一種海面紅外小目標(biāo)檢測(cè)方法
【專利摘要】本發(fā)明公開了一種海面紅外小目標(biāo)檢測(cè)方法，其步驟包括：(1)由非局部塊構(gòu)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(gòu)造的圖像矩陣分解為稀疏的小目標(biāo)分量、低秩的背景圖像分量以及噪聲分量；(3)建立凸優(yōu)化模型：構(gòu)建關(guān)于小目標(biāo)圖像和背景圖像的凸優(yōu)化約束能量泛函；(4)高效優(yōu)化求解：采用高效參數(shù)自適應(yīng)更新的交替方向乘子法求解構(gòu)建的凸優(yōu)化約束能量泛函；迭代獲取感興趣的小目標(biāo)圖像；本發(fā)明提供的檢測(cè)方法計(jì)算代價(jià)低，參數(shù)自適應(yīng)能力好，檢測(cè)效率高，具有抗背景噪聲和雜波干擾的能力，可應(yīng)用于復(fù)雜海面背景的紅外小目標(biāo)檢測(cè)。
【專利說明】
一種海面紅外小目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于目標(biāo)檢測(cè)技術(shù)領(lǐng)域，更具體地，涉及一種在背景強(qiáng)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(yōu)化求解的海面紅外小目標(biāo)檢測(cè)方法。
【背景技術(shù)】
[0002] 紅外小目標(biāo)檢測(cè)技術(shù)是紅外搜索和跟蹤系統(tǒng)中的關(guān)鍵技術(shù)。紅外搜索和跟蹤系統(tǒng) 的性能依賴于紅外小目標(biāo)的檢測(cè)精度。海面紅外小目標(biāo)檢測(cè)易受到復(fù)雜背景噪聲和雜波干 擾，紅外圖像呈現(xiàn)低信噪比和低對(duì)比度，再加上遠(yuǎn)距離目標(biāo)成像，導(dǎo)致目標(biāo)一般占據(jù)像素比 例小;此外，紅外小目標(biāo)沒有明顯的紋理和形狀結(jié)構(gòu)特征，傳統(tǒng)的基于形狀結(jié)構(gòu)等特征的檢 測(cè)方法性能受限，甚至無法檢測(cè)到目標(biāo)。
[0003] 近年來，基于低秩矩陣表示的目標(biāo)檢測(cè)方法被用于紅外小目標(biāo)檢測(cè)，該方法是利 用小目標(biāo)矩陣的稀疏性和背景圖像矩陣的低秩性來恢復(fù)數(shù)據(jù)矩陣;但在強(qiáng)噪聲和海雜波背 景的干擾下，海面小目標(biāo)圖像背景的低秩特征往往并不滿足，直接在觀測(cè)圖像數(shù)據(jù)上應(yīng)用 基于低秩矩陣分解的目標(biāo)檢測(cè)方法性能受限。
[0004] 另一方面，為了充分利用低秩矩陣恢復(fù)模型以及秩的全局性約束，需要結(jié)合具體 應(yīng)用背景構(gòu)造滿足可進(jìn)行低秩和稀疏矩陣分解的新圖像數(shù)據(jù)矩陣。在實(shí)際應(yīng)用中，低計(jì)算 復(fù)雜度和低計(jì)算代價(jià)的要求對(duì)海面紅外小目標(biāo)的快速檢測(cè)提出了新的挑戰(zhàn)。現(xiàn)有技術(shù)中采 用Landweber迭代方法求解優(yōu)化模型，但該迭代方法需要不斷更新參數(shù)，收斂速度慢。因此， 低秩矩陣恢復(fù)模型的快速求解技術(shù)也需要優(yōu)化設(shè)計(jì)。

【發(fā)明內(nèi)容】

[0005] 針對(duì)現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種海面紅外小目標(biāo)檢測(cè)方 法，其目的在于是從新構(gòu)造的數(shù)據(jù)矩陣中恢復(fù)出稀疏的紅外小目標(biāo)和低秩的海面背景圖 像，解決強(qiáng)噪聲和海面雜波背景下海面紅外小目標(biāo)的有效穩(wěn)定檢測(cè)問題。
[0006] 為了實(shí)現(xiàn)本發(fā)明目的，本發(fā)明提供一種海面紅外小目標(biāo)檢測(cè)方法，具體步驟如下：
[0007] (1)構(gòu)造新的圖像矩陣：
[0008] 對(duì)含海面小目標(biāo)的原始觀測(cè)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(gè)塊展成列向量;按列向量對(duì)應(yīng)的塊在原始圖像矩陣的順序?qū)⑺辛邢蛄?從左到右依次排列獲得圖像矩陣D;
[0009] 每個(gè)塊分辨率為N X 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彡N彡80，1彡M彡40;
[0010] 其中，將塊展成列向量是指塊的第一列像素不動(dòng)，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(nèi)所有像素排列完的操作；
[0011] (2)稀疏與低秩矩陣分解:將上述圖像矩陣D分解為小目標(biāo)圖像矩陣E、背景圖像矩 陣A以及噪聲矩陣N;
[0012] (3)建立泛函模型：根據(jù)上述小目標(biāo)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(yōu)化約束能量泛函模型；
[0013] (4)對(duì)泛函模型求解：
[0014] 采用自適應(yīng)更新懲罰參數(shù)的交替方向乘子法，對(duì)上述凸優(yōu)化約束能量泛函模型進(jìn) 行迭代計(jì)算求解，獲得第(k+1)次迭代得到的背景圖像矩陣A k+1和小目標(biāo)圖像矩陣Ek+1;
[0015] (5)判斷第(k+1)次迭代的殘差(D-Ak+rEk+i)與圖像矩陣口的商| |D_Ak+i-Ek+i| |f/| D | | f是否小于等于迭代誤差￡1，或者判斷是否達(dá)到最大迭代次數(shù);若是，則將Ek+1作為檢測(cè)獲 得的海面紅外小目標(biāo)圖像矩陣；
[0016] 若否，則令迭代次數(shù)k = k+l，并返回至步驟(4)。
[0017] 優(yōu)選地，上述海面紅外小目標(biāo)檢測(cè)方法，其步驟(3)具體如下：
[0018] (3a)利用小目標(biāo)圖像矩陣E構(gòu)造權(quán)重矩陣W=1/(|E|+￡e);
[0019] 其中| ? |表示取絕對(duì)值操作，eE是防止除零的小常數(shù)，取值范圍為l(T1()<eE<l〇 -6_ ，
[0020] (3b)按照r =丨/ Jmaxt /?7, /;)計(jì)算正貝丨J化參數(shù)t ；
[0021 ]其中，m和n分別為圖像矩陣D的行數(shù)和列數(shù)；
[0022] ( 3 c )根據(jù)所述權(quán)重矩陣W和正則化參數(shù)t，構(gòu)建凸優(yōu)化約束能量泛函模型 min. I + r i) = j 4,E
[0023] 其中，U ? | |*和| | ? | U分別表示矩陣的核范數(shù)和1范數(shù)操作，〇表示兩個(gè)矩陣對(duì) 應(yīng)元素相乘操作，min表示能量泛函取得最小值時(shí)變量A和E的值;s . t.是sub ject to的縮 寫，是受約束的意思；
[0024] t是正則化參數(shù)，W是關(guān)于矩陣E的元素的權(quán)重矩陣，其取值為= 1/( | | +eE)，其 中Eij表示矩陣E的第ij個(gè)元素 ，i = l，"_m，j = l，…，n;
[0025]本步驟中，建模采用的能量泛函關(guān)系為小目標(biāo)圖像矩陣E的加權(quán)h范數(shù)與背景圖 像矩陣A的核范數(shù)之和；
[0026]建模采用的線性約束為:D=A+E+N。
[0027]優(yōu)選地，上述海面紅外小目標(biāo)檢測(cè)方法，其步驟(4)中通過拉格朗日乘子Y將關(guān)于 矩陣A和矩陣E的原始凸優(yōu)化約束能量泛函拓展為下式含A、E、Y和0的無約束增廣拉格朗日 泛函：
[0029] 其中0是正的懲罰參數(shù)，〈?，? >表示矩陣的內(nèi)積操作，| | ? | |F表示矩陣的 Frobenius范數(shù)處理，|||^表示矩陣的Frobenius范數(shù)的平方處理。
[0030] 優(yōu)選地，上述海面紅外小目標(biāo)檢測(cè)方法，根據(jù)給定的第k次迭代獲得的小目標(biāo)圖像 矩陣Ek、拉格朗日乘子Y k和懲罰參數(shù)0k，求解獲得第k次迭代的海面背景圖像
[0031] 其中能量泛函取最小值時(shí)背景圖像矩陣A的值。
[0032] 優(yōu)選地，上述海面紅外小目標(biāo)檢測(cè)方法，根據(jù)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(shù)如和權(quán)重矩陣Wk，求解獲得第k次迭代的小目標(biāo)圖像矩陣
[0033] 其中111是能量泛函取最小值時(shí)小目標(biāo)圖像矩陣E的值。
[0034] 優(yōu)選地，上述海面紅外小目標(biāo)檢測(cè)方法，根據(jù)下述公式對(duì)懲罰參數(shù)進(jìn)行自適應(yīng)更 新： 「rvml "」冰，如果爲(wèi)腿X{|K+1-4IUK「尾 []A+1 = U，否則 ;
[0036] 其中，k表示迭代次數(shù)，P為乘積因子，l<k<1000，P彡l，0〈e<l;&是第k次迭代更 新后的懲罰參數(shù)、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(biāo)圖像矩陣、Y@k 次迭代的拉格朗日乘子;max{}表示取集合中的最大值的操作。
[0037] 優(yōu)選地，上述海面紅外小目標(biāo)檢測(cè)方法，其0的初值&應(yīng)使得&在前幾次迭代就增 長(zhǎng);= 1.25;乘積因子P應(yīng)能使&隨著迭代穩(wěn)步增長(zhǎng)，P = 1.5。
[0038] 本發(fā)明提供的上述海面紅外小目標(biāo)檢測(cè)方法，先將獲取的圖像數(shù)據(jù)轉(zhuǎn)換為低秩和 稀疏結(jié)構(gòu)特征的圖像矩陣;并將該圖像矩陣分解，根據(jù)得到的分解矩陣建立含有約束條件 的凸優(yōu)化約束能量泛函模型，并交替方向乘子法快速優(yōu)化求解，迭代獲得紅外小目標(biāo)圖像 矩陣;克服了強(qiáng)噪聲和海雜波背景的干擾，同時(shí)具有高檢測(cè)精度和低計(jì)算代價(jià)。
[0039] 總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，能夠取得下列有 益效果：
[0040] (1)本發(fā)明提供的海面紅外小目標(biāo)檢測(cè)方法，將含海面小目標(biāo)的原始觀測(cè)圖像矩 陣分解為相互重疊的非局部塊，由相似的背景圖像非局部塊構(gòu)成低秩的、稀疏的新的圖像 矩陣，并從新構(gòu)造的數(shù)據(jù)矩陣中恢復(fù)出稀疏的紅外小目標(biāo)圖像矩陣和低秩的海面背景圖像 矩陣;具有高檢測(cè)精度和低計(jì)算代價(jià)；
[0041] (2)本發(fā)明提供的海面紅外小目標(biāo)檢測(cè)方法，可以用于含噪聲和雜波背景下紅外 圖像海面小目標(biāo)的檢測(cè);在有約束的凸優(yōu)化模型中，現(xiàn)有加速臨近梯度(APG)優(yōu)化方法只能 得到近似解，且數(shù)值精度并不高;而本發(fā)明的方法采用交替方向乘子法，求解稀疏與低秩矩 陣，其優(yōu)勢(shì)在于將原始低秩矩陣恢復(fù)問題轉(zhuǎn)化為幾個(gè)易于求解的子優(yōu)化問題，每一個(gè)子優(yōu) 化問題都有封閉形式的解，而且這些子優(yōu)化問題可以并行求解，相比于現(xiàn)有的加速臨近梯 度方法，大大減小了現(xiàn)有檢測(cè)方法中計(jì)算稀疏與低秩矩陣凸優(yōu)化問題的計(jì)算復(fù)雜度，減少 了檢測(cè)的計(jì)算處理時(shí)間;有利于稀疏與低秩最優(yōu)化模型面向?qū)嵱茫?br>[0042] (3)本發(fā)明提供的海面紅外小目標(biāo)檢測(cè)方法，采用動(dòng)態(tài)調(diào)整的懲罰系數(shù)，可加速算 法收斂，進(jìn)一步減少計(jì)算處理時(shí)間，提尚檢測(cè)效率；
[0043] (4)本發(fā)明提供的海面紅外小目標(biāo)檢測(cè)方法，與現(xiàn)有的將低秩矩陣恢復(fù)理論直接 應(yīng)用到紅外小目標(biāo)圖像的方法不同，本發(fā)明的方法先將原始圖像矩陣轉(zhuǎn)換為有明顯的低秩 和稀疏結(jié)構(gòu)特征的圖像矩陣，再利用低秩矩陣恢復(fù)理論和快速優(yōu)化求解算法檢測(cè)得到紅外 小目標(biāo)，以克服強(qiáng)噪聲和海雜波背景的干擾；
[0044] (5)本發(fā)明提供的海面紅外小目標(biāo)檢測(cè)方法，與現(xiàn)有基于字典學(xué)習(xí)的稀疏表示的 紅外小目標(biāo)檢測(cè)方法不同，本發(fā)明的方法并沒有顯示的構(gòu)造字典，大大降低了計(jì)算復(fù)雜度 和計(jì)算代價(jià)。
【附圖說明】
[0045] 圖1為本發(fā)明實(shí)施例提供的海面紅外小目標(biāo)檢測(cè)方法的流程圖；
[0046] 圖2為實(shí)施例中的實(shí)際觀測(cè)圖像；圖2(a)是實(shí)施例中實(shí)際觀測(cè)的含海面小目標(biāo)的 圖像1;圖2(b)是實(shí)施例中實(shí)際觀測(cè)的含海面小目標(biāo)的圖像2;圖2(c)是實(shí)際觀測(cè)的含海面 小目標(biāo)的圖像3;圖2(d)是實(shí)際觀測(cè)的含海面小目標(biāo)的圖像4;圖2(e)是實(shí)際觀測(cè)的含海面 小目標(biāo)的圖像5;圖2(f)是實(shí)際觀測(cè)的含海面小目標(biāo)的圖像6;
[0047] 圖3為實(shí)施例中與圖2對(duì)應(yīng)的檢測(cè)到的海面小目標(biāo)圖像;圖3(a)-圖3(f)與圖2(a)-圖2(f)-一對(duì)應(yīng)；
[0048] 圖4為實(shí)施例中與圖2對(duì)應(yīng)檢測(cè)到的海面背景和雜波圖像；圖4(a)-圖4(f)與圖2 (a)_ 圖 2(f)-一對(duì)應(yīng)。
【具體實(shí)施方式】
[0049] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì) 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個(gè)實(shí)施方式中所涉及到的技術(shù)特征只要 彼此之間未構(gòu)成沖突就可以相互組合。
[0050] 下面結(jié)合附圖及【具體實(shí)施方式】對(duì)本發(fā)明所提供的海面紅外小目標(biāo)檢測(cè)方法作進(jìn) 一步說明。
[0051] 如圖1所示，是實(shí)施例提供的海面紅外小目標(biāo)檢測(cè)方法的流程圖，該方法基于稀疏 和低秩矩陣恢復(fù)，其步驟具體如下：
[0052] (1)獲取含海面小目標(biāo)的原始觀測(cè)圖像的圖像矩陣;并按照從左至右、從上至下的 順序進(jìn)行滑動(dòng)，將原始圖像矩陣分解為相互重疊的非局部子塊;將每個(gè)子塊展成列向量； [0053]實(shí)施例中，水平和豎直的滑動(dòng)步長(zhǎng)像素大小分別為10和10;子塊分辨率大小為50 X 50，并對(duì)這些子塊進(jìn)行標(biāo)記。
[0054] (2)將上述由非局部子塊組成的列向量，按列向量對(duì)應(yīng)的子塊在原始圖像矩陣的 順序?qū)⑺辛邢蛄繌淖蟮接乙来闻帕蝎@得圖像矩陣D;
[0055] 并將該圖像矩陣D分解為含稀疏小目標(biāo)圖像的小目標(biāo)圖像矩陣E、低秩的背景圖像 矩陣A以及噪聲矩陣N;D=A+E+N;
[0056] 在大海面背景下，由非局部子塊組成的背景圖像矩陣具有一定的自相似性，因此， 背景圖像矩陣是低秩的;海面數(shù)據(jù)圖像中小目標(biāo)圖像所占像素比例較小，因此，小目標(biāo)圖像 矩陣是稀疏的；因此可將圖像矩陣D分解為含稀疏的小目標(biāo)圖像矩陣E、低秩的背景圖像矩 陣A和噪聲矩陣N。
[0057] (3)建立含有約束條件的加權(quán)稀疏矩陣恢復(fù)凸優(yōu)化模型如下：
[0058] minrank(〇 + si. Z) = /! + ￡+ 況；
[0059]其中rank(A)表示矩陣A的秩，U ? | U表示1范數(shù)操作，〇表示對(duì)應(yīng)元素相乘操作； 表示目標(biāo)泛函取得最小值時(shí)變量A和E的值;s. t.是受約束的意思；
[0060] T是正則化參數(shù)，w根據(jù)小目標(biāo)圖像矩陣E構(gòu)造的權(quán)重矩陣，其取值為 +￡e)，其中Eij表示矩陣E的第ij個(gè)元素，| ? |表示絕對(duì)值，￡e是防止除零的小常數(shù)，取值范圍 為1(T1()彡eE彡KT6;引入重加權(quán)1范數(shù)的目的在于增強(qiáng)小目標(biāo)矩陣E的稀疏性；
[0061]該模型的意義為:在滿足約束D = A+E+N的條件下，使得矩陣的結(jié)構(gòu)盡可能的好，即 矩陣A的秩盡可能低，矩陣E盡可能稀疏;但是上述問題的求解是個(gè)NP難問題；由于一個(gè)矩陣 的秩等于它的非零奇異值的個(gè)數(shù)，因此本發(fā)明采用矩陣的奇異值的和（即核范數(shù))來近似地 替代矩陣的秩，將上述模型松弛為：
[0062] min |4|t + rpV：〇 s.L D= A+ E + N A,E
[0063] 由于核范數(shù)是凸的，將對(duì)含有約束條件的加權(quán)稀疏矩陣恢復(fù)凸優(yōu)化模型模型的求 解問題轉(zhuǎn)化為帶有約束的凸優(yōu)化問題。
[0064] (4)采用交替方向乘子法求解恢復(fù)稀疏的海面小目標(biāo)圖像;實(shí)施例中，引入拉格朗 日乘子矩陣Y，定義增廣拉格朗日泛函如下：
[0066] 其中0是正的懲罰參數(shù)，〈?，? >表示矩陣的內(nèi)積操作，| | ? | |F表示矩陣的 Frobenius范數(shù)操作，II纟表示矩陣的Frobenius范數(shù)的平方操作；
[0067] 增廣拉格朗日函數(shù)相對(duì)普通的拉格朗日函數(shù)多出一個(gè)關(guān)于約束的懲罰項(xiàng)，增廣拉 格朗日乘子法每次迭代最小化增廣拉格朗日函數(shù)，得到新的第k次迭代的值A(chǔ) k和Ek，通過Ak 和Ek更新乘子Yk，繼續(xù)求解下一個(gè)Ak和Ek，最終Ak和Ek將收斂到原問題的最優(yōu)解，其中k為迭 代次數(shù);采用交替最小化求解獲得矩陣A和E。
[0068] (5)對(duì)給定的第k次迭代的Ek、Yk和&，按照下式求解獲得第k次迭代的背景圖像A k:
[0070] 表示能量泛函取到最小值時(shí)變量A的的值。
[0071] (6)對(duì)矩陣(D-Ek+fYk)按如下公式進(jìn)行奇異值分解
[0072] (U,T,V)=svd(D-Ek+^1Yk)；
[0073]其中svd( ?)表不矩陣的奇異值分解，U、V和T分別表不左奇異矩陣、右奇異矩陣和 奇異值組成的對(duì)角矩陣。
[0074] (7)按照下式以及上述奇異值分解結(jié)果，獲得第k次迭代的背景圖像Ak:
[0075] Ak = USi/p(T)VT；
[0076] 其中，Sa( ?)是軟閾值算子，Sa(x) = sign(x) ? max{ |x|_a，〇};
[0077] 其中，x是一個(gè)標(biāo)量，sign( ?)表示符號(hào)函數(shù)，max{ ? }表示取集合{ ? }中值的最大 值的操作。
[0078] (8)對(duì)給定的第k次迭代的Ak、Yk和&，按照下式獲得第k次迭代的海面紅外小目標(biāo) 圖像矩陣Ek:
[0079] 其封閉形式的解為
[0080] Bk = SrW^f {D - Ak + Yky ;
[0081] 其中嚴(yán)gf111表示能量泛函取到最小值時(shí)變量E的值;取r = w,?)，
[0082] 可獲得滿意的恢復(fù)效果，m和n分別是矩陣圖像D的行數(shù)和列數(shù)。
[0083] (9)按照下式更新拉格朗日乘子Yk
[0084] Yk+i = Yk-Pk(D-Ak+i+Yk+i)；
[0085] (10)按照下式動(dòng)態(tài)調(diào)整的懲罰參數(shù)P，以加速算法收斂， rnn_Al R Jp爲(wèi)'，如果 Araa4|4m - 4A，IK+1 - ALvWLr Q _ u,否則 ;
[0087] 其中P多l(xiāng)，〇〈e<l;0的初值應(yīng)使得&在前幾次迭代就增長(zhǎng);P的選擇應(yīng)能使&隨著 迭代穩(wěn)步增長(zhǎng)。
[0088] (11)重復(fù)步驟(5)至步驟(10)，直到 | |D-Ak+i-Ek+i| |f/| |D| |F$e1;
[0089] 或達(dá)到最大迭代次數(shù)maxlter;
[0090] 否則，令迭代次數(shù)k = k+l，并返回步驟至(5)，直到滿足| |D-Ak+1_Ek+1| |F/| |D| |F彡 h，或達(dá)到最大迭代次數(shù)maxlter，獲得的Ek+_為檢測(cè)獲得的海面紅外小目標(biāo)圖像矩陣。 [0091 ] 在本實(shí)施例中，部分參數(shù)的初始化值如下:Aq = 0，Eq = 0，Y() = D，p=1.5，0〇=1.25， r = 1/ yjnmx(m.n)，e=0.001，ei = 10-6, maxi ter = 1000;上述參數(shù)初始化值對(duì)所有測(cè)試圖像 均適用。
[0092]為了驗(yàn)證本發(fā)明提供的海面紅外小目標(biāo)檢測(cè)方法的有效性，對(duì)如圖2(a)-圖2(f) 中所示的一組具有代表性的實(shí)測(cè)海面紅外小目標(biāo)進(jìn)行檢測(cè);檢測(cè)結(jié)果如圖3與圖4所示，圖3 為與圖2對(duì)應(yīng)的檢測(cè)到的海面小目標(biāo)圖像；圖3(a)-圖3(f)與圖2(a)-圖2(f)-一對(duì)應(yīng)；圖4 為與圖2對(duì)應(yīng)的海面背景和雜波圖像;圖4(a)-圖4(f)與圖2(a)-圖2(f)-一對(duì)應(yīng)。
[0093] 從圖2的這組海面紅外小目標(biāo)圖像可看出，海面背景強(qiáng)噪聲和雜波比較明顯，海面 小目標(biāo)基本被淹沒在背景強(qiáng)噪聲和雜波中。從圖3(a)-圖3(f)和圖4(a)-圖4(f)可看出，本 發(fā)明提供的檢測(cè)方法有效地提取出了海面小目標(biāo)圖像，而海面背景和雜波圖像也被有效地 分離出來;從圖中可以看到，海面小目標(biāo)與背景被較好地區(qū)分開，達(dá)到了海面紅外小目標(biāo)檢 測(cè)的目的。
[0094]綜上所述，本發(fā)明公開了的海面紅外小目標(biāo)檢測(cè)方法，首先對(duì)獲取的圖像數(shù)據(jù)進(jìn) 行分塊，并把所有這些相互重疊的塊重新組合成一個(gè)新的圖像矩陣;該矩陣具有明顯的稀 疏與低秩特性，為利用稀疏與低秩分解理論恢復(fù)小目標(biāo)和背景區(qū)域提供了便利，同時(shí)可抗 背景噪聲和雜波干擾，該方法可用于海面背景噪聲與雜波嚴(yán)重的海洋場(chǎng)景;上述典型的海 面小目標(biāo)檢測(cè)結(jié)果表明本發(fā)明提出的方法可以有效地提取強(qiáng)噪聲和雜波背景下紅外圖像 海面小目標(biāo)。
[0095]本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以 限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含 在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種海面紅外小目標(biāo)檢測(cè)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(gè)塊展成列向量，并按列向量對(duì)應(yīng)的塊 在原始圖像矩陣的順序?qū)⑺辛邢蛄繌淖蟮接乙来闻帕蝎@得圖像矩陣D; 每個(gè)所述塊的分辨率為NXN，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彡N彡80，1彡M彡40; (2) 將所述圖像矩陣D分解為小目標(biāo)圖像矩陣E、背景圖像矩陣A以及噪聲矩陣N; (3) 根據(jù)所述小目標(biāo)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(yōu)化約束能量泛函模型； (4) 采用自適應(yīng)更新懲罰參數(shù)的交替方向乘子法，對(duì)所述凸優(yōu)化約束能量泛函模型進(jìn) 行迭代計(jì)算求解，獲得第(k+Ι)次迭代得到的背景圖像矩陣A k+1和小目標(biāo)圖像矩陣Ek+1; (5) 判斷第(k+1)次迭代的殘差(D-Ak+i-Ek+i)與圖像矩陣D的商I |D-Ak+i~Ek+i| |f/| |D| |f 是否小于等于迭代誤差^，或者判斷是否達(dá)到最大迭代次數(shù);若是，則將Ek+1作為檢測(cè)獲得 的海面紅外小目標(biāo)圖像矩陣； 若否，則令迭代次數(shù)k = k+l，并返回至步驟(4)。2. 如權(quán)利要求1所述的海面紅外小目標(biāo)檢測(cè)方法，其特征在于，所述步驟(3)具體如下： (3a)利用小目標(biāo)圖像矩陣E構(gòu)造權(quán)重矩陣W= 1/( |E I+εΕ);其中，εΕ是防止除零的常數(shù)， 取值范圍為10-1(3彡εε彡10-6; (3b)計(jì)算正則化參數(shù)；其中，m和η分別為圖像矩陣D的行數(shù)和列數(shù)； (3c)根據(jù)所述權(quán)重矩陣W和正則化參數(shù)τ構(gòu)建凸優(yōu)化約束能量泛函模型3. 如權(quán)利要求2所述的海面紅外小目標(biāo)檢測(cè)方法，其特征在于，所述步驟(4)中，通過拉 格朗日乘子Y將所述凸優(yōu)化約束能量泛函拓展為如下含Α、Ε、Υ和β的無約束增廣拉格朗日泛 函：：·，其中，β是懲罰參數(shù)。4. 如權(quán)利要求3所述的海面紅外小目標(biāo)檢測(cè)方法，其特征在于，根據(jù)給定的第k次迭代 的小目標(biāo)圖像矩陣Ek、拉格朗日乘子Y k和懲罰參數(shù)加，獲得第k次迭代的背景圖像矩陣是能量泛函取最小值時(shí)背景圖像矩陣A的值。5. 如權(quán)利要求3或4所述的海面紅外小目標(biāo)檢測(cè)方法，其特征在于，根據(jù)給定的第k次迭 代的背景圖像矩陣Ak、拉格朗日乘子Y k、懲罰參數(shù)&和權(quán)重矩陣Wk，獲得第k次迭代得到的小 目標(biāo)圖像矩陣是能量泛函取最小值時(shí)小目標(biāo)圖像矩陣E的值。6. 如權(quán)利要求3至5任一項(xiàng)所述的海面紅外小目標(biāo)檢測(cè)方法，其特征在于，根據(jù)下述公 式對(duì)所述懲罰參數(shù)進(jìn)行更新：其中k表示迭代次數(shù)，P為乘積因子，&是第k次迭代更新后的懲罰參數(shù)；1彡k<1000，P彡 1,0<ε^1〇7.如權(quán)利要求6所述的海面紅外小目標(biāo)檢測(cè)方法，其特征在于，所述P=l.5，fo = l. 25。
【文檔編號(hào)】G06T5/00GK105931264SQ201610230854
【公開日】2016年9月7日
【申請(qǐng)日】2016年4月14日
【發(fā)明人】方厚章, 時(shí)愈, 周鋼, 鄭紀(jì)彬, 許述文, 潘東輝
【申請(qǐng)人】西安電子科技大學(xué), 武漢工程大學(xué)