专利名称：基于形态成份稀疏表示的红外小弱目标检测方法
技术领域：
本发明涉及一种基于形态成份稀疏表示的红外小弱目标检测方法，是光电成像搜索与跟踪系统、精确制导系统、目标监视系统、卫星遥感系统、安全检查系统等的一项核心技术，在各类军、民用系统中均可有广泛的应用。
背景技术：
随着红外成像技术的不断发展，红外成像系统已广泛应用于红外精确制导、预警、搜索和跟踪等多种军事及民用领域。目标检测与跟踪作为上述领域中的一项重要技术，在现代防御系统中具有非常显著的地位。当作用距离远时，目标在成像上表现为只占据几个像素点的小弱目标，没有形状纹理等其他重要特征，并且易于淹没在各种杂波背景和强噪声中。红外小弱目标的检测是一项富有挑战性的课题。
当前，基于单帧的红外小目标检测算法可分为基于图像滤波的检测算法和基于学习的检测算法两类。基于图像滤波的检测算法首先估计红外图像背景，然后将原始图像与背景相消，以得到包含目标和噪声的图像，即白化过程，接着采用阈值处理得到目标位置，代表方法有Top-Hat、TDLMS和小波变换等。基于学习的检测算法则是将目标检测问题转化为模式分类问题，它对目标模型和背景模型进行训练，利用训练得到的目标模型和背景模型对子图像进行分类判别，然后根据规则判定子图像块是否含有目标，具有代表性的方法有主成份分析法PCA等。基于主成份分析法PCA构建的二维高斯函数样本能较好地抑制背景和噪声，增强具有高斯分布的小弱目标。采用稀疏理论构造的冗余高斯字典克服主成份分析法PCA构建的高斯样本单一，能适应不同形态高斯分布的小弱目标。高斯样本和高斯字典适合于高斯分布的小弱目标，而小弱目标形态动态变化，高斯模型难以适应非高斯分布等非结构形态，适应性和检测能力有待进一步加强。
发明内容
本发明的目的在于克服上述高斯模型难以适应非高斯分布等非结构形态的不足，提供一种基于学习的超完备字典的构造方法，通过挖掘目标和背景噪声在各种形态字典下的分解差异来检测小弱目标。本发明通过图像本身作为训练样本，利用K聚类奇异值分解法构造超完备自适应字典，利用分类函数分类不同形态特征的原子构成不同的子字典。最终根据图像块在目标子字典中的表示系数差异来检测小弱目标。为实现这一目的，本发明的技术方案是目标和背景噪声在各种形态字典下的分解差异为切入点。本发明采用以下技术方案
一种基于形态成份稀疏表示的红外小弱目标检测，其特征在于，所述检测方法包括如下步骤
1)采用K聚类奇异值分解法(K_SVD)求解原图像的超完备字典；
2)根据分类函数将超完备字典分为目标和背景两种形态特征的子字典；
3)利用和原子一样大小的二维模板将原始图像划分为若干子图像，分别对每个子图像在分类的形态字典中稀疏分解，提取其在目标子字典中的表示系数；
4)提取目标子字典中的表示系数，利用阈值函数判定是否存在目标，当系数大于阈值时，初步假定该子图像存在目标，最终根据目标所在的各个图像块进行综合判定，确定目标的具体位置。
图I是实施例的测试图像；
图2是采用K聚类奇异值分解法对图I构建的自适应字典；
图3是目标形态子字典； 图4是背景噪声子字典；
图5是实施例图像I中包含目标的图像块在目标子字典的稀疏表示系数；
图6是实施例图像I中不含目标的图像块在目标字典的稀疏表不系数；
图7是采用本实施例方法得到的检测结果。
具体实施例方式本实施方式是以本发明技术方案为前提进行实施，下面结合附图对本发明的具体实施方式
做详细说明
本实施例对图I所示的包含小弱目标的深空原图像进行检测，包括以下步骤
1)采用K聚类奇异值分解法K_SVD学习、训练自适应字典，从原图像中提取16x16像素大小的图像块作为训练样本，训练出256x1024个原子的自适应字典，如图2所示；
2)采用分类函数将自适应字典分解为两种形态子字典，即目标子字典和背景噪声子字典，分别如图3和图4所示。对每个原子进行分类所采用阈值函数
2=3 /=11=1 /=2
3)利用16x16像素大小的模板从左到右、从上到下提取图像块，求取每个图像块在自适应字典中的稀疏系数，
{r/\Xf) = Argmm \\XT\\o 十||1、||。s.L \\f-GrXr - GBXS\\2 < s
式中，I "表示目标子字典表示系数，iff表示背景子字典表示系数。图5图6是原图
像子块在目标子字典的稀疏表示系数，其中图5是包含目标的图像块在目标子字典的稀疏表示系数，图6是不含目标的图像块在目标子字典的稀疏表示系数；
4)对每个图像块在目标字典中的分解系数，利用阈值函数来进行判断，
maxi
^fxr、—目标
非目标
其中，忍表示目标子字典中的稀疏系数阈值函数，表示最大的^个目标
稀疏系数值。当图像块的阈值函数值大于阈值时，则该图像块存在目标，综合附近图像块的稀疏表示，最终判断目标的位置，如图7所示。
权利要求
1.基于形态成份稀疏表示的红外小弱目标检测方法，其特征在于，所述检测方法包括如下步骤 采用K聚类奇异值分解法(K_SVD)求解原图像的超完备字典； 根据分类函数将超完备字典分为目标和背景两种形态特征的子字典； 利用和原子一样大小的二维模板将原始图像划分为若干子图像，分别对每个子图像在分类的形态字典中稀疏分解，提取其在目标子字典中的表示系数； 提取目标子字典中的表示系数，利用阈值函数判定是否存在目标，当系数大于阈值时，初步假定该子图像存在目标，最终根据目标所在的各个图像块的稀疏表示系数进行综合判定，确定目标的具体位置。
2.根据权利要求I所述的基于形态成份稀疏表示的红外小弱目标检测方法，其特征在于所述K聚类奇异值分解法(K_SVD)是以图像块为训练样本，求取能表示图像中各种形态特征的超完备子典。
3.根据权利要求I所述的基于形态成份稀疏表示的红外小弱目标检测方法，其特征在于所述形态分类字典重构图像信号
4.根据权利要求I所述的基于形态成份稀疏表示的红外小弱目标检测方法，其特征在于所述超完备字典的分类函数为
5.根据权利要求I所述的基于形态成份稀疏表示的红外小弱目标检测方法，其特征在于所述提取图像块在目标子字典中的稀疏系数为
6.根据权利要求I所述的基于形态成份稀疏表示的红外小弱目标检测方法，其特征在于所述阈值函数为
7.根据权利要求2所述的基于形态成份稀疏表示的红外小弱目标检测方法，其特征在于所述K聚类奇异值分解法(K_SVD)求解原图像的超完备字典包括稀疏编码和字典更新两个步骤。
8.根据权利要求7所述的基于形态成份稀疏表示的红外小弱目标检测方法，其特征在于所述稀疏编码为提取图像中大小为的图像块作为训练样本，根据下式求取每个训练样本的稀疏系数
9.根据权利要求7所述的基于形态成份稀疏表示的红外小弱目柠检测方法，其特征在于所述字典更新是按顺序更新原子Gi中所有的原子仏，求解图像在该原子的稀疏表示系数H，定义图像减去该原子后的稀疏表示误差为
全文摘要
本发明提出了一种基于形态成分稀疏表示的红外小弱目标检测算法，包括以下步骤采用K聚类奇异值分解法K_SVD生成原图像的自适应过完备字典；用分类函数将字典进一步分为表示目标形态的目标子字典和表示背景噪声成分的背景子字典；提取原图像的图像子块，将每个图像子块在自适应字典中进行稀疏分解，提取其在目标子字典中的稀疏系数；对目标子字典中的稀疏系数进行阈值处理，大于阈值所对应的图像块初步确定为目标；最后综合重叠图像子块的阈值结果，确定目标的准确位置。本发明构建的自适应过完备字典能够有效地捕获目标信号的各种形态，相比高斯结构化字典具有更大的灵活性，能有效地检测非高斯型的目标信号，具有更为广泛的适用性。
文档编号G06K9/32GK102750533SQ20121023127
公开日2012年10月24日 申请日期2012年7月5日 优先权日2012年7月5日
发明者丁浩, 刘书君, 刘梅, 唐岚, 李明玉, 李正周, 王会改 申请人:重庆大学