【技术实现步骤摘要】
一种基于加权核范数最小化的红外弱小目标检测方法
[0001]本专利技术涉及红外图像处理及目标检测领域,特别提供一种基于加权核范数最小化的红外弱小目标检测方法。
技术介绍
[0002]目标检测技术如今已发展的较为成熟,在民用领域,常用于智能监控、交通管控、医学特征识别等,较为常见的有:SIFT、积分图特征和AdaBoost对人脸进行检测,HOG和SVM结合主要用于行人检测;在军事领域,常用于侦察、制导、预警等。红外成像系统与可见光、雷达成像系统相比有着体积小、抗干扰能力强、隐蔽性好、可全天工作等优点,因此多被用于军事领域上,从而使得红外弱小目标检测这一关键技术成为研究热点。红外弱小目标检测的难点主要在与:一方面目标距离成像系统较远,通常成像在2X2到9x9像素之间,缺乏明显的形状和纹理特征,而且由于远距离成像中能量的散射,小目标的能量损失严重,使得目标与背景之间的对比度低,因此最终目标呈现弱和小的特征;另一方面,小目标所处的背景多变且很复杂,有一些背景的强边缘特征与小目标的特征很像,极易引起目标的误判。由此可见红外弱小目标检测极具挑战性,虽然目前已经提出了很多用于红外弱小目标检测的方法,但是无法适应多变的背景环境,无法在各种环境下都保持其优良的检测性能。基于这些难点,红外弱小目标检测受到了很多研究人员的关注。
[0003]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,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成果 ...
【技术保护点】
【技术特征摘要】
1.一种基于加权核范数最小化的红外弱小目标检测方法,其特征在于,该方法包括以下步骤:步骤1:输入一幅待处理的红外图像其中表示实数空间,m和n分别代表待处理图像的像素行数和像素列数,通过采用长宽尺寸为n1×
n2、步长为s的滑动窗遍历待处理红外图像D得到红外图像块张量其中n1×
n2等于滑动窗的大小,n3为滑动窗的个数;步骤2:通过计算待处理的原始红外图像的结构张量得到两个最大的特征值,根据这两个特征值初步判断原始图像中点特征和线特征的位置来构建特征描述矩阵W0,并基于W0得到目标权重矩阵W
p
,然后其转化成张量的形式;步骤3:构建目标函数和拉格朗日函数,并对其求解,得到目标图像块张量步骤4:将所述目标图像块张量重构回目标图像步骤5:将所述目标图像进行阈值分割,获取检测结果。2.如权利要求1所述的一种基于加权核范数最小化的红外弱小目标检测方法,其特征在于:所述步骤2包括以下步骤:步骤2.1:利用待处理的红外图像D构建结构张量并求解特征值λ1和λ2;步骤2.2:利用λ1和λ2获取W
rec
和W0,进而得到目标权重矩阵W
p
;其中,根据所述原始红外图像的特征点检测结果来分别构建点特征矩阵W
point
和线特征矩阵W
line
,从而得到特征描述矩阵W0=W
line
+C*W
point
,C为常数,最后基于W
p
=W
rec
.W
sw
.W0得到目标权重矩阵W
p
;其中在后续的迭代求解中得到更新,式中T代表目标矩阵,η为非零常数,||表示求绝对值;步骤2.3:用滑动窗按照步骤1所述,将目标权重矩阵W
p
堆叠成张量的形式所述为目标权重图像块张量。3.如权利要求2所述的一种基于加权核范数最小化的红外弱小目标检测方法,其特征在于:所述步骤2.2包括:步骤2.2.1:构建特征点检测函数:该函数又可以分为两个部分:其中e为自然数;步骤2.2.2:根据特征点检测函数构建点特征矩阵,对于val划定阈值,取其除了无穷大外最大值的γ1倍为阈值seg_val,对于val1划定阈值,取其最小值的γ2倍为阈值seg_val1,对于同时满足val>seg_val和val1≤seg_val1的特征点便认定为点特征,从而将其在点特征矩阵对应的位置设为1,其他的位置设为0,并采用圆形结构元对点特征矩阵进行形态学膨胀;步骤2.2.3:根据特征点检测函数构建线特征矩阵,对于val取值为无穷大,而且满足
val1>seg_val1的特征点便认为是线特征,从而将其在线特征矩阵对应的位置设为0,其他位置设为1。4.如权利要求3所述的一种基于加权核范数最小化的红外弱小目标检测方法,其特征在于:步骤3中,通过加权核范数及目标权重构建目标函数,用ADMM算法构造拉格朗日函数,并对其求解,...
【专利技术属性】
技术研发人员:杨兰兰,严棚,李美惠,
申请(专利权)人:中国科学院光电技术研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。