一种基于非负约束2D变分模态分解的红外弱小目标检测方法技术

一种基于非负约束2D变分模态分解的红外弱小目标检测方法，解决现有技术中红外弱小目标所在的频带难以被准确估计、检测结果易受噪声及背景杂波干扰以及检测效率低的问题，属于红外弱小目标检测技术领域。本发明专利技术包括获得红外图像，采用带通滤波器进行红外图像预处理，通过将二维变分模态分解方法结合非负约束，构建目标函数，再将预处理结果输入目标函数，并根据目标函数求解输出分解结果，结果为K个非负窄带子信号。提取上述结果中对应于红外弱小目标的某个窄带子信号，得到目标子信号；将提取的目标子信号进行自适应阈值分割，确定红外弱小目标的位置及大小，并输出检测结果。用于红外弱小目标检测。

【技术实现步骤摘要】
一种基于非负约束2D变分模态分解的红外弱小目标检测方法
一种基于非负约束2D变分模态分解的红外弱小目标检测方法，用于红外弱小目标检测，属于红外弱小目标检测

技术介绍
红外成像技术在现代军事、天基探测、安防监控等领域得到了广泛的应用。其中，红外目标检测与跟踪系统是其关键技术和核心模块。由于多数应用中，红外成像距离远，导致目标往往只有几个像素到几十个像素，属于小目标。此外，由于红外探测系统的成像质量不高，以及大气系统对成像的干扰，目标的信杂比低，属于弱目标。红外弱小目标具有面积小、信杂比低、无形状及纹理特征以及快速运动等特点，其检测和跟踪具有很大难度。设计合适的红外弱小目标检测算法，可以大大提升红外目标检测与跟踪系统的有效性。对于一幅含有红外弱小目标的图像而言，其低频成分主要由平滑或模糊的背景所构成。相反地，成像过程中的噪声构成了红外图像的高频成分。弱小目标由于面积小，缺乏纹理特征，一般处于红外图像平滑背景和高频噪声之间的中间频段。红外图像成分之间的这种频率差异性常常被用来进行图像去噪以及弱小目标检测。典型的方法包括基于小波变换的红外弱小目标检测方法，基于剪切波变换的检测方法以及基于轮廓波变换的方法等。这些方法利用了小波变换以及超小波变换的频率特性，在变换域中去除噪声及背景杂波。这些方法往往不能自适应地找到目标所在频带，难以去除与目标接近的频率成分，且容易受噪声干扰。频域显著性也广泛地应用于红外弱小目标检测中。Qi等(2013)提出了一种基于四元组傅里叶变换的红外图像小目标增强方法，通过构建二阶方向导数滤波器，对输入图像进行四元组傅里叶变换，其相位谱包含了红外弱小目标的信息，同时抑制了背景杂波。此后，Han(2015)等提出了基于改进的四元组傅里叶变换的红外弱小目标检测方法，结合灰度及运动特性，在很多场景下都取得了良好的检测结果。这些方法依赖于红外弱小目标的运动特性及其高斯分布特性。当红外弱小目标的灰度分布不再接近高斯分布时，会影响检测效果。在红外图像处理中，由于事先无法知道红外图像及弱小目标所处的准确频带，需要对红外图像的频率成分进行自适应估计。邓鹤、刘建国等(2010)将经验模态分解(EmpiricalModeDecomposition,EMD)方法引入红外小目标图像处理中，进行图像的二维经验模态分解。经验模态分解(1998)是一种传统的信号分解方法，在每一次迭代过程中，重复地检测信号的局部最大/最小值，再通过插值的方式求得信号的上下包络。对上下包络求均值，可以得到当前信号的“中心信号”。用原信号减去该中心信号，所得到的差作为下一次迭代的输入。该方法在某些情况下，可以将信号分解为其本征分量的集合。但由于其缺少理论支撑，且算法效果极易受到极值点搜索结果的影响，该方法是不稳定的。在红外弱小目标检测中，该方法难以处理变化的背景，容易产生较大的虚警。
技术实现思路
本专利技术针对上述不足之处提供了一种基于非负约束2D变分模态分解的红外弱小目标检测方法，解决现有技术中红外弱小目标所在的频带难以被准确估计、检测结果易受噪声及背景杂波干扰以及检测效率低的问题。为了实现上述目的，本专利技术采用的技术方案如下：一种基于非负约束2D变分模态分解的红外弱小目标检测方法，其特征在于，还包括以下步骤：步骤1：获得一幅待处理的红外图像f(x,y)；步骤2：采用带通滤波器进行红外图像f(x,y)预处理，即得到去除部分高频噪声及平滑的背景的红外图像f′(x,y)∈Rm×n；步骤3：将二维变分模态分解方法与非负约束相结合，构建目标函数，再将步骤2得到的红外图像f′(x,y)∈Rm×n输入目标函数，并根据目标函数求解输出分解结果，即得到K个非负窄带子信号；步骤4：提取步骤3得到的非负窄带子信号中的红外弱小目标的窄带子信号，忽略其余不含有红外弱小目标的窄带子信号，得到目标子信号；步骤5：将步骤4中提取的目标子信号进行自适应阈值分割，确定红外弱小目标位置及大小，并输出检测结果。进一步，所述步骤2中采用的带通滤波器为高斯差分滤波器或巴特沃斯带通滤波器。进一步，所述步骤3的具体步骤如下：(31)将二维变分模态分解方法与非负约束相结合，构建目标函数；具体步骤如下：(311)假设输入的预处理后的红外图像f′(x,y)∈Rm×n将被分解为K个窄带子信号的集合，窄带子信号表示为uk(x,y),k＝1,...,K；将空间域二维坐标(x,y)简记为x，计算窄带子信号uk(x)的解析信号：其中δ表示二维脉冲信号，ωk表示第k个子信号对应的频率域二维坐标，j为虚数单位，ωk,⊥表示与ωk相垂直的频率域二维坐标，*表示卷积运算，<·>代表内积运算；(312)将解析信号进行频移，移动到预先估计出的图像基准频带φk，频移后的信号记为其中，uAS,k(x)为解析信号，j为虚数单位，<·>代表内积运算；(313)求解频移后的解析信号的带宽Bk，(314)根据步骤(311)-步骤(313)，对窄带子信号uk(x,y)进行非负约束以及数据保真约束，得到最终的目标函数，目标函数的公式如下：其中，f′(x)表示步骤2得到的红外图像f′(x,y)∈Rm×n，uk(x)≥0表示在最终的结果中，只有窄带子信号中的正数部分被视为有效信号，从而得以保留，负数部分被去掉，是确保分解出的窄带子信号不偏离预处理后的红外图像f′(x,y)∈Rm×n，ε为误差容许因子；(32)将步骤2得到的预处理后的红外图像f′(x,y)∈Rm×n输入目标函数，采用交迭方向乘子方法(Alternativedirectionalmethodofmultipliers,ADMM)求解目标函数，并输出非负窄带子信号，其中，在第n+1次迭代过程中，窄带子信号的更新采用维纳滤波，傅里叶变换表示为图像基准频带的更新通过计算当前窄带子信号的功率谱重心实现；目标函数的具体求解过程如下：(321)初始化迭代次数n＝0、窄带子信号图像基准频带傅里叶变换分别表示为以及其中k＝1,...,K；(322)根据步骤(321)初始化的结果计算Hilbert模板：其中，表示当前的图像基准频带，ω表示频率域二维坐标，sgn表示符号函数；(323)利用Hilbert模板，在频率域中计算第k个窄带子信号在第n+1次迭代中的解析信号其中表示Hilbert模板，ω表示频率域二维坐标，表示f′(x)的傅里叶变换结果，λ为拉格朗日乘子，α是计算中引入的权重因子；(324)将解析信号从频率域反变换回空间域，公式如下：(325)在反变换回空间域的窄带子信号中引入非负约束，得到非负窄带子信号，公式如下：(326)更新迭代次数：n＝n+1；(327)判断当前迭代次数是否大于最大迭代次数，如果是，则停止迭代，转到步骤(328)；如果不是，更新图像基准带值和频率域拉格朗日乘子返回步骤(322)；(328)输出步骤(325)的分解结果，即非负窄带子信号uk(x,y),k＝1,...,K。进一步，所述步骤(327)中更新图像基准带值和频率域拉格朗日乘子的公式分别为：其中，λ为拉格朗日乘子。进一步，所述步骤4具体步骤如下：(41)给出目标相似度因子(Targetsimilarityfactor,TSF)的公式：TSFk＝(mk-μk)/μk本文档来自技高网...

【技术保护点】
一种基于非负约束2D变分模态分解的红外弱小目标检测方法，其特征在于，还包括以下步骤：步骤1：获得一幅待处理的红外图像f(x,y)；步骤2：采用带通滤波器进行红外图像f(x,y)预处理，即得到去除部分高频噪声及平滑的背景的红外图像f′(x,y)∈R

【技术特征摘要】
1.一种基于非负约束2D变分模态分解的红外弱小目标检测方法，其特征在于，还包括以下步骤：步骤1：获得一幅待处理的红外图像f(x,y)；步骤2：采用带通滤波器进行红外图像f(x,y)预处理，即得到去除部分高频噪声及平滑的背景的红外图像f′(x,y)∈Rm×n；步骤3：将二维变分模态分解方法与非负约束相结合，构建目标函数，再将步骤2得到的红外图像f′(x,y)∈Rm×n输入目标函数，并根据目标函数求解输出分解结果，即得到K个非负窄带子信号；步骤4：提取步骤3得到的非负窄带子信号中的红外弱小目标的窄带子信号，忽略其余不含有红外弱小目标的窄带子信号，得到目标子信号；步骤5：将步骤4中提取的目标子信号进行自适应阈值分割，确定红外弱小目标位置及大小，并输出检测结果。2.根据权利要求1所述的一种基于非负约束2D变分模态分解的红外弱小目标检测方法，其特征在于，所述步骤2中采用的带通滤波器为高斯差分滤波器或巴特沃斯带通滤波器。3.根据权利要求2所述的一种基于非负约束2D变分模态分解的红外弱小目标检测方法，其特征在于，所述步骤3的具体步骤如下：(31)将二维变分模态分解方法与非负约束相结合，构建目标函数；具体步骤如下：(311)假设输入的预处理后的红外图像f′(x,y)∈Rm×n将被分解为K个窄带子信号的集合，窄带子信号表示为uk(x,y),k＝1,...,K；将空间域二维坐标(x,y)简记为x，计算窄带子信号uk(x)的解析信号：其中δ表示二维脉冲信号，ωk表示第k个子信号对应的频率域二维坐标，j为虚数单位，ωk,⊥表示与ωk相垂直的频率域二维坐标，*表示卷积运算，<·>代表内积运算；(312)将解析信号进行频移，移动到预先估计出的图像基准频带φk，频移后的信号记为ushift(x)，其中，uAS,k(x)为解析信号，j为虚数单位，<·>代表内积运算；(313)求解频移后的解析信号的带宽Bk，(314)根据步骤(311)-步骤(313)，对窄带子信号uk(x,y)进行非负约束以及数据保真约束，得到最终的目标函数，目标函数的公式如下：其中，f′(x)表示步骤2得到的红外图像f′(x,y)∈Rm×n，uk(x)≥0表示在最终的结果中，只有窄带子信号中的正数部分被视为有效信号，从而得以保留，负数部分被去掉，是确保分解出的窄带子信号不偏离预处理后的红外图像f′(x,y)∈Rm×n，ε为误差容许因子；(32)将步骤2得到的预处理后的红外图像f′(x,y)∈Rm×n输入目标函数，采用交迭方向乘子方法(Alternativedirectionalmethodofmultipliers,ADMM)求解目标函数，并输出非负窄带子信号，其中，在第n+1次迭代过程中，窄带子信号的更新采用维纳滤波，傅里叶变换表示为图像基准频带的更新通过计算当前窄带子信号的功率谱重心实现；目标...

【专利技术属性】
技术研发人员：彭真明，王晓阳，陈响，王酉祥，黄苏琦，龙鸿峰，杨琛，范文澜，王慧，马沪敏，蒲恬，何艳敏，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51