基于结构信息的红外小目标图像的快速重构方法及系统技术方案

本发明专利技术适用于图像处理领域，提供了一种基于结构信息的红外小目标图像的快速重构方法，包括：获取红外小目标图像中的目标，根据目标确定尺寸先验信息；根据尺寸先验信息对所述红外小目标图像进行采样，得到若干子图像；对每一子图像进行行堆叠，得到堆叠矩阵，堆叠矩阵满足多测量向量模型；对每一子图像进行压缩测量，得到包括堆叠矩阵的压缩观测矩阵；采用块稀疏贝叶斯学习方法对压缩观测矩阵进行重构，得到重构后的红外小目标图像。本发明专利技术实施例根据红外小目标图像的成像特点，结合块稀疏贝叶斯压缩感知方法进行图像重构，能够精确地重构单帧目标图像，使还原后的图像具有较高平均峰值信噪比，同时降低了重构过程的计算量，提高了算法运行速度。

Fast reconstruction method and system of infrared small target image based on structure information

The invention is suitable for the field of image processing, and provides a rapid reconstruction method of infrared small target image based on structure information. It includes: obtaining the target in the infrared small target image, determining the size prior information according to the target, sampling the infrared small target image according to the size prior information, and obtaining several subgraphs. For each image, the stack matrix is stacked and the stack matrix is obtained, and the stack matrix satisfies the multi measurement vector model, and each sub image is compressed and measured, and the compressing observation matrix including the stacked matrix is obtained. The block sparse Bayesian learning method is used to reconstruct the compressed observation matrix, and the small infrared target after the reconstruction is obtained. Image. According to the imaging characteristics of the small infrared target image, the invention can reconstruct the image with the block sparse Bayesian compression perception method, which can accurately reconstruct the single frame target image, make the restored image have a high average peak signal to noise ratio, reduce the calculation amount of the reconstruction process and improve the speed of the algorithm.

【技术实现步骤摘要】
基于结构信息的红外小目标图像的快速重构方法及系统
本专利技术属于图像处理领域，尤其涉及一种基于结构信息的红外小目标图像的快速重构方法及系统。
技术介绍
红外小目标图像在军事上和民用上应用非常重要且广泛。诸多目标，如无人机、各种通用飞行器等，在红外探测器形成的图像中均表现为小目标或弱小目标。基于互联网的红外图像的应用更是许多领域的核心技术。随着红外技术在各领域的应用越来越广泛，如何实现红外图像在互联网系统有限的带宽下的可靠传输，成为当前红外技术在网络应用中存在的瓶颈问题。传统的数据压缩技术基于奈奎斯特采样定理，在编码端复杂度较高，解码端复杂度较低，对于无线传感器网络或其他系统来说，这通常与系统的硬件配置相悖。以无线传感器网络为例，传感器节点本身是廉价且节能的设备，却要完成数据的采集和压缩这类复杂的计算任务；在解码端通常是大型高效的处理设备，却仅需完成相对简单的计算任务。在野外作业或者军事作业的场合，这一矛盾更加尖锐，成为无线传感器网络中难以克服的关键问题。而数据率的不断提高，也对奈奎斯特定律提出了更高的要求，从而使得硬件上的设计更为困难。压缩感知(CS，compressivesensing)方法为这一问题提供了解决方案。压缩感知有别于传统信号采样理论，是一种直接用来对信号中有效信息进行采样压缩的理论框架。针对稀疏图像信号，ZLZhang等学者对信号中的块状结构信息进行研究和挖掘，形成了块稀疏贝叶斯学习(BlockSparseBayesianLearning,BSBL)方法理论，该理论针对信号的块内相关性而提出，是一种有效的图像压缩感知方法，已得到众多学者的关注。但是现有技术单纯地使用压缩感知和块稀疏贝叶斯学习方法进行图像的重构，导致出现重构得到的图像精度低，重构时间慢的问题。
技术实现思路
本专利技术所要解决的技术问题在于提供一种基于结构信息的红外小目标图像的快速重构方法及系统，旨在解决现有技术单纯地使用压缩感知和块稀疏贝叶斯学习方法进行图像的重构，导致出现重构得到的图像精度低，重构时间慢的问题。本专利技术是这样实现的，一种基于结构信息的红外小目标图像的快速重构方法，包括：步骤A，获取红外小目标图像中的目标，根据所述目标确定尺寸先验信息；步骤B，根据所述尺寸先验信息对所述红外小目标图像进行采样，得到若干子图像；步骤C，对每一所述子图像进行行堆叠，得到堆叠矩阵，所述堆叠矩阵满足多测量向量模型；步骤D，对每一所述子图像进行压缩测量，得到包括所述堆叠矩阵的压缩观测矩阵；步骤E，采用块稀疏贝叶斯学习方法对所述压缩观测矩阵进行重构，得到重构后的红外小目标图像。进一步地，所述红外小目标图像以X表示，Xi,j表示所述红外小目标图像第i行第j列的元素，所述目标的尺寸为L×L，M可被L整除，即M＝L×S，所述步骤B具体包括：分别从X的第l行开始对X进行下L行采样，得到L个子图像其中：进一步地，所述步骤C具体包括：对每一所述子图像进行行堆叠，得到L列向量；合并每一所述子图像的行堆叠，得到堆叠矩阵Xd，进一步地，以Xi·表示所述红外小目标图像X第i行元素所构成的行向量，所述步骤D具体包括：步骤D1，对每一所述子图像分别按行进行压缩测量，则分别按行压缩测量后得到行压缩观测值其中，P表示对按行压缩测量得到的感知矩阵，每行感知过程中的感知矩阵P均相同；步骤D2，根据公式(2)对L个行压缩观测值分别进行列向量化，得到L个列向量yl，(l＝1,2,…,L)：步骤D3，对每一个列向量yl进行压缩测量，得到列压缩观测值其中，J＝K·S,T<J，Ω表示对进行压缩测量得到的感知矩阵，每列感知过程中的感知矩阵Ω均相同；步骤D4，构建观测压缩矩阵Y，则有：其中，代表克罗内克乘积Kroneckerproduct；步骤D5，将堆叠矩阵代入公式(5)中，得到最终的压缩观测矩阵Y，即：进一步地，所述步骤E具体包括：步骤E1，将代入公式(6)中，得到简化后的压缩观测矩阵Y，则：Y＝Φ·Xd(7)步骤E2，考虑未知的噪声向量V，将公式(7)进行转换，得到：Y＝Φ·Xd+V(8)步骤E3，将公式(8)转换成块稀疏模型形式，得到：y＝D·x+v(9)其中，V＝vec(VT)，上标T表示矩阵的转置，IL表示L行的单位阵；步骤E4，将块稀疏信号x表达为xi表示块稀疏信号x的第i块，i＝1,2,…,SN；设定每一个块xi的概率密度服从高斯分布，即：p(xi)＝N(0,γiBi),i＝1,…,SN；(10)其中，γi表示超参数，用来决定第i个块的值是否均为零，Bi表示正定矩阵，用来对第i个块里各个元素间的结构特征进行建模；步骤E5，块稀疏信号x的先验为：p(x)＝N(0,Σ)；(11)其中，设公式(9)y＝D·x+v中的噪声向量v中每个元素服从高斯分布p(vi)～N(0,λ)；采用块稀疏贝叶斯学习方法对y＝D·x+v进行重构，得到重构后的红外小目标图像：Xd＝ΓΦT(λI+ΦΓΦT)-1Y；(12)其中：Γ＝diag(γ1,γ2,…,γSN)；正定矩阵B作为每一个Bi的最终估计值：公式(14)、(15)中，φi为矩阵Φ的第i列。本专利技术实施例还提供了一种基于结构信息的红外小目标图像的快速重构系统，包括：先验获取单元，用于获取红外小目标图像中的目标，根据所述目标确定尺寸先验信息；图像采样单元，用于根据所述尺寸先验信息对所述红外小目标图像进行采样，得到若干子图像；行堆叠单元，用于对每一所述子图像进行行堆叠，得到堆叠矩阵，所述堆叠矩阵满足多测量向量模型；压缩测量单元，用于对每一所述子图像进行压缩测量，得到包括所述堆叠矩阵的压缩观测矩阵；图像重构单元，用于采用块稀疏贝叶斯学习方法对所述压缩观测矩阵进行重构，得到重构后的红外小目标图像。进一步地，所述红外小目标图像以X表示，Xi,j表示所述红外小目标图像第i行第j列的元素，所述目标的尺寸为L×L，M可被L整除，即M＝L×S，所述图像采样单元具体用于：分别从X的第l行开始对X进行下L行采样，得到L个子图像其中：进一步地，所述行堆叠单元具体用于：对每一所述子图像进行行堆叠，得到L列向量；合并每一所述子图像的行堆叠，得到堆叠矩阵Xd，进一步地，以Xi·表示所述红外小目标图像X第i行元素所构成的行向量，所述压缩测量单元具体用于执行以下步骤：步骤D1，对每一所述子图像分别按行进行压缩测量，则分别按行压缩测量后得到行压缩观测值其中，P表示对按行压缩测量得到的感知矩阵，每行感知过程中的感知矩阵P均相同；步骤D2，根据公式(17)对L个行压缩观测值分别进行列向量化，得到L个列向量yl，(l＝1,2,…,L)：步骤D3，对每一个列向量yl进行压缩测量，得到列压缩观测值其中，J＝K·S,T<J，Ω表示对进行压缩测量得到的感知矩阵，每列感知过程中的感知矩阵Ω均相同；步骤D4，构建观测压缩矩阵Y，则有：其中，代表克罗内克乘积Kroneckerproduct；步骤D5，将堆叠矩阵代入公式(20)中，得到最终的压缩观测矩阵Y，即：进一步地，所述图像重构单元具体用于执行以下步骤：步骤E1，将代入公式(21)中，得到简化后的压缩观测矩阵Y，则：Y＝Φ·Xd(22)步骤E2，考虑未知的噪声向量V，将公式(22)进行转换，得到：Y＝Φ·Xd+本文档来自技高网...

【技术保护点】
1.一种基于结构信息的红外小目标图像的快速重构方法，其特征在于，包括：步骤A，获取红外小目标图像中的目标，根据所述目标确定尺寸先验信息；步骤B，根据所述尺寸先验信息对所述红外小目标图像进行采样，得到若干子图像；步骤C，对每一所述子图像进行行堆叠，得到堆叠矩阵，所述堆叠矩阵满足多测量向量模型；步骤D，对每一所述子图像进行压缩测量，得到包括所述堆叠矩阵的压缩观测矩阵；步骤E，采用块稀疏贝叶斯学习方法对所述压缩观测矩阵进行重构，得到重构后的红外小目标图像。

【技术特征摘要】
1.一种基于结构信息的红外小目标图像的快速重构方法，其特征在于，包括：步骤A，获取红外小目标图像中的目标，根据所述目标确定尺寸先验信息；步骤B，根据所述尺寸先验信息对所述红外小目标图像进行采样，得到若干子图像；步骤C，对每一所述子图像进行行堆叠，得到堆叠矩阵，所述堆叠矩阵满足多测量向量模型；步骤D，对每一所述子图像进行压缩测量，得到包括所述堆叠矩阵的压缩观测矩阵；步骤E，采用块稀疏贝叶斯学习方法对所述压缩观测矩阵进行重构，得到重构后的红外小目标图像。2.如权利要求1所述的快速重构方法，其特征在于，所述红外小目标图像以X表示，Xi,j表示所述红外小目标图像第i行第j列的元素，所述目标的尺寸为L×L，M可被L整除，即M＝L×S，所述步骤B具体包括：分别从X的第l行开始对X进行下L行采样，得到L个子图像其中：3.如权利要求2所述的快速重构方法，其特征在于，所述步骤C具体包括：对每一所述子图像进行行堆叠，得到L列向量；合并每一所述子图像的行堆叠，得到堆叠矩阵Xd，4.如权利要求3所述的快速重构方法，其特征在于，以Xi·表示所述红外小目标图像X第i行元素所构成的行向量，所述步骤D具体包括：步骤D1，对每一所述子图像分别按行进行压缩测量，则分别按行压缩测量后得到行压缩观测值Yld：其中，P表示对按行压缩测量得到的感知矩阵，每行感知过程中的感知矩阵P均相同；步骤D2，根据公式(2)对L个行压缩观测值Yld分别进行列向量化，得到L个列向量yl，步骤D3，对每一个列向量yl进行压缩测量，得到列压缩观测值其中，J＝K·S,T<J，Ω表示对进行压缩测量得到的感知矩阵，每列感知过程中的感知矩阵Ω均相同；步骤D4，构建观测压缩矩阵Y，则有：其中，代表克罗内克乘积Kroneckerproduct；步骤D5，将堆叠矩阵代入公式(5)中，得到最终的压缩观测矩阵Y，即：5.如权利要求4所述的快速重构方法，其特征在于，所述步骤E具体包括：步骤E1，将代入公式(6)中，得到简化后的压缩观测矩阵Y，则：Y＝Φ·Xd(7)步骤E2，考虑未知的噪声向量V，将公式(7)进行转换，得到：Y＝Φ·Xd+V(8)步骤E3，将公式(8)转换成块稀疏模型形式，得到：y＝D·x+v(9)其中，V＝vec(VT)，上标T表示矩阵的转置，IL表示L行的单位阵；步骤E4，将块稀疏信号x表达为xi表示块稀疏信号x的第i块，设定每一个块xi的概率密度服从高斯分布，即：p(xi)＝N(0,γiBi),i＝1,…,SN；(10)其中，γi表示超参数，用来决定第i个块的值是否均为零，Bi表示正定矩阵，用来对第i个块里各个元素间的结构特征进行建模；步骤E5，块稀疏信号x的先验为：p(x)＝N(0,Σ)；(11)其中，设公式(9)y＝D·x+v中的噪声向量v中每个元素服从高斯分布p(vi)～N(0,λ)；采用块稀疏贝叶斯学习方法对y＝D·x+v进行重构，得到重构后的红外小目标图像：Xd＝ΓΦT(λI+ΦΓΦT)-1Y；(12)其中：Γ＝diag(γ1,γ2,…,γSN)；正定矩阵B作为每一个Bi的最终估计值：公式(14)、(15)中，φi为矩阵Φ的第i列。6.一种基于结构信息的红外小目标图像的快速重构系统...

【专利技术属性】
技术研发人员：康莉，黄建军，黄敬雄，梁润青，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44