【摘要】：本章利用熵流与局部熵检测红外运动目标。熵图和熵流分别用于刻画拓扑特征和估计图像运动。通过构建熵流的二维直方图，依据熵流直方图主峰确定背景运动，减小了背景运动对图像目标判定的影响。尽管基于熵流与局部熵的红外目标检测能够提高目标检测性能，但是在确定视觉显著性的时候，采用高斯加权的方式代替平均加权。
本章利用熵流与局部熵检测红外运动目标。熵图和熵流分别用于刻画拓扑特征和估计图像运动。算法可以分为五个步骤:第一，利用熵流计算熵流场;第二，构建熵流的二维直方图，并判决直方图主峰;第三，补偿背景运动，获得差分图像;第四，使用Robinson 滤波器滤波差分图像来消除扰动;第五，通过局部熵进行目标分割。在计算图像熵图中采用了均值加权的方式，它可以抑制噪声的影响，因而在熵流估计图像运动时候更准确。通过构建熵流的二维直方图，依据熵流直方图主峰确定背景运动，减小了背景运动对图像目标判定的影响。这对提高图像目标检测准确性具有重要作用。通过实验分析，与传统的Lucas-Kanade 光流方法对比，它的检测率更高，质心距离更小，这说明了MTDBEFLE 算法检测性能的优越性。尽管基于熵流与局部熵的红外目标检测能够提高目标检测性能，但是在确定视觉显著性的时候，采用高斯加权的方式代替平均加权。由于生物视觉并不是高斯模式显著性这么简单，我们要研究更符合显著性度量加权模式，使得图像从亮度模式转换为熵模式，从而更加符合原图像的对比度特性，同时抑制噪声更强;并设计合理的滤波器阈值，使得能够依据红外图像局部信息自适应调整，以获得更准确的目标检测。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
