一種海面紅外小目標檢測方法技術

本發明專利技術公開了一種海面紅外小目標檢測方法，其步驟包括：(1)由非局部塊構造新圖像矩陣：將原始圖像矩陣分解為相互重疊的子塊，再將子塊展成列向量，然后將列向量組合獲得新的圖像矩陣；(2)稀疏與低秩矩陣分解：將新構造的圖像矩陣分解為稀疏的小目標分量、低秩的背景圖像分量以及噪聲分量；(3)建立凸優化模型：構建關于小目標圖像和背景圖像的凸優化約束能量泛函；(4)高效優化求解：采用高效參數自適應更新的交替方向乘子法求解構建的凸優化約束能量泛函；迭代獲取感興趣的小目標圖像；本發明專利技術提供的檢測方法計算代價低，參數自適應能力好，檢測效率高，具有抗背景噪聲和雜波干擾的能力，可應用于復雜海面背景的紅外小目標檢測。

【技術實現步驟摘要】

本專利技術屬于目標檢測
，更具體地，涉及一種在背景強噪聲和雜波的情形下，基于非局部塊矩陣稀疏與低秩分解和快速優化求解的海面紅外小目標檢測方法。
技術介紹
紅外小目標檢測技術是紅外搜索和跟蹤系統中的關鍵技術。紅外搜索和跟蹤系統的性能依賴于紅外小目標的檢測精度。海面紅外小目標檢測易受到復雜背景噪聲和雜波干擾，紅外圖像呈現低信噪比和低對比度，再加上遠距離目標成像，導致目標一般占據像素比例小；此外，紅外小目標沒有明顯的紋理和形狀結構特征，傳統的基于形狀結構等特征的檢測方法性能受限，甚至無法檢測到目標。近年來，基于低秩矩陣表示的目標檢測方法被用于紅外小目標檢測，該方法是利用小目標矩陣的稀疏性和背景圖像矩陣的低秩性來恢復數據矩陣；但在強噪聲和海雜波背景的干擾下，海面小目標圖像背景的低秩特征往往并不滿足，直接在觀測圖像數據上應用基于低秩矩陣分解的目標檢測方法性能受限。另一方面，為了充分利用低秩矩陣恢復模型以及秩的全局性約束，需要結合具體應用背景構造滿足可進行低秩和稀疏矩陣分解的新圖像數據矩陣。在實際應用中，低計算復雜度和低計算代價的要求對海面紅外小目標的快速檢測提出了新的挑戰。現有技術中采用Landweber迭代方法求解優化模型，但該迭代方法需要不斷更新參數，收斂速度慢。因此，低秩矩陣恢復模型的快速求解技術也需要優化設計。
技術實現思路
針對現有技術的以上缺陷或改進需求，本專利技術提供了一種海面紅外小目標檢測方法，其目的在于是從新構造的數據矩陣中恢復出稀疏的紅外小目標和低秩的海面背景圖像，解決強噪聲和海面雜波背景下海面紅外小目標的有效穩定檢測問題。為了實現本專利技術目的，本專利技術提供一種海面紅外小目標檢測方法，具體步驟如下：(1)構造新的圖像矩陣：對含海面小目標的原始觀測圖像矩陣按照從左至右、從上至下的順序分解為相互重疊的塊；將每個塊展成列向量；按列向量對應的塊在原始圖像矩陣的順序將所有列向量從左到右依次排列獲得圖像矩陣D；每個塊分辨率為N×N；相鄰塊在水平方向和在豎直方向的重疊部分的像素均為M；5≤N≤80，1≤M≤40；其中，將塊展成列向量是指塊的第一列像素不動，第二列像素排在第一列像素的后面，第三列像素排在第二列像素的后面，以此類推直到將塊內所有像素排列完的操作；(2)稀疏與低秩矩陣分解：將上述圖像矩陣D分解為小目標圖像矩陣E、背景圖像矩陣A以及噪聲矩陣N；(3)建立泛函模型：根據上述小目標圖像矩陣E、背景圖像矩陣A以及噪聲矩陣N建立含有約束條件的凸優化約束能量泛函模型；(4)對泛函模型求解：采用自適應更新懲罰參數的交替方向乘子法，對上述凸優化約束能量泛函模型進行迭代計算求解，獲得第(k+1)次迭代得到的背景圖像矩陣Ak+1和小目標圖像矩陣Ek+1；(5)判斷第(k+1)次迭代的殘差(D-Ak+1-Ek+1)與圖像矩陣D的商
||D-Ak+1-Ek+1||F/||D||F是否小于等于迭代誤差ε1，或者判斷是否達到最大迭代次數；若是，則將Ek+1作為檢測獲得的海面紅外小目標圖像矩陣；若否，則令迭代次數k＝k+1，并返回至步驟(4)。優選地，上述海面紅外小目標檢測方法，其步驟(3)具體如下：(3a)利用小目標圖像矩陣E構造權重矩陣W＝1/(|E|+εE)；其中|·|表示取絕對值操作，εE是防止除零的小常數，取值范圍為10-10≤εE≤10-6；(3b)按照計算正則化參數τ；其中，m和n分別為圖像矩陣D的行數和列數；(3c)根據所述權重矩陣W和正則化參數τ，構建凸優化約束能量泛函模型其中，||·||*和||·||1分別表示矩陣的核范數和1范數操作，ο表示兩個矩陣對應元素相乘操作，min表示能量泛函取得最小值時變量A和E的值；s.t.是subject to的縮寫，是受約束的意思；τ是正則化參數，W是關于矩陣E的元素的權重矩陣，其取值為wij＝1/(|Eij|+εE)，其中Eij表示矩陣E的第ij個元素，i＝1,…m，j＝1,…,n；本步驟中，建模采用的能量泛函關系為小目標圖像矩陣E的加權l1范數與背景圖像矩陣A的核范數之和；建模采用的線性約束為：D＝A+E+N。優選地，上述海面紅外小目標檢測方法，其步驟(4)中通過拉格朗日乘子Y將關于矩陣A和矩陣E的原始凸優化約束能量泛函拓展為下式含A、E、Y和β的無約束增廣拉格朗日泛函：其中β是正的懲罰參數，<·,·>表示矩陣的內積操作，||·||F表示矩陣的
Frobenius范數處理，表示矩陣的Frobenius范數的平方處理。優選地，上述海面紅外小目標檢測方法，根據給定的第k次迭代獲得的小目標圖像矩陣Ek、拉格朗日乘子Yk和懲罰參數βk，求解獲得第k次迭代的海面背景圖像其中是能量泛函取最小值時背景圖像矩陣A的值。優選地，上述海面紅外小目標檢測方法，根據給定的第k次迭代的背景圖像矩陣Ak、拉格朗日乘子Yk、懲罰參數βk和權重矩陣Wk，求解獲得第k次迭代的小目標圖像矩陣其中是能量泛函取最小值時小目標圖像矩陣E的值。優選地，上述海面紅外小目標檢測方法，根據下述公式對懲罰參數進行自適應更新：其中，k表示迭代次數，ρ為乘積因子，1≤k≤1000，ρ≥1，0<ε≤1；βk是第k次迭代更新后的懲罰參數、Ak是第k次迭代的海面背景圖像、Ek是第k次迭代的小目標圖像矩陣、Yk第k次迭代的拉格朗日乘子；max{本文檔來自技高網...

【技術保護點】
一種海面紅外小目標檢測方法，其特征在于，包括如下步驟：(1)將原始圖像矩陣分解為相互重疊的塊；將每個塊展成列向量，并按列向量對應的塊在原始圖像矩陣的順序將所有列向量從左到右依次排列獲得圖像矩陣D；每個所述塊的分辨率為N×N，相鄰塊在水平方向和在豎直方向的重疊部分的像素均為M；5≤N≤80，1≤M≤40；(2)將所述圖像矩陣D分解為小目標圖像矩陣E、背景圖像矩陣A以及噪聲矩陣N；(3)根據所述小目標圖像矩陣E、背景圖像矩陣A以及噪聲矩陣N建立含有約束條件的凸優化約束能量泛函模型；(4)采用自適應更新懲罰參數的交替方向乘子法，對所述凸優化約束能量泛函模型進行迭代計算求解，獲得第(k+1)次迭代得到的背景圖像矩陣Ak+1和小目標圖像矩陣Ek+1；(5)判斷第(k+1)次迭代的殘差(D?Ak+1?Ek+1)與圖像矩陣D的商||D?Ak+1?Ek+1||F/||D||F是否小于等于迭代誤差ε1，或者判斷是否達到最大迭代次數；若是，則將Ek+1作為檢測獲得的海面紅外小目標圖像矩陣；若否，則令迭代次數k＝k+1，并返回至步驟(4)。

【技術特征摘要】
1.一種海面紅外小目標檢測方法，其特征在于，包括如下步驟：(1)將原始圖像矩陣分解為相互重疊的塊；將每個塊展成列向量，并按列向量對應的塊在原始圖像矩陣的順序將所有列向量從左到右依次排列獲得圖像矩陣D；每個所述塊的分辨率為N×N，相鄰塊在水平方向和在豎直方向的重疊部分的像素均為M；5≤N≤80，1≤M≤40；(2)將所述圖像矩陣D分解為小目標圖像矩陣E、背景圖像矩陣A以及噪聲矩陣N；(3)根據所述小目標圖像矩陣E、背景圖像矩陣A以及噪聲矩陣N建立含有約束條件的凸優化約束能量泛函模型；(4)采用自適應更新懲罰參數的交替方向乘子法，對所述凸優化約束能量泛函模型進行迭代計算求解，獲得第(k+1)次迭代得到的背景圖像矩陣Ak+1和小目標圖像矩陣Ek+1；(5)判斷第(k+1)次迭代的殘差(D-Ak+1-Ek+1)與圖像矩陣D的商||D-Ak+1-Ek+1||F/||D||F是否小于等于迭代誤差ε1，或者判斷是否達到最大迭代次數；若是，則將Ek+1作為檢測獲得的海面紅外小目標圖像矩陣；若否，則令迭代次數k＝k+1，并返回至步驟(4)。2.如權利要求1所述的海面紅外小目標檢測方法，其特征在于，所述步驟(3)具體如下：(3a)利用小目標圖像矩陣E構造權重矩陣W＝1/(|E|+εE)；其中，εE是防止除零...

【專利技術屬性】
技術研發人員：方厚章，時愈，周鋼，鄭紀彬，許述文，潘東輝，
申請(專利權)人：西安電子科技大學，武漢工程大學，
類型：發明
國別省市：陜西;61