System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及基于张量重构的低秩正则化背景估计红外小目标检测方法,属于目标检测领域。
技术介绍
1、目标检测是计算机视觉领域的核心问题之一,其任务就是找出图像中所有感兴趣的目标,确定他们的类别和位置。红外小目标检测作为其中一个分支,早已广泛应用于军事、医疗、工业等领域,但是在实际应用中,由于红外成像设备受到成像距离、目标移动速度、大气散射折射等因素的影响,使得红外图像的信噪比低、细节信息不足,且小目标与图像背景的对比度低,使得检测红外图像中的小目标变得十分困难。
2、近些年以来,涌现了各式各样的红外小目标检测方法。现有的红外小目标检测方法可分为两大类,一类为基于矩阵分解的红外小目标检测方法:“infrared patch-imagemodel for small target detection in a single image”等文章单纯的利用单帧红外图像来检测小目标,其局限性在于,在迭代中进行奇异值分解使得实时性较差。“efficientnearest neighbor search for cross-encoder models using matrix factorization”等文章通过高效的矩阵分解来加速迭代算法,提高实时性。但是这类算法的最大弊端是,当红外小目标被遮挡时,该类算法则无法准确检测出小目标。另一类算法为基于时空张量模型的红外小目标检测方法:“infrared small target detection via spatial–temporaltotal variation regul
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足,提供基于张量重构的低秩正则化背景估计红外小目标检测方法,采用基于变换域多维度展开的张量重构模型,将张量按多维度展开,并通过构造随机化的子空间估计出低密度矩阵,来降低计算复杂度,从而快速准确地计算出观测张量的秩;采用基于低秩正则化的张量补全模型,通过对背景张量进行正则化约束,有效地恢复出背景张量;可满足对红外图像序列中的小目标检测的需求,同时能在一定程度上,提高检测效率。
2、为达到上述目的,本专利技术是采用下述技术方案实现的:
3、本专利技术提供基于张量重构的低秩正则化背景估计红外小目标检测方法,所述方法包括如下步骤:
4、步骤s1:输入红外图像序列,将红外图像按序堆叠在一起,形成观测张量d;
5、步骤s2:将步骤s1获得的观测张量d输入到基于变换域多维度展开的张量重构模型中,计算出红外图像序列的张量秩r;
6、步骤s3:将张量秩r输入基于低秩正则化的张量补全模型中,通过交替乘子法、交替投影法,更新迭代基于低秩正则化的张量补全的各参数,最终计算出目标张量、背景张量和噪声张量,得到红外小目标检测结果。
7、进一步地,步骤s1中,将红外图像堆叠在一起,形成观测张量d具体包括:
8、步骤s11:输入红外图像序列,序列长度为i3,当序列长度为1时,则退化为红外图像;红外图像按照时间顺序排列,将其按序堆叠在一起,获得观测张量d,同时i1、i2、i3分别表示红外图像序列的行数、红外图像序列的列数、红外图像序列的长度。
9、进一步地,步骤s2中,将步骤s1获得的观测张量d输入到基于变换域多维度展开的张量重构模型中,计算红外图像序列的张量秩r,具体为:
10、步骤s21:将观测张量d按第i维展开,获得d[i],且i,j=1,2,3;
11、步骤s22:求解d[i]的秩ri,即张量秩r=[r1,r2,r3]。
12、进一步地,步骤s22中,求解d[i]的秩具体步骤为:
13、步骤s221:将d[i]映射到随机化的子空间λ中,对子空间λ进行正交化,获得矩阵q和m;该过程具体为:
14、
15、q=qr(λ,0)
16、m=qtddtq
17、其中,ω为高斯随机矩阵,ω~n(0,1);ε为误差参数,且0<ε<1;θ(·)表示渐近,q为正整数;qr(·)为qr分解;
18、步骤s222:取步骤s221中矩阵m的前l个特征向量(l≥2),通过矩阵乘法得到低密度矩阵z;该过程具体为:
19、
20、
21、其中,svd(·)为奇异值分解,为矩阵的左侧酉矩阵,
22、步骤s223:根据低密度矩阵z,构造出协方差矩阵;得到变换酉矩阵uz1和奇异值矩阵∑z1;该过程具体为:
23、rz=ztz
24、
25、
26、其中,rll为矩阵rz第l行第l列的值;r为矩阵rz的第l列向量,具体为r=[r1l,r2l,...,r(l-1)l]t,uz1=[u1,u2,...,ul-1],ui为左侧酉矩阵的第i个列向量,i∈[1,l-1];∑z1=diag(σ1,σ2,...,σl-1),σi表示奇异值,i∈[1,l-1];通过对矩阵rz1进行特征值分解得到变换酉矩阵uz1,
27、步骤s224:计算盖尔圆的半径ρi,ρi=|uihr|,i=1,2,...,l-1;
28、步骤s225:计算迭代决策值de,若de值小于零或迭代次数到达最大值,则求得展开矩阵d[i]的秩,其值为迭代次数减一;否则继续执行步骤s221-s225,同时令l增1;该过程具体为:
29、
30、
31、其中,t表示迭代次数,其最大值为展开矩阵d[i]的列数值,即ρt为i取值为t时的盖尔圆半径;为调整因子,其范围为
32、进一步地,步骤s3中,基于低秩正则化的张量补全模型具体为:
33、
34、s.t.d=l+s+n
35、其中,l、s、n分别表示背景张量、目标张量、噪声张量,其中ri为d[i]的秩,γi为非凸正则化参数,0<γi<1,σi为奇异值;ai、λ、η和β为加权参数,ai>0,λ>0,η>0,β>0。
36、进一步地,通过交替乘子法、交替投影法,更新迭代基于低秩正则化的张量补全的各参数,具体为:
37、
38、
39、
40、其中,k为更新迭本文档来自技高网...
【技术保护点】
1.基于张量重构的低秩正则化背景估计红外小目标检测方法,其特征在于,所述方法包括如下步骤:
2.根据权利要求1所述的基于张量重构的低秩正则化背景估计红外小目标检测方法,其特征在于,步骤S1中,将红外图像堆叠在一起,形成观测张量D具体包括:
3.根据权利要求1所述的基于张量重构的低秩正则化背景估计红外小目标检测方法,其特征在于,步骤S2中,将步骤S1获得的观测张量D输入到基于变换域多维度展开的张量重构模型中,计算红外图像序列的张量秩r,具体为:
4.根据权利要求3所述的基于张量重构的低秩正则化背景估计红外小目标检测方法,其特征在于,步骤S22中,求解D[i]的秩具体步骤为:
5.根据权利要求1所述的基于张量重构的低秩正则化背景估计红外小目标检测方法,其特征在于,步骤S3中,基于低秩正则化的张量补全模型具体为:
6.根据权利要求5所述的基于张量重构的低秩正则化背景估计红外小目标检测方法,其特征在于,通过交替乘子法、交替投影法,更新迭代基于低秩正则化的张量补全的各参数,具体为:
【技术特征摘要】
1.基于张量重构的低秩正则化背景估计红外小目标检测方法,其特征在于,所述方法包括如下步骤:
2.根据权利要求1所述的基于张量重构的低秩正则化背景估计红外小目标检测方法,其特征在于,步骤s1中,将红外图像堆叠在一起,形成观测张量d具体包括:
3.根据权利要求1所述的基于张量重构的低秩正则化背景估计红外小目标检测方法,其特征在于,步骤s2中,将步骤s1获得的观测张量d输入到基于变换域多维度展开的张量重构模型中,计算红外图像序列的张量秩r,具体为:<...
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。