基于加权固定秩表示的红外弱小目标检测方法技术

本发明专利技术涉及基于加权固定秩表示的红外弱小目标检测方法，包括步骤：1：输入待处理红外图像；2：通过滑动窗遍历红外图像后构建红外块图像；3：通过交叠组稀疏计算权重系数并构造块图像；4：通过固定秩表示方法和加权L1范数构建目标函数，使用自表示方法将所述的红外块图像作为完备字典输入目标函数后，利用ADMM算法构造拉格朗日函数并求解字典矩阵和目标块图像；5：将所述目标块图像重构为目标图像；6：对所述的目标图像阈值分割，获取检测结果。测试表明，本发明专利技术对红外小目标具有良好的检测效果，极大程度地降低了虚警率、明显的提高了算法的鲁棒性，使算法的收敛速度得到了大幅提升、运行时间大幅度降低。

Infrared dim and small target detection method based on weighted fixed rank representation

【技术实现步骤摘要】
基于加权固定秩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，具体的讲是基于加权固定秩表示的红外弱小目标检测方法。
技术介绍
近年来，将红外小目标检测作为关键技术已被广泛应用于早期预警系统、精确制导武器、导弹跟踪系统和海事监视系统等领域。空中目标是指高度约10～100km的各种类型的飞机和战术导弹。一方面，空中背景下的红外图像中目标主要集中在一个小的灰点，缺乏明显的形状和纹理特征；另一方面，空中背景下的红外小目标被复杂的云层杂波包围，目标与其周围背景杂波之间的对比度通常很低。因此，这些影响使得空中背景下的红外小目标检测成为具有挑战性的任务。现在，已经提出有许多用于红外小目标检测的最新方法，但当面临混乱的背景时，现有的这些方法通常不能很好地发挥作用。因此，红外弱小目标检测领域受到了很多关注。在国外，对弱小目标检测的主要研究机构有美国的海军实验室、空军实验室、NASA以及加利福尼亚大学应用数学中心等。许多国际刊物也经常刊登一些弱小目标检测技术的研究成果。国际光学工程学会(SPIE)从1989年开始，几乎每年都会举办有关弱小目标检测技术的国际会议，研讨弱小目标检测技术的最新研究成果。在国内，国家在弱小目标检测技术方面进行了大量的投入，已初具规模，但仍然与国外最先进的技术差距较大。国内在弱小目标检测方面的相关研究机构有很多。其中研究的重点集中在红外预警系统、机载前下视系统对地面及低空目标的监测、红外制导等领域。一些国内期刊也经常发表一些与弱小目标监测相关的研究成果。在实际应用中，当前最先进的小目标检测方法可以简单地分为两类：检测前跟踪(TBD)方法和跟踪前检测(DBT)方法。TBD方法通常联合处理多个帧来估计目标，需要极大的运算量和存储量，对计算机性能要求高，因此在实际应用中很少用到。目前跟踪前检测方法大致可以分成三类：(1)基于背景抑制的方法。背景抑制的方法基于红外图像背景一致性的假设，通常采用滤波器对图像背景进行压制，最后通过阈值分割来进行小目标检测。顶帽变换、最大中值均值滤波、小面模型等方法先后被提出并应用到红外小目标检测领域。但是这种方法的假设和原理相对简单，检测效果并不理想；(2)基于人类视觉系统(HVS)的方法。这类方法的认为目标和背景之间的局部对比度使得人类能够观察到小目标。基于这一观点，局部对比度方法、快速显著性方法、高斯差分方法、局部相关对比度方法、基于高提升的多尺度局部对比等方法被相继提出。这类方法应用的先验知识简单，通常运算效率比较低，因此得到了广泛的应用。但是该方法面对复杂背景和噪声影响时检测效果很不理想、算法鲁棒性低；(3)基于低秩稀疏矩阵重建的方法。这类方法认为观测到的图像是目标图像、背景图像和噪声的线性组合，同时又假设了目标图像有稀疏性、背景图像有低秩性。通过上述过程，将一个小目标的检测问题转化成了一个最优化问题来求解。这种方法又分成了两个小类别：基于单子空间的重建方法和基于多子空间的重建方法。在基于单子空间的重建方法中，红外块图像(IPI)模型最先提出，之后，加权红外块图像(WIPI)模型，、目标-背景分离(T-BS)模型，、重加权块图像张量(RIPT)模型和Lp范数非凸优化(NOLC)等方法相继提出。由于这些方法通常默认背景块图像中的元素都来源于一个子空间，这样的假设有时并不能满足实际的图像，会使得检测结果中混有杂波、检测算法鲁棒性差。在基于多子空间的重建方法中包括有低秩稀疏表示(LRSR)方法和多子空间学习(SMSL)方法等，由于这类方法假设更贴近真实情况，相较于其他方法检测效果也会更好。而且随着求解算法的不断改进，这类方法的收敛速度也在不断提升。但是由于这些方法通常默认背景块图像中的元素都来源于一个子空间，这样的假设有时并不能满足实际的图像，会使得检测结果中混有杂波、检测算法鲁棒性差。公开号CN109584303A的专利公开文件公开的是一种基于单子空间重建的NOLC方法，该方法是使用Lp范数约束稀疏项，它隐形的学习了来源于单一子空间的信息。并且将Lp范数中p的取值作为一个关键参数并不鲁棒，这使得NOLC方法在检测红外弱小目标时的鲁棒性差，面对复杂背景时效果不理想同时算法的抗噪声能力差。
技术实现思路
针对以上问题，本专利技术提供了一种基于多子空间重构方法的基于加权固定秩表示的红外弱小目标检测方法，以解决现有块图像模型方法由于边缘、强噪声和虚警源等因素的干扰导致的检测准确率低的问题。本专利技术基于加权固定秩表示的红外弱小目标检测方法，包括步骤：步骤1：输入一幅大小为m×n的待处理红外图像I(x,y)∈Rm×n，其中R表示实数空间，m和n分别表示待处理红外图像I(x,y)的行数和列数；步骤2：通过滑动窗遍历所述的红外图像I(x,y)后，构建红外块图像X(x,y)∈RM×N，其中N为滑动窗个数，其中M为红外块图像X(x,y)的行数，N为滑动窗个数；步骤3：通过交叠组稀疏计算权重系数并构造块图像ω(x,y)∈RM×N；步骤4：通过固定秩表示方法和加权L1范数构建目标函数，使用自表示方法将所述的红外块图像X(x,y)∈RM×N作为完备字典输入目标函数后，利用ADMM算法构造拉格朗日函数并求解字典矩阵Z(x,y)∈RN×N和目标块图像T(x,y)∈RM×N。ADMM(AlternatingDirectionMethodofMultipliers)算法是机器学习中比较广泛使用的约束问题最优化方法，它是ALM算法的一种延伸，是将无约束优化的部分用块坐标下降法来分别优化。步骤5：将所述目标块图像T(x,y)∈RM×N重构为目标图像t(x,y)∈Rm×n；步骤6：对所述的目标图像t(x,y)∈Rm×n阈值分割，获取检测结果。本专利技术的方法是基于多子空间重构方法，将固定秩表示方法引入到红外弱小目标检测中，利用其学习背景块图像中来源于多个子空间的元素，同时使用L21范数约束噪声，并对目标图像使用交叠组稀疏矩阵进行加权的L1范数约束，有良好的红外小目标检测效果，有效地降低了虚警率，提高了算法鲁棒性。并且本专利技术的方法可以学习来自多个子空间的背景信息，并在复杂背景中准确的检测到目标，同时使用交叠组稀疏构造的系数矩阵的加入，明显提高了检测时的抗噪声能力。在此基础上，所述步骤2还包括：步骤2.1：采用长宽为w、步长为s的滑动窗遍历所述红外图像I(x,y)，在每次取滑动窗时，将窗口内的w×w个像素拉伸为w2×1的列向量；步骤2.2：重复步骤2.1直至遍历整幅红外图像I(x,y)，将所述红外图像I(x,y)转换为红外块图像X(x,y)∈RM×N，其中M＝w2。进一步的，所述步骤3还包括：步骤3.1：分别计算红外图像I(x,y)∈Rm×n在横向的一阶导数gr(x,y)∈Rm×n和纵向的一阶倒数gc(x,y)∈Rm×n；步骤3.2：分别遍历所述横向和纵向的一阶导数矩阵，计算横向和纵向的交叠组稀疏矩阵，交叠组数为K，公式如下：其中运算符[*]表示不大于数字*的最大整数；ogsr(x,y)和ogsc(x,y)分别表示横向和纵向上的交叠组稀疏矩阵；步骤3.3：计算交叠组稀疏矩阵ogs(x,y)，公式如下：ogs(x,y)＝|ogsr(x,y)|+|ogsc(x,y)|其中|·|表示取绝对值；步骤3.4本文档来自技高网...

【技术保护点】
1.基于加权固定秩表示的红外弱小目标检测方法，其特征包括步骤：步骤1：输入一幅大小为m×n的待处理红外图像I(x,y)∈R

【技术特征摘要】
1.基于加权固定秩表示的红外弱小目标检测方法，其特征包括步骤：步骤1：输入一幅大小为m×n的待处理红外图像I(x,y)∈Rm×n，其中R表示实数空间，m和n分别表示待处理红外图像I(x,y)的行数和列数；步骤2：通过滑动窗遍历所述的红外图像I(x,y)后，构建红外块图像X(x,y)∈RM×N，其中N为滑动窗个数，其中M为红外块图像X(x,y)的行数，N为滑动窗个数；步骤3：通过交叠组稀疏计算权重系数并构造块图像ω(x,y)∈RM×N；步骤4：通过固定秩表示方法和加权L1范数构建目标函数，使用自表示方法将所述的红外块图像X(x,y)∈RM×N作为完备字典输入目标函数后，利用ADMM算法构造拉格朗日函数并求解字典矩阵Z(x,y)∈RN×N和目标块图像T(x,y)∈RM×N；步骤5：将所述目标块图像T(x,y)∈RM×N重构为目标图像t(x,y)∈Rm×n；步骤6：对所述的目标图像t(x,y)∈Rm×n阈值分割，获取检测结果。2.如权利要求1所述的基于加权固定秩表示的红外弱小目标检测方法，其特征为：所述步骤2还包括：步骤2.1：采用长宽为w、步长为s的滑动窗遍历所述红外图像I(x,y)，在每次取滑动窗时，将窗口内的w×w个像素拉伸为w2×1的列向量；步骤2.2：重复步骤2.1直至遍历整幅红外图像I(x,y)，将所述红外图像I(x,y)转换为红外块图像X(x,y)∈RM×N，其中M＝w2。3.如权利要求1所述的基于加权固定秩表示的红外弱小目标检测方法，其特征为：所述步骤3还包括：步骤3.1：分别计算红外图像I(x,y)∈Rm×n在横向的一阶导数gr(x,y)∈Rm×n和纵向的一阶倒数gc(x,y)∈Rm×n；步骤3.2：分别遍历所述横向和纵向的一阶导数矩阵，计算横向和纵向的交叠组稀疏矩阵，交叠组数为K，公式如下：其中运算符[*]表示不大于数字*的最大整数；ogsr(x,y)和ogsc(x,y)分别表示横向和纵向上的交叠组稀疏矩阵；步骤3.3：计算交叠组稀疏矩阵ogs(x,y)，公式如下：ogs(x,y)＝|ogsr(x,y)|+|ogsc(x,y)|其中|·|表示取绝对值；步骤3.4：计算权重系数矩阵ωo，公式如下：其中h为拉伸系数，max和min分别表示交叠组稀疏矩阵ogs(x,y)∈Rm×n的最大值和最小值；步骤3.5：按照步骤2，将权重系数矩阵ωo∈Rm×n构造成权重系数块矩阵ω∈RM×N。4.如权利要求1所述的基于加权固定秩表示的红外弱小目标检测方法，其特征为：所述步骤4还包括：步骤4.1：输入所述红外块图像X(x,y)∈RM×N；步骤4.2：通过固定秩表示方法和加权L1范数构建目标函数，并通过ADMM算法构造拉格朗日函数；步骤4.3：求解所述的拉格朗日函数，得到字典块图像Z(x,y)∈RN×N和目标块图像T(x,y)∈RM×N。5.如权利要求4所述的基于加权固定秩表示的红外弱小目标检测方法，其特征为：所述步骤4.2包括：步骤4.2.1：红外块图像X(x,y)∈RM×N由来源于多个子空间的低秩成分XZ∈RM×N、...

【专利技术属性】
技术研发人员：张天放，彭真明，李美惠，吕昱霄，彭凌冰，王警予，彭闪，蒲恬，赵学功，杨春平，杨昕梅，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51