技術(shù)特征：

1.一種基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法，其特征在于，所述方法包括：

塊稀疏表示步驟、將連續(xù)紅外小目標圖像序列表示為具有塊稀疏特性的信號；

時間相關(guān)性建模步驟、在貝葉斯框架下對連續(xù)紅外小目標圖像序列之間數(shù)據(jù)的時間相關(guān)性進行建模；

信號重構(gòu)輸出步驟、采用稀疏學(xué)習(xí)算法實現(xiàn)紅外小目標圖像的重構(gòu)，并輸出信號的最終估計值。

2.如權(quán)利要求1所述的基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法，其特征在于，所述塊稀疏表示步驟具體包括：

利用連續(xù)紅外小目標圖像序列信號和塊稀疏矩陣表示多測量向量模型Y＝ΦX+V，其中，紅外小目標圖像信號為塊稀疏矩陣為X＝{x₁,x₂,...,x_L},為觀測矩陣，為已知的字典矩陣，V是噪聲矩陣，y^(.i)是Y的第i列，x^(.i)是X的第i列；

將所述多測量向量模型轉(zhuǎn)換為單測量向量模型y＝Dx+v，其中，在所述多測量向量模型中，塊稀疏矩陣X由具有時間相關(guān)性的連續(xù)幀x_i(i＝1,2,...,L)構(gòu)成，x^(i.)(i＝1,...,M)相互獨立，x^(i.)是X的第i行，令其中I_L為L維單位陣，x即塊稀疏信號，可表示為其中，J＝M×L。

3.如權(quán)利要求2所述的基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法，其特征在于，所述時間相關(guān)性建模步驟具體包括：

在所述多測量矢量模型中，假設(shè)X_i·相互獨立，且服從高斯分布：p(X_i·；γ_i,B_i)～N(0,γ_iB_i)，其中，超參γ_i控制矢量X_i·的稀疏度，B_i為一正定陣，描述了X_i·的時間關(guān)聯(lián)結(jié)構(gòu)，為待估參數(shù)，假設(shè)稀疏矢量x的先驗為p(x；γ_i,B_i)～N(0,Σ₀)，在貝葉斯框架下對連續(xù)紅外小目標圖像序列之間數(shù)據(jù)的時間相關(guān)性進行建模；

其中，γ_i為非負超參，由矩陣B_i構(gòu)建的先驗密度對信號的時間結(jié)構(gòu)進行描述。

4.如權(quán)利要求3所述的基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法，其特征在于，所述信號重構(gòu)輸出步驟具體包括：

在已知觀測y的條件下，用貝葉斯方法可獲得稀疏矢量x的后驗估計：p(x|y；σ²,γ_i,B_i)～N(μ_x,Σ_x)，其中，觀測y的高斯似然函數(shù)為：其中，Σ_x＝Σ₀-Σ₀D^T(σ²I+DΣ₀D^T)^-1DΣ₀；

通過最大似然方法或期望最大化方法對上式的超參數(shù)進行估計：$\begin{array}{cccc}{\mathrm{\γ}}_i=\frac{Tr\[B^{-1}({\mathrm{\Σ}}_x^i+{\mathrm{\μ}}_x^i{\left({\mathrm{\μ}}_x^i\right)}^T)\]}{L},& i=1,\mathrm{...},M,& B=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\frac{{\mathrm{\Σ}}_x^i+{\mathrm{\μ}}_x^i{\left({\mathrm{\μ}}_x^i\right)}^T}{{\mathrm{\γ}}_i},& i=1,\mathrm{...},M,\end{array}$迭代終止后，輸出信號的最終估計值。

5.一種基于塊稀疏壓縮感知的紅外圖像重構(gòu)系統(tǒng)，其特征在于，所述系統(tǒng)包括：

塊稀疏表示模塊，用于將連續(xù)紅外小目標圖像序列表示為具有塊稀疏特性的信號；

時間相關(guān)性建模模塊，用于在貝葉斯框架下對連續(xù)紅外小目標圖像序列之間數(shù)據(jù)的時間相關(guān)性進行建模；

信號重構(gòu)輸出模塊，用于采用稀疏學(xué)習(xí)算法實現(xiàn)紅外小目標圖像的重構(gòu)，并輸出信號的最終估計值。

6.如權(quán)利要求5所述的基于塊稀疏壓縮感知的紅外圖像重構(gòu)系統(tǒng)，其特征在于，所述塊稀疏表示模塊具體用于：

利用連續(xù)紅外小目標圖像序列信號和塊稀疏矩陣表示多測量向量模型Y＝ΦX+V，其中，紅外小目標圖像信號為塊稀疏矩陣為X＝{x₁,x₂,...,x_L},為觀測矩陣，為已知的字典矩陣，V是噪聲矩陣，y^(.i)是Y的第i列，x^(.i)是X的第i列；

將所述多測量向量模型轉(zhuǎn)換為單測量向量模型y＝Dx+v，其中，在所述多測量向量模型中，塊稀疏矩陣X由具有時間相關(guān)性的連續(xù)幀x_i(i＝1,2,...,L)構(gòu)成，x^(i.)(i＝1,...,M)相互獨立，x^(i.)是X的第i行，令其中I_L為L維單位陣，x即塊稀疏信號，可表示為其中，J＝M×L。

7.如權(quán)利要求6所述的基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法，其特征在于，所述時間相關(guān)性建模模塊具體用于：

在所述多測量矢量模型中，假設(shè)X_i·相互獨立，且服從高斯分布：p(X_i·；γ_i,B_i)～N(0,γ_iB_i)，其中，超參γ_i控制矢量X_i·的稀疏度，B_i為一正定陣，描述了X_i·的時間關(guān)聯(lián)結(jié)構(gòu)，為待估參數(shù)，假設(shè)稀疏矢量x的先驗為p(x；γ_i,B_i)～N(0,Σ₀)，在貝葉斯框架下對連續(xù)紅外小目標圖像序列之間數(shù)據(jù)的時間相關(guān)性進行建模；

其中，γ_i為非負超參，由矩陣B_i構(gòu)建的先驗密度對信號的時間結(jié)構(gòu)進行描述。

8.如權(quán)利要求7所述的基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法，其特征在于，所述信號重構(gòu)輸出模塊具體用于：

在已知觀測y的條件下，用貝葉斯方法可獲得稀疏矢量x的后驗估計：p(x|y；σ²,γ_i,B_i)～N(μ_x,Σ_x)，其中，觀測y的高斯似然函數(shù)為：其中，Σ_x＝Σ₀-Σ₀D^T(σ²I+DΣ₀D^T)^-1DΣ₀；

通過最大似然方法或期望最大化方法對上式的超參數(shù)進行估計：$\begin{array}{cccc}{\mathrm{\γ}}_i=\frac{Tr\[B^{-1}({\mathrm{\Σ}}_x^i+{\mathrm{\μ}}_x^i{\left({\mathrm{\μ}}_x^i\right)}^T)\]}{L},& i=1,\mathrm{...},M,& B=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\frac{{\mathrm{\Σ}}_x^i+{\mathrm{\μ}}_x^i{\left({\mathrm{\μ}}_x^i\right)}^T}{{\mathrm{\γ}}_i},& i=1,\mathrm{...},M,\end{array}$迭代終止后，輸出信號的最終估計值。