毫米波弱小目标检测方法技术

本发明专利技术公开了一种毫米波弱小目标检测方法，涉及图像处理方法技术领域，所述方法包括如下步骤：用改进的稀疏表示方法完成对测试图像的背景抑制；依据目标与背景杂波特征的先验信息，提出周边中心差方法再次完成对测试图像的背景抑制；联合两种方法背景抑制的效果得到最终的背景目标判别结果图像；使用最终的背景目标判别结果图像完成对目标的提取。所述方法具有更低的虚警率、更高的检测精度以及更强的鲁棒性。

【技术实现步骤摘要】

本专利技术涉及图像处理方法
，尤其设计一种毫米波弱小目标检测方法。
技术介绍
被动毫米波(Passive millimeter wave,PMMW)成像具有无辐射、穿透能力强的优良特性，其在军事领域中的应用日益受到关注，因此在毫米波成像下对弱小目标检测进行研究具有十分重要的意义。弱小目标检测技术近年来得到了快速发展，但针对毫米波成像条件下弱小目标高精度检测依然面临极大的困难：首先，目标的成像距离一般较远，所检测到的目标面积较小，信噪比较低，无纹理特征可提取。第二，目标成像通常受到复杂背景的干扰，大量的杂波、噪声，还有一些边缘信息(如：云边缘、海天基线、建筑物边缘等)的存在，造成了目标淹没于背景之中。公开的针对毫米波成像弱小目标检测的研究成果较少，但在红外成像等领域相关学者进行了比较深入的研究，提出了一系列检测方法。背景抑制方法是弱小目标检测中最常见的方法，该方法通过估计待检测图像的背景，在此基础上进行目标检测。它主要分为两类检测方法：第一类是基于滤波的方法，通过图像滤波来估计背景，最终使目标得到增强。包括High-Pass、Max-Mean、Max-Median、Top-Hat、TDLMS等。这些算法在背景较简单的情况下抑制背景的效果较好。然而遇到背景较复杂、信噪比较低的情况，就会使虚警概率增高，检测精度下降。第二类是基于回归的方法，回归方法又可以分为线性回归和非线性回归。经典的线性回归方法依赖于特定的背景杂波模型和寻求这个假设模型的参数估计。而非线性回归方法仅依赖于数据本身来估计回归函数，现有技术中提出的核回归算法(Newton methods for robust regularized kernel regression，NRRKR)就是一个典型的非线性回归算法。所以，在实际应用中，由于缺乏背景杂波的先验知识，非线性回归方法更适合复杂背景条件下弱小目标的检测。但这一类方法也存在明显的不足，每一个局部区域都需要进行多次回归迭代，整体算法效率极低。还有一种基于机器学习的检测方法，该类方法用模式分类的思想去解决目标检测问题，它分别对目标和背景进行训练建模，然后根据判别规则判定测试图像的子图像块是否含有目标，如NLPCA、SPCA、FLD等。后来，随着稀疏表示理论的出现，为解决弱小目标检测问题带来了新的方法。赵佳佳等在《基于图像稀疏表示的红外小目标检测算法》一文中提出了基于图像稀疏表示的红外弱小目标检测算法(Sparse representation，SR)。该方法采用二元高斯模型生成目标字典，继而通过背景子块与目标子块在目标字典中稀疏系数的差异来判断目 标的位置。高斯字典作为典型的结构化过完备字典只适用于高斯分布的弱小目标，而对于非结构性的目标和背景，其稀疏表示系数不足以区分目标和背景杂波。LI等在《Dim moving target detection algorithm based on spatio-temporal classification sparse representation》一文中提出了基于空时联合稀疏重构弱小运动目标检测算法(Spatio-temporal classification sparse representation，STCSR)，该方法首先通过学习序列图像的内容构建自适应型态过完备空时字典，然后利用多元高斯模型从过完备字典中提取出目标空时字典和背景空时字典，将多帧图像分别在目标空时字典和背景空时字典进行稀疏重构，利用重构差异来区分目标和背景，此方法在一定程度上提高了检测精度。传统基于稀疏表示检测的方法一方面容易受到噪声的干扰，另一方面对于不符合训练样本中目标对象灰度分布的弱小目标检测能力较弱，XIE等在《Small target detection based on accumulated center-surround difference measure》一文中提出了一种累积中心与周边差异的小目标检测方法(Accumulated center-surround difference measure，ACSDM)，该方法很好的区分了非均匀区域与目标的特征差异，但这一方法在图像具有陡峭边缘的情况下会出现大量的错误检测。毫米波辐射计成像极易受到噪声的干扰，成像不稳定，系统噪声、地表温度场等都会严重影响到成像质量，毫米波图像往往呈现块状噪声等不稳定区域，这极大影响了现有算法的检测精度。
技术实现思路
本专利技术所要解决的技术问题是提供一种毫米波弱小目标检测方法，所述方法具有更低的虚警率、更高的检测精度以及更强的鲁棒性。为解决上述技术问题，本专利技术所采取的技术方案是：一种毫米波弱小目标检测方法，其特征在于包括如下步骤：1)用改进的稀疏表示方法完成对测试图像的背景抑制；2)依据目标与背景杂波特征的先验信息，改进周边中心差方法再次完成对测试图像的背景抑制；3)联合两种方法背景抑制的效果得到最终的背景目标判别结果图像；4)使用最终的背景目标判别结果图像完成对目标的提取。进一步的技术方案在于：所述步骤1)包括如下步骤：1-1)被动毫米波弱小目标图像稀疏表示建模；1-2)背景目标双字典构造方法；1-3)背景目标双字典背景抑制。进一步的技术方案在于：所述步骤1-1)包括如下步骤：被动毫米波弱小目标图像包括目标、背景和噪声，即：s＝sb+st+n (1)其中：s表示被动毫米波弱小目标图像，st、sb和n分别表示目标信号、背景信号和噪声；每一个像素根据其特征的差异被标记为目标或者背景，建模为：稀疏表示模型假设每类信号都能由同类信号的过完备字典及其相应的稀疏表示系数重构，对于背景信号sb可通过背景原子线性表示为：其中，Db表示背景过完备字典，表示背景原子，α表示背景信号sb在背景过完备字典Db中的稀疏表示系数；相应的，目标信号st则可通过目标原子线性表示，即：其中，Dt表示目标过完备字典，表示目标原子，β表示目标信号st在目标过完备字典Dt中的稀疏表示系数；通过结合两者的过完备字典Db和Dt，被动毫米波图像可稀疏表示建模为：其中D＝[Db Dt]是包含Db和Dt的过完备字典，γ＝[α β]T是该字典的稀疏表示系数；如果采样块s是目标图像块，则它可以由目标过完备字典Dt及其系数β稀疏表示，Db的系数α是一个零向量；相反，如果采样块s是背景图像块，则可由背景过完备字典Db及其系数α稀疏表示，Dt的系数β是一个零向量。进一步的技术方案在于：所述步骤1-2)包括如下步骤：采用K均值奇异值分解算法学习图像的内容构造过完备字典D；过完备字典D的训练模型为：其中||·||0和||·||2分别表示范数和范数，公式(6)表示在的值小于规定阈值时，被动毫米波小目标图像s可被D中的少量原子及其稀疏系数γ重构，构造过完备字典D是一个迭代过程，每次迭代分两个步骤：稀疏编码和字典更新。进一步的技术方案在于：所述稀疏编码包括如下步骤：固定字典D，通过公式(7)求得稀疏系数γ：ε是规定的所能容忍的误差值，对于这样一个非确定性多项式问题，采用正交匹配追踪算法求解。进一步的技术方案在于：所述字典更新包括如下步骤：字典的更新是逐列进行的，字典D的每一列即为一个原子dk，每一次更新都本文档来自技高网...

【技术保护点】
一种毫米波弱小目标检测方法，其特征在于包括如下步骤：1)用改进的稀疏表示方法完成对测试图像的背景抑制；2)依据目标与背景杂波特征的先验信息，提出周边中心差方法再次完成对测试图像的背景抑制；3)联合两种方法背景抑制的效果得到最终的背景目标判别结果图像；4)使用最终的背景目标判别结果图像完成对目标的提取。

【技术特征摘要】
1.一种毫米波弱小目标检测方法，其特征在于包括如下步骤：1)用改进的稀疏表示方法完成对测试图像的背景抑制；2)依据目标与背景杂波特征的先验信息，提出周边中心差方法再次完成对测试图像的背景抑制；3)联合两种方法背景抑制的效果得到最终的背景目标判别结果图像；4)使用最终的背景目标判别结果图像完成对目标的提取。2.如权利要求1所述的毫米波弱小目标检测方法，其特征在于所述步骤1)包括如下步骤：1-1)被动毫米波弱小目标图像稀疏表示建模；1-2)背景目标双字典构造方法；1-3)基于背景目标双字典的背景抑制。3.如权利要求2所述的毫米波弱小目标检测方法，其特征在于所述步骤1-1)包括如下步骤：被动毫米波弱小目标图像包括目标、背景和噪声，即：s＝sb+st+n (1)其中：s表示被动毫米波弱小目标图像，st、sb和n分别表示目标信号、背景信号和噪声；每一个像素根据其特征的差异被标记为目标或者背景，建模为：稀疏表示模型假设每类信号都能由同类信号的过完备字典及其相应的稀疏表示系数重构，对于背景信号sb可通过背景原子线性表示为： s b ≈ α 1 d 1 b + α 2 d 2 b + ... + α N b d N b = [ d 1 b , d 2 b , ... , d N b b ] [ α 1 , α 2 , ... , α N b ] = D b α - - - ( 3 ) ]]>其中，Db表示背景过完备字典，i＝1,2,...,Nb表示背景原子，α表示背景信号sb在背景过完备字典Db中的稀疏表示系数；相应的，目标信号st则可通过目标原子线性表示，即： s t ≈ β 1 d 1 t + β 2 d 2 t + ... + β N t d N t t = [ d 1 t , d 2 t , ... , d N t t ] [ β 1 , β 2 , ... , β N t ] = D t β - - - ( 4 ) ]]>其中，Dt表示目标过完备字典，i＝1,2,...,Nt表示目标原子，β表示目标信号st在目标过完备字典Dt中的稀疏表示系数；通过结合两者的过完备字典Db和Dt，被动毫米波图像可稀疏表示建模为：其中D＝[Db Dt]是包含Db和Dt的过完备字典，γ＝[α β]T是该字典的稀疏表示系数；如果采样块s是目标图像块，则它可以由目标过完备字典Dt及其系数β稀疏表示，Db的系数α是一个零向量；相反，如果采样块s是背景图像块，则可由背景过完备字典Db及其系数α稀疏表示，Dt的系数β是一个零向量。4.如权利要求2所述的毫米波弱小目标检测方法，其特征在于所述步骤1-2)包括如下步骤：采用K均值奇异值分解算法学习图像的内容构造过完备字典D；过完备字典D的训练模型为： ( γ , D ) = argmin D , γ ( Σ | | γ | | 0 + Σ | | D γ - s | | 2 2 ) - - - ( 6 ) ]]>其中||·||0和||·||2分别表示范数和范数，公式(6)表示在的值小于规定阈值时，被动毫米波小目标图像s可被D中的少量原子及其稀疏系数γ重构，构造过完备字典D是一个迭代过程，每次迭代分两个步骤：稀疏编码和字典更新。5.如权利要求4所述的毫米波弱小目标检测方法，其特征在于所述稀疏编码包括如下步骤：固定字典D，通过公式(7)求得稀疏系数γ： argmin D , γ ( | | γ | | 0 ) s . t . | | s - D γ | | 2 2 ≤ ϵ - - - ( 7 ) ]]>ε是规定的所能容忍的误差值，对于这样一个非确定性多项式问题，采用正交匹配追踪算法求解。6.如权利要求5所述的毫米波弱小目标检测方法，其特征在于所述字典更新包括如下步骤：字典的更新是逐列进行的，字典D的每一列即为一个原子dk，每一次更新都可计算与s的误差： E k = | | s - Σ k d k γ k | | 2 2 - - - ( 8 ) ]]>通过K均值奇异值分解算法能更新每一组(dk,γk)，重复执行公式(8)，直到Ek小于等于规定的误差值ε，即完成一次字典更新，随着迭代次数的增加，最终训练出与被动毫米波图像s相适应的过完备字典D；首先从大量毫米波图像的背景中随机选取背景块，然后在每一个子块上用二维高斯强度模型加上一个目标作为高斯字典Dg中的一个原子，所有子块的集合构成完整的Dg；通过Dg对过完备字典D中每个原子dk进行稀疏重构，根据残余能量差判断dk是目标原子或...

【专利技术属性】
技术研发人员：谢春芝，高志升，耿龙，裴峥，
申请(专利权)人：西华大学，
类型：发明
国别省市：四川;51