专利名称：基于多尺度稀疏字典的红外小弱目标检测方法
技术领域：
本发明涉及一种基于多尺度字典的红外小弱目标检测方法，是图像处理技术领域的新方法，在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、安全检查系统等中均可有广泛的应用。
背景技术：
红外成像技术因其良好的隐蔽性、较强的抗干扰性能、较远的作用距离和可昼夜工作等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可用于检测的重要特征，并且通常都隐藏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。图像多尺度理论在小弱目标检测研究活跃，主要体现在包括提出了各种基于小波理论的小弱目标检测方法，contourlet以及curvelet等各种非自适应多尺度几何变换检测小弱目标的方法。这些方法将图像经过多尺度几何变换，得到不同层的系数，分析高低频系数产生的图像内容通过阈值函数进行抑制背景提高信噪比。基于小波理论的小弱目标检测方法将低频系数对应为图像中缓慢变化的背景，抑制高频系数得到图像的背景，将原图像和背景相减得到去除背景，信噪比提高的目标图像。但小波方法对于处理二维信号本身有方向性限制的局限性，使得对于背景的纹理特征提取不完整，存在残留；而contourlet、curvelet变换主要是针对二维奇异性而产生的，具有很好的方向性和各向异性。对图像进行多尺度分解提取不同尺度的系数，通过阈值函数提取产生目标的系数，进而检测到小弱目标。
发明内容
本发明的目的在于克服上述小波变换难以处理二维信号，以及contourlet、curvelet变换对于背景抑制的不完整的缺点，提供一种基于图像内容的多尺度超完备稀疏字典的构造方法。该多尺度字典能够从整体到局部挖掘图像信息，并且比单尺度字典有更稀疏的表示。本发明将图像本身作为训练样本库，利用四叉树构造多尺度超完备稀疏字典；将子图像在多尺度稀疏字典下的稀疏分解系数采用指数函数进行拟合表示；最后根据噪声图像块和含有目标的图像块的联合稀疏系数与指数函数拟合存在差异来检测小弱目标。为实现这一目的，本发明的技术方案将目标和背景噪声在多尺度稀疏字典下的稀疏系数统计直方图与指数函数拟合存在差异作为切入点。本发明采用以下技术方案
一种基于多尺度稀疏字典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
O采用四叉树构造原图像的多尺度超完备稀疏字典；
2)将原图像划分为不同尺度大小的子图像，分别对每个子图像在其相应的多尺度子字典中进行稀疏分解，提取其在子字典中的稀疏表示系数；
3)将每个图像子块的多层稀疏分解系数级联起来形成联合稀疏系数，利用指数函数拟合联合的稀疏系数的统计直方 4)当拟合参数大于阈值时确定该子图像存在目标，并根据联合稀疏系数具有和四叉树一样的方位性这一特征，最终确定目标所在的具体位置。
图I是实施例的测试图像I，包含小弱目标的深空图像；
图2是实施例的测试图像2，包含小弱目标的云层图像；
图3是实施例测试图像I的第一层子字典；
图4是实施例测试图像I的第二层子字典；
图5是实施例图像I中包含目标的图像块在多尺度字典下稀疏系数直方图与指数函数的拟合；
图6是实施例图像I中包含噪声的图像块在多尺度字典下稀疏系数直方图与指数函数的拟合；
图7是实施例图像I中背景的图像块在多尺度字典下稀疏系数直方图与指数函数的拟
合；
图8是实施例图像I中目标处于图像块左上角位置的稀疏系数分布情况；
图9是实施例图像I中目标处于图像块左下角位置的稀疏系数分布情况；
图10是实施例图像I中目标处于图像块右上角位置的稀疏系数分布情况；
图11是实施例图像I中目标处于图像块右下角位置的稀疏系数分布情况；
图12是实施例图像I中噪声图像块的稀疏系数分布情况；
图13是实施例图像I中背景图像块的稀疏系数分布情况；
图14是实施例图像I的检测结果图；；
图15是实施例图像2的检测结果图。
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1，图2所示的包含小弱目标的深空图像和云层图像进行检测，包括以下步骤
I)采用四叉树训练多尺度稀疏字典，从原图像中提取16x16像素大小的图像块作为训练样本，初始多尺度字典为二层的DCT字典，第一层包含一个大小为256x512的子字典，如图3所示，第二层包含4个子字典，大小为64*512，如图4所示。2)利用16x16像素大小的模板从左到右、从上到下提取图像块，求取每个图像块在多尺度字典中的稀疏系数，
Vij i= argmiti||jr|^ st. | ^Γ-Dx
式中，β/表示原始图像F中左上角像素点坐标为(U)的图像子块，是多尺度字典，X表示图像子块在多尺度字典下的联合分解系数，包含第一层子字典的系数以及第二层子字典的系数。3)将联合稀疏系数的直方图利用指数函数拟合，得到如图5，6，7。4)阈值判定拟合参数，根据假设检验，
!/(xmj= jy(x) χ>τ
\f(xlHa) = Bf(X) XiT
设定阈值Γ，根据指数拟合参数与阈值F的比较结果，判定图像块是否含有目标。根据第二层子字典的稀疏系数对应的分布位置来进一步确定小弱目标的具体位置。图8，图9，图10，图11，图12，图13分别给出了目标处于图像块左上角，左下角，右上角，右下角四个位·置的系数分布情况，以及噪声和背景的图像子块系数分布情况，图中虚线隔开的五个区从左到右依次为第一层子字典对应的系数，第二层左上角，左下角，右上角，右下角位置子字典对应的系数。有目标的图像块在相应位置的子字典中系数值均比较大且集中，由此可确定目标所在的具体位置。如图14和图15中黑色小方框所在处即为检测到的小弱目标。
权利要求
1.基于多尺度稀疏字典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 构造原图像的四叉树多尺度超完备稀疏字典； 将原图像划分为不同尺度大小的子图像，分别对每个子图像在其相应的多尺度子字典中稀疏分解，提取其在子字典中的表示系数； 将每个子图像的多层稀疏分解系数级联起来形成联合稀疏系数，利用指数分布拟合联合的稀疏系数； 拟合后如果指数分布的参数大于阈值确定该子图像存在目标，并根据联合稀疏系数具有与四叉树一样的方位性这一特征，最终确定目标所在的具体位置。
2.根据权利要求I所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于，所述构造原图像的四叉树模型多尺度超完备稀疏字典，是指构造的稀疏字典具有四叉树一样的分层结构，即多尺度稀疏字典D是由所有位于四叉树不同层不同尺度的稀疏子字典4级联而成，
3.根据权利要求I所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于所述求取子图像的多尺度稀疏系数，
4.根据权利要求I所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于，所述用指数分布拟合联合的稀疏系数,指数分布的概率密度函数为，
5.根据权利要求I所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于，所述阈值判定拟合参数，将稀疏系数分为包含目标和噪声的系数、只有噪声背景的系数两类，设巧表示，为目标和噪声系数的假设，七表示，为背景系数的假设，根据系数分布特性， 对系数为图像块中只包含目标和噪声的系数时，有如下假设检验S为归一化常数，T为根据指数分布参数 ，d利用双峰法确定的阈值。
6.根据权利要求2所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于，所述的多尺度稀疏字典的构造分为稀疏编码和字典更新两个步骤。
7.根据权利要求6所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于，所述的稀疏编码是指，固定多尺度字典D，用正交匹配跟踪算法OMP (OrthogonalMatching Pursuit)算法求解每个训练样本的稀疏系数χ
8.根据权利要求6所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于，所述的稀疏字典更新是按顺序更新多尺度字典中的每一层子字典中的原子，求解训练样本库中与该原子相关的训练样本在去除其它多尺度原子的贡献后的剩余误差瓦,,，并用奇异值分解法SVD (Singular Value Decomposition)更新么和相应的位于位置P上的稀疏系数％ O上#)
全文摘要
本发明提出了一种基于多尺度稀疏字典的红外小弱目标检测算法，包括以下步骤利用原始图像构造基于四叉树模型的多尺度自适应过完备字典；提取原图像的图像子块，将每个图像子块在多尺度稀疏字典中的各个子字典中进行稀疏分解，得到稀疏系数；联合各尺度的稀疏系数，对联合的稀疏系数进行指数分布拟合；对指数参数进行阈值判断，大于阈值所对应的图像块初步确定为目标；最后根据稀疏系数的多尺度方向性，确定目标的准确位置。本发明构建的多尺度稀疏字典能够利用大原子从整体挖掘图像的背景特征，利用小原子从局部挖掘图像的突变特征，能更有效抑制背景杂波，更准确地检测出小弱目标。
文档编号G06K9/62GK102842047SQ20121033031
公开日2012年12月26日 申请日期2012年9月10日 优先权日2012年9月10日
发明者李正周, 刘梅, 王会改, 唐岚, 沈美容 申请人:重庆大学