: 98-109. http://d.old.wanfangdata.com.cn/Periodical/hzlgdxxb201710005

    [5]

    LEI B, WANG B, SUN G B, et al. A fast detection method for small weak infrared target in complex background[J]. Proceedings of the SPIE, 2016, 10030: 100301V. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=10.1111/j.1528-1167.2006.00001_8.x

    [6]

    GAO J L, W Ch L, LIU M Q. Robust small target Co-detection from airborne infrared image sequences[J]. Sensors, 2017, 17(10): 2242. DOI: 10.3390/s17102242

    [7]

    KIM S, LEE J. Scale invariant small target detection by optimizing signal-to-clutter ratio in heterogeneous background for infrared search and track[J].Pattern Recognition, 2012, 45(1):393-406. DOI: 10.1016/j.patcog.2011.06.009

    [8]

    LI Y, LIANG Sh, BAI B D, et al. Detecting and tracking dim small targets in infrared image sequences under complex backgrounds[J].Multimedia Tools and Applications, 2014, 71(3):1179-1199. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=06bed9bef9149d20e2be5572dd102b40

    [9]

    WANG J H, YI W, THIA K, et al. An efficient eecursive multi-frame track-before-detect algorithm[J].IEEE Transactions on Aerospace & Electronic Systems, 2018, 54(1):190-204. https://ieeexplore.ieee.org/document/8013056

    [10]

    GAO J, DU J S, WANG W. Radar detection of fluctuating targets under heavy-tailed clutter using track-before-detect[J]. Sensors, 2018, 18(7):2241. DOI: 10.3390/s18072241

    [11]

    BAI X Z, BI Y G. Derivative entropy-based contrast measure for infrared small-target detection[J].IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(4):2452-2466. DOI: 10.1109/TGRS.2017.2781143

    [12]

    BODHIBRATA M, SESHAN S, SUBRAT K. Modeling the analog response of passive infrared sensor[J].Sensors & Actuators, 2018, 279: 65-74. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=0d5afdd469d57f48919a756b44354a6d

    [13]

    WANG H X, PENG J G, ZHENG X, et al.A robust visual system for small target motion detection against cluttered moving backgrounds [J].IEEE Transactions on Neural Networks and Learning Systems, 2019, 1109:1-15. https://ieeexplore.ieee.org/document/8704317

    [14]

    GAO C Q, MENG D, YANG Y, et al. Infrared patch-image model for small target detection in a single image[J]. IEEE Transactions on Image Processing, 2013, 22(12): 4996-5009. DOI: 10.1109/TIP.2013.2281420

    [15]

    GUO J, WU Y, DAI Y M. Small target detection based on reweighted infrared patch-image model[J]. IET Image Processing, 2018, 12(1):70-79. DOI: 10.1049/iet-ipr.2017.0353

    [16]

    CHANG X Y, ZHONG Y, WANG Y, et al. Unified low-rank matrix estimate via penalized matrix least squares approximation[J].IEEE Transactions on Neural Networks and Learning Systems, 2018, 30(2): 474-485. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=08fdbadd9cb1c225e3030d8a6b451287

    [17]

    CAO X Y, ZHAO Q, MENG D Y, et al. Robust low-rank matrix factorization under general mixture noise distributions[J]. IEEE Transactions on Image Processing, 2016, 25(10):4677-4690. DOI: 10.1109/TIP.2016.2593343

    [18]

    DU L, LI L, MA Y, et al. A noise-robust radar target classification method based on complex probabilistic principal component analysis[C]//2014 URSI General Assembly and Scientific Symposium.New York, USA: IEEE, 2014: 35-47. 10.1109/URSIGASS.2014.6929376

    [19]

    GAO Ch Q, WANG L, XIAO Y X, et al. Infrared small-dim target detection based on Markov random field guided noise modeling[J].Pattern Recognition, 2018, 76: 463-475. DOI: 10.1016/j.patcog.2017.11.016

    [20]

    WEI Y T, YOU X G, LI H. Multiscale patch-based contrast measure for small infrared target detection[J].Pattern Recognition, 2016, 58: 216-226. DOI: 10.1016/j.patcog.2016.04.002

  • 期刊类型引用(1)

    1. 曾睿,李智,国桂环. 基于激光点云的雕塑三维可视化应用研究. 电脑编程技巧与维护. 2025(01): 3-7 . 百度学术

    其他类型引用(3)

图(5)  /  表(1)
计量
  • 文章访问数:  5
  • HTML全文浏览量:  0
  • PDF下载量:  6
  • 被引次数: 4
出版历程
  • 收稿日期:  2019-07-29
  • 修回日期:  2019-10-23
  • 发布日期:  2020-07-24

目录

/

返回文章
返回