基于NSCT、KFCM和多模型LS-SVM的红外小目标检测
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ILS-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.
红外小目标检测、非下采样Contourlet变换、核模糊C均值聚类、最小二乘支持向量机、递归最大类间绝对差
32
TN911.73
国家自然科学基金60872065;航空科学基金20105152026;计算机软件新技术国家重点实验室开放基金KFKT2010B17
2012-01-15（万方平台首次上网日期，不代表论文的发表时间）
共6页
1704-1709
