一种基于Kronecker基稀疏表示的红外弱小目标检测方法技术

本发明专利技术公开了一种基于Kronecker基稀疏表示的红外弱小目标检测方法，涉及红外图像处理及目标检测领域；其包括步骤1：构建原始图像的三阶张量；步骤2：利用克罗内克基稀疏测度和稀疏强化权重构建目标函数，将三阶张量输入目标函数，利用交替方向乘子法ADMM求解目标函数获取背景张量和目标张量；步骤3：根据背景张量和目标张量重构背景图像和目标图像；步骤4：对目标图像进行分割输出目标检测结果；本发明专利技术利用稀疏增强权重、L1范数和克罗内克基稀疏测度构建目标函数，利用可以全面约束张量秩的克罗内克基稀疏测度来对红外背景进行约束，增强目标分量中的稀疏性，有效地抑制背景边缘和噪声，提高了在面对复杂场景时检测红外弱小目标的能力。

【技术实现步骤摘要】
一种基于Kronecker基稀疏表示的红外弱小目标检测方法
本专利技术涉及红外图像处理及目标检测领域，尤其是一种基于Kronecker基稀疏表示的红外弱小目标检测方法。
技术介绍
红外成像技术具有非接触性、捕捉细节能力强等特点，并且不受烟、雾等障碍物的影响实现昼夜的连续远距离目标的探测；红外搜索与跟踪IRST(Infraredsearchandtrack)系统在军事、民用等领域得到广泛应用其中，红外弱小目标检测技术作为IRST系统的一个基本功能，在红外搜索、红外预警、远距离目标检测中具有重要意义。但是，由于在红外波段中，目标的纹理、结构信息缺乏，同时远距离、复杂背景、各种杂波的影响，红外目标经常呈斑点或点状，甚至淹没在背景中，这就造成了红外弱小目标检测极其困难。红外弱小目标检测技术分为两大类：基于单帧的弱小目标检测技术和基于多帧的弱小目标检测技术，但是由于基于多帧的检测技术需要联合多帧捕获目标的运动轨迹，排除噪声的干扰，因此需要极大的计算量和存储量，对硬件要求高，实际工程中应用很少。目前，常用的基于单帧的检测方法分为以下三类：(1)背景抑制：背景抑制类方法基于红外图像中背景一致性的假设，采用滤波器对红外图像的背景进行预测，然后再从原图中减去背景，最后进行阈值分割以此检测弱小目标。最大中值滤波、最大均值滤波、顶帽变换、二维最小均方滤波等均属于背景抑制的范畴。尽管这类方法实现简单，但是由于噪声并不符合一致性的假设，背景抑制的方法极易受噪声杂波的影响，导致大部分低信噪比的红外图像的抑制效果很差。(2)视觉显著性：人类视觉系统HVS(HumanVisualSystem)涉及对比度、视觉注意和眼动三种机制，其中涉及最多的为对比度机制即假设红外图像中，目标是最显著的对象。比如，高斯差分滤波器利用两个不同的高斯滤波器计算显著性图，并对目标进行检测和识别；基于局部对比的方法，利用包含目标的小邻域局部对比度高，而不包含的目标的背景区域局部对比度低的特点，通过计算局部对比度图，突出目标，抑制背景，达到检测的目的。当红外图像符合视觉显著性假设时，这类方法可以得到优异的效果，但是，在实际应用场景下，这一假设很难满足，比如显著性的虚警源的存在时，误检问题难以克服，造成准确率低。(3)目标背景分离：这一类方法利用的是红外图像背景的非局部自相关性以及目标的稀疏性，把目标检测问题转换为优化问题；其又可细分为基于超完备字典、低秩表示的方法和基于低秩背景与稀疏目标复原的方法。第一种方法需要提前由高斯强度模型构造不同目标尺寸和形状的超完备字典，构造目标字典的过程繁琐，检测结果受字典影响大，并且如果目标尺寸和形状变化较大时，高斯强度模型将不再适用；第二种方法借助块图像模型IPI(InfraredPatch-Image)模型可以得到低秩的原始块图像，再借助目标稀疏的特性，通过优化目标函数，同时恢复出背景和目标图像，最后得到检测结果；第二种方法效果极佳，但是存在以下两个问题：一、由于强边缘、部分噪声、虚警源也具有稀疏的特点，其会降低检测的准确率；二、由于目标函数优化的过程需要迭代，难以达到实时性。在当今这个信息爆炸的时代，数据的维度不再局限于一维和二维，处理的难度也日益增大，张量则是用来表示多维信息的方式；实际上，张量是多维数组的泛概念，比如一维数组通常称之为向量，二维数组通常称之为矩阵。鲁棒主成分分析RPCA(RobustPrincipalComponentAnalysis)克服了主成分分析PCA(PrincipalComponentAnalysis)易受异常点影响的缺点，更加稳健，目前已广泛应用于图像补全、图像去噪和人脸识别等领域；但RPCA只能用于处理二维矩阵，实际数据的维数很高，因此RPCA不能广泛地解决实际问题。为了能更加灵活地处理高维数据，基于张量的技术逐渐发展起来，其中，张量鲁棒主成分分析TRPCA(TensorRobustPrincipalComponentAnalysis)能利用更多的数据信息(结构、颜色、时间等)，在稀疏低秩分解上比RPCA表现更好。为了提高红外弱小目标检测能力，考虑到传统的红外弱小目标检测方法只考虑了图像的局部特点，而优化类方法只考虑了图像的非局部自相关特性，现有文献提出RIPT(ReweightedInfraredPatch-TensorModel)模型，即在块张量模型的基础上，同时结合红外图像的局部与非局部特性来构建目标函数，并利用(AlternatingDirectionMethodofMultipliers,ADMM)来对目标函数进行求解。在大部分情况下，RIPT有更好的背景抑制和目标增强能力，但是RIPT所采用的张量核范数为核范数和SNN(SumofNuclearNorms)，文献《Anewconvexrelaxationfortensorcompletion》指出SNN并不是张量秩的最优凸近似，赋予所有的奇异值相同的权重，同时，基于核范数或者基于核范数扩展加权核范数的方法，都只从张量整体上考虑张量秩即只从宏观考虑，而没有考虑张量内部每一个正面切片的秩的情况即未考虑微观，造成局部最优解，增大目标图像中虚警率，导致现有算法准确率低；因此需要一种红外弱小目标检测方法可以克服以上问题。
技术实现思路
本专利技术的目的在于：本专利技术提供了一种基于Kronecker基稀疏表示的红外弱小目标检测方法，克服现有方法在面对复杂场景时，单一的约束张量秩带来局部最优的问题和检测结果易受噪声及背景杂波干扰的问题，降低虚警率，提高检测红外弱小目标的能力。本专利技术采用的技术方案如下：一种基于Kronecker基稀疏表示的红外弱小目标检测方法，包括如下步骤：步骤1：构建原始图像的三阶张量；步骤2：利用克罗内克基稀疏测度和稀疏强化权重构建目标函数，将三阶张量输入目标函数，利用交替方向乘子法ADMM求解目标函数获取背景张量和目标张量；步骤3：根据背景张量和目标张量重构背景图像和目标图像；步骤4：对目标图像进行自适应阈值分割确定目标的位置，输出目标检测结果。优选地，所述步骤1包括如下步骤：步骤1.1：获取原始图像其中m和n分别表示原图的长和宽；步骤1.2：采用大小为k×k的滑动窗口w、按步长为s遍历原始图像D；步骤1.3：把每次滑动窗口w中的图像小块作为一个正面切片，窗口滑动t次后，构成一个三阶张量优选地，所述步骤2中利用克罗内克基稀疏测度和稀疏强化权重构建目标函数包括如下步骤：步骤a1：三阶张量包括低秩张量和稀疏张量为分离低秩张量B和稀疏张量T，将克罗内克基稀疏测度作为低秩张量，将张量l1范数作为稀疏张量，构建目标函数如下：minS(B)+λ||T||1s.t.D＝B+T其中，λ表示正的平衡系数，S(·)表示克罗内克基稀疏测度，且有其中，S表示对B作高阶奇异值分解得到的核心张量，即B＝＝S×1U1×2U2×3U3，Ui(i＝1,2,3)表示因子矩阵，×i(i＝1,2,3)表示张量与矩阵相乘，B(i)表示B的第i(1≤i≤t)个正面切片，||·||0表示张量l0范数(即张量中非零元素的个数)，rank(·)表示秩函数，τ表示非负的平衡系数，||·||1表示张量的l1范数(即张量中所有元素的绝对值之和)；步骤a2：定义稀疏强化权重则有本文档来自技高网...

【技术保护点】
1.一种基于Kronecker基稀疏表示的红外弱小目标检测方法，其特征在于：包括如下步骤：步骤1：构建原始图像的三阶张量；步骤2：利用克罗内克基稀疏测度和稀疏强化权重构建目标函数，将三阶张量输入目标函数，利用交替方向乘子法ADMM求解目标函数获取背景张量和目标张量；步骤3：根据背景张量和目标张量重构背景图像和目标图像；步骤4：对目标图像进行自适应阈值分割确定目标的位置，输出目标检测结果。

【技术特征摘要】
1.一种基于Kronecker基稀疏表示的红外弱小目标检测方法，其特征在于：包括如下步骤：步骤1：构建原始图像的三阶张量；步骤2：利用克罗内克基稀疏测度和稀疏强化权重构建目标函数，将三阶张量输入目标函数，利用交替方向乘子法ADMM求解目标函数获取背景张量和目标张量；步骤3：根据背景张量和目标张量重构背景图像和目标图像；步骤4：对目标图像进行自适应阈值分割确定目标的位置，输出目标检测结果。2.根据权利要求1所述的一种基于Kronecker基稀疏表示的红外弱小目标检测方法，其特征在于：所述步骤1包括如下步骤：步骤1.1：获取原始图像其中m和n分别表示原图的长和宽；步骤1.2：采用大小为k×k的滑动窗口w、按步长为s遍历原始图像D；步骤1.3：把每次滑动窗口w中的图像小块作为一个正面切片，窗口滑动t次后，构成一个三阶张量3.根据权利要求1或者2所述的一种基于Kronecker基稀疏表示的红外弱小目标检测方法，其特征在于：所述步骤2中利用克罗内克基稀疏测度和稀疏强化权重构建目标函数包括如下步骤：步骤a1：三阶张量包括低秩张量和稀疏张量为分离低秩张量B和稀疏张量T，将克罗内克基稀疏测度作为低秩张量，将张量l1范数作为稀疏张量，构建目标函数如下：minS(B)+λ||T||1s.t.D＝B+T其中，λ表示正的平衡系数，S(·)表示克罗内克基稀疏测度，且有其中，S表示对B作高阶奇异值分解得到的核心张量，即B＝＝S×1U1×2U2×3U3，Ui(i＝1,2,3)表示因子矩阵，×i(i＝1,2,3)表示张量与矩阵相乘，B(i)表示B的第i(1≤i≤t)个正面切片，||·||0表示张量l0范数(即张量中非零元素的个数)，rank(·)表示秩函数，τ表示非负的平衡系数，||·||1表示张量的l1范数(即张量中所有元素的绝对值之和)；步骤a2：定义稀疏强化权重则有其中，c和ξ表示大于0的正数；步骤a3：松弛S(B)为：其中，ε表示很小的正数，σm(B(i))表示B(i)的第m个奇异值；引入稀疏强化权重W，目标函数改写为：s.t.D＝B+T,B＝＝S×1U1×2U2×3U3其中，⊙表示Hardamard积；步骤a4：引入替代张量Mi＝B(i＝1,2,3)，可得目标函数的增广拉格朗日方程如下：其中，Pi(i＝1,2,3)表示拉格朗日乘子，μ和γ表示非负的惩罚因子，<·>表示内积运算，||·||F表示Frobenius范数，Ui(i＝1,2,3)表示由Tucker分解...

【专利技术属性】
技术研发人员：彭真明，张兰丹，杨春平，赵学功，曹思颖，彭凌冰，吕昱霄，张鹏飞，宋立，王警宇，彭闪，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51