基于多尺度局部同质测度的红外小目标检测方法

红外弱小目标数据集(https://github.com/wanghuanphd/MDvsFA_cGAN.git) 删除了部分损坏的图像

红外飞机小目标数据集，共22个data文件夹，每个data文件夹都有标注，不需要自己再做标注。可用于深度学习中红外飞机小目标检测使用，包括天空背景、地面背景、多架飞机、飞机远离、飞机靠近等多种情况。 此处为data2，其他数据集可查看本人其他发布。

红外弱小目标检测技术已成为国内外红外领域研究的重点。对红外弱小目标的特征进行了介绍；从基于空间域和变换域的滤波、人类视觉系统以及图像数据结构3个方面，对当前单帧图像的红外弱小目标检测算法的原理、主要步骤及特点进行了综述；分析了红外弱小目标检测技术的发展趋势。

在红外（IR）图像序列中检测小目标是红外制导系统中的一项重要任务。 复杂背景的杂物通常会淹没小目标，从而使检测变得困难。 在复杂背景下实现高检测率和低误报率是一个主要问题。 我们提出了一种使用我们新的均匀性加权局部对比度测量（HWLCM）的红外小目标检测方法。 受人类视觉系统（HVS）确定显着性特征的能力启发，我们实现了使用中心和周围区域的局部对比特征以及周围区域的加权同质性特征来增强目标，同时抑制复杂区域的方法。背景。 我们的方法将每个图像分为带有滑动窗口的块，并为其计算HWLCM。 HWLCM可以增强实际目标并同时抑制干扰。 我们将自适应阈值应用于目标区域提取以进一步优化结果。 我们的实验结果表明，我们提出的方法比六种可比方法更有效，特别是在信号杂波增益（SCRG）和背景抑制因子（BSF）指标方面。

对基于中值相减滤波、最大中值相减滤波、最大均值相减滤波和推广的结构张量的红外弱小目标检测算法的性能进行了评估。针对传统评估方法的不足，提出了一种基于支持向量回归的红外弱小目标检测算法性能评估方法。利用该方法分别从图像背景特性和目标特性2方面对4种检测算法性能的影响进行定量分析和比较。实验结果表明，图像背景特性和目标特性对4种算法的检测性能都有较大的影响，而目标特性与4种算法的检测性能的依赖关系更明显；在4种评估算法中，基于推广的结构张量算法比其他3种传统红外弱小目标检测算法具有更好的鲁棒性。

l-曲线矩阵代码代码代码 该存储库适用于以下论文中介绍的自我正则化加权稀疏（SRWS）模型，并在Matlab R2018a中构建。 Zhang T，Peng Z，Wu H，et al。 [J]。 神经计算，420：124-148。 有关我的更多信息，您可以访问我的。 内容 介绍 红外搜索与跟踪（IRST）系统已在许多领域中广泛使用，但是，在复杂背景下检测红外小目标仍然是一项艰巨的任务。 本文提出了一种新的检测方法，称为自规则加权稀疏（SRWS）模型。 该算法是针对数据可能来自多个子空间的假设而设计的。 并且，可以检测背景结构信息的重叠边缘信息（OEI）被用于约束稀疏项并提高准确性。 此外，自正则项用于在背景中挖掘潜在信息，并从多个子空间中提取杂波。 因此，红外小目标检测问题转化为优化问题。 通过将优化函数与乘积交替方向法（ADMM）结合，我们解释了SRWS的求解方法并优化了其迭代收敛条件。 一系列实验结果表明，所提出的方法优于最新的基线。 图1.红外图像转换为斑块图像的插图。 图2.背景估计能力的图示。 （a）-（d）是原始图像； （e）-（h）是通过IPI估计的背景，采用单个子空间方

峰值检测matlab代码

复杂背景下红外小目标探测与跟踪若干关键技术研究 复杂背景下红外小目标探测与跟踪若干关键技术研究

红外飞机小目标数据集，共22个data文件夹，每个data文件夹都有标注，不需要自己再做标注。可用于深度学习中红外飞机小目标检测使用，包括天空背景、地面背景、多架飞机、飞机远离、飞机靠近等多种情况。 此处仅标注信息，其他数据集可查看本人其他发布。