一种结合ATV约束的张量恢复红外弱小目标检测方法技术

本发明专利技术公开了一种结合ATV约束的张量恢复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：构建原始图像的先验信息权重张量；步骤3：利用张量logDet函数和张量l1范数，结合ATV约束，构建目标函数，将三阶张量和先验信息权重张量输入目标函数，利用ADMM求解目标函数获取背景张量和目标张量；步骤4：根据背景张量和目标张量重构背景图像和目标图像；步骤5：对目标图像进行分割输出目标检测结果；本发明专利技术克服现有方法易受背景边缘和噪声的影响导致红外弱小目标检测中虚警率高的问题和核范数引起的局部最优性问题，提了高目标检测和背景抑制能力，提高了目标检测的准确率。

【技术实现步骤摘要】
一种结合ATV约束的张量恢复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，尤其是一种结合ATV约束的张量恢复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(RobustPrincipleComponentAnalysis，RPCA)克服了鲁棒主成分分析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只能直接用于处理二维矩阵，若要处理高维数据，需先把高维数据转换为二维数据，处理完成后再转换至高维空间。这一过程不仅繁杂，而且完全破坏数据的内在结构，且效率低下。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，张量恢复(TensorRecovery)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。张量鲁棒主成分分析(TensorRPCA，TRPCA)为张量恢复技术中的一种关键技术，是RPCA的高阶扩展，由Goldfarb和Qin两人提出。假定给定一个已知张量并且已知可分解为：其中，为低秩张量，ε为稀疏张量，根据求解和ε的问题就是一个张量恢复问题。全变分(TotalVariation，TV)模型是一种著名的偏微分方程去噪模型，由于图像细节部分和噪声有很大的相似性，所以在图像去噪的同时，很难保护细节部分。Osher等人在1992年提出了全变分的思想，该模型能在去噪的同时有效的保护图像边缘。TV被证明能够保留图像的重要边缘和边角，在需要对图像不连续部分进行精确估计时，经常将其作为正则项。换句话说，TV代表了给定图像的平滑度，它也广泛用于图像分解，它可以将图像分解为两部分：一部分是不相关的随机图案，另一部分是锐边和分段光滑分量。通过最小化图像的TV，图像光滑的内表面将被保留，同时保持清晰的边缘。TV模型包括各向同性全变分(IsotropicTotalVariation，ITV)以及各向异性全变分(AnisotropicTotalVariation，ATV)，但是由于ATV的边缘保持能力优于ITV，因此，ATV被越来越多地应用到图像去噪、图像重建等领域。在不失一般性假设的前提下，给定一幅图X，ATV定义如下：其中，和分别表示水平和垂直的二维有限差分算子。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，并利用交替方向乘子法(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，核范数当中赋予所有的奇异值相同的权重，而在实际的场景中，目标内容和噪声的奇异值是不同的，因此RIPT会造成局部最优解，增大目标图像中虚警率。同时，RIPT中的局部结构权重在突出背景边缘的同时也突出了目标的边缘，导致检测结果的目标形状减小，甚至会出现检测不到目标的情况。因此，需要一种红外弱小目标检测方法结合张量恢复和ATV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结合ATV约束的张量恢复红外弱小目标检测方法，克服现有方法易受背景边缘和噪声的影响导致红外弱小目标检测中虚警率高的问题和核范数引起的局部最优性问题，提高目标检测和背景抑制能力，提高目标检测的准确率。本专利技术采用的技术方案如下：一种结合ATV约束的张量恢复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：提取原始图像的先验信息，构建先验信息权重张量；步骤3：利用张量logDet函数和张量l1范数，结本文档来自技高网...

【技术保护点】
1.一种结合ATV约束的张量恢复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：提取原始图像的先验信息，构建先验信息权重张量；步骤3：利用张量logDet函数和张量l1范数，结合ATV约束，构建目标函数，将三阶张量和先验信息权重张量输入目标函数，利用ADMM求解目标函数获取背景张量和目标张量；步骤4：根据背景张量和目标张量重构背景图像和目标图像；步骤5：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】
1.一种结合ATV约束的张量恢复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：提取原始图像的先验信息，构建先验信息权重张量；步骤3：利用张量logDet函数和张量l1范数，结合ATV约束，构建目标函数，将三阶张量和先验信息权重张量输入目标函数，利用ADMM求解目标函数获取背景张量和目标张量；步骤4：根据背景张量和目标张量重构背景图像和目标图像；步骤5：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所述的一种结合ATV约束的张量恢复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分别表示图像的长和宽；步骤1.2：采用大小为p×p的滑动窗口w、按步长为s遍历原始图像D；步骤1.3：将每次滑动窗口w中的图像小块作为一个正面切片，滑动q次后组建三阶张量3.根据权利要求1或者2所述的一种结合ATV约束的张量恢复红外弱小目标检测方法，其特征在于：所述步骤2包括如下步骤：步骤2.1：定义原始图像D的结构张量Jρ定义如下：其中，Kρ表示方差ρ的高斯核函数，*表示卷积运算，Dσ表示对原始图像进行方差为σ(>0)的高斯平滑滤波，表示克罗内克积，表示求梯度，表示Dσ沿x方向的梯度，表示Dσ沿y方向的梯度；步骤2.2：计算Jρ的特征值矩阵和计算如下：步骤2.3：计算与目标相关的先验信息矩阵其中，⊙表示哈达马积；步骤2.4：计算与背景相关的先验信息矩阵Wm＝max(λ1,λ2)；步骤2.5：根据得到的Wcs和Wm计算先验信息矩阵Wp＝Wcs*Wm；对Wp作如下的归一化：其中，wmin和wmax分别表示Wp的最小值和最大值；步骤2.6：根据归一化的先验信息矩阵Wp构建先验信息权重张量构建方法为：采用大小为p×p的滑动窗口w遍历Wp，把每次滑动窗口w中的图像小块作为一个正面切片，滑动q次后，构成一个三阶张量即先验信息权重张量4.根据权利要求1-3任一项所述的一种结合ATV约束的张量恢复红外弱小目标检测方法，其特征在于：所述步骤3中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和稀疏张量将张量logDet函数作为低秩张量的正则化项，张量l1范数作为稀疏张量的正则化项，结合ATV约束，构建目标函数，公式如下：其中，η＞0表示一个很小的正则化常数，λ和β表示平衡系数，logDet(·)表示张量的logDet函数，且有表示，表示的第i...

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