一种基于张量模型的红外弱小目标检测方法
【专利摘要】本发明公开了一种基于张量模型的红外弱小目标检测方法，包括离线训练阶段和在线检测阶段，所述离线训练阶段包括：S1.建立多特性样本数据库；S2.从数据库构造高阶张量模型；所述在线检测阶段包括：S3.利用张量模型分析未知图像序列中是否包含红外弱小目标，从而实现目标检测。本发明通过建立张量检测模型，避免的对复杂背景及微弱信噪比的目标进行识别带来的困难，能够较好的检测到不同场景及微弱信噪比下的目标，提高了目标检测的准确度。
【专利说明】一种基于张量模型的红外弱小目标检测方法
【技术领域】
[0001]本发明涉及图像处理【技术领域】，尤其涉及一种红外弱小目标检测的方法及系统。【背景技术】
[0002]现有的红外弱小目标检测技术中，大多数只是实现简单背景下高信噪比的目标检测工作。这些目标检测算法存在着大量的不足之处，如存在复杂背景下高虚警率或低目标信噪比情况下的低检测概率情况。
[0003]目前红外弱小目标检测方法可以分为三类:一是基于背景预测模型的目标检测方法；二是基于目标时域运动特性设计的检测方法；三是基于数学变换域的目标检测方法。
[0004]基于背景预测模型的目标检测是一类典型的利用红外背景本身固有的特性来设计的算法。该类方法的主要思想是基于背景灰度分布在空间上具有较强的灰度、梯度和其他特征都可以根据其周围的像素点来预测，而目标点不能。对背景图像进行预测估计之后，与原图做差分并进行适当的后处理达到抑制背景，增强目标的目的。根据不同的应用背景，大量背景预测模型被提出，例如形态学滤波背景预测、自适应递归背景预测、二维最小均方背景预测等。对于简单的红外背景，这些预测模型可以得到较好的效果，但是对于包含大量云杂波、海杂波、热噪声等的复杂背景，将会因虚警率过高而导致算法失效。
[0005]基于目标时域运动特性的目标检测方法主要分为先检测后跟踪(Detect BeforeTrack, DBT)算法和先跟踪后检测(Track Before Detect, TBD)算法两类。DBT算法的主要原理是利用背景抑制、空域匹配滤波、目标分割等检测算法得到单帧检测结果，再利用目标运动的连续性和轨迹的一致性，对检测结果进行航迹关联，以剔除虚假目标；TBD算法的主要原理则是在三维图像信号中，搜索目标潜在的运动轨迹，并沿轨迹对目标能量进行累积来达到增强的目的。TBD算法能在较低的信噪比下达到较好的效果，不过算法运算量十分巨大。DBT算法具有较好的实时性，不过在信噪比较低的情况下效果并不好。
[0006]基于数学变换域的目标检测算法假设目标和背景在变换域上具有可分离性。对于简单的背景，可以取得较好的效果，但是对于复杂背景，特别是目标淹没在杂波之中的情况，目标和背景在变换域上很难分离，因此此类方法在复杂背景目标检测效果并不好。
【发明内容】
[0007]有鉴于此，本发明的目的是提供了提出一种基于张量模型的红外弱小目标检测方法，以解决现有的红外弱小目标检测准确率不高的问题。
[0008]本发明的目的是通过以下技术方案来实现的，一种基于张量模型的红外弱小目标检测方法，包括离线训练阶段和在线检测阶段，所述离线训练阶段为在线检测阶段提供训练样本，所述离线训练阶段包括:S1.建立多特性样本数据库；S2.从数据库构造高阶张量模型；所述在线检测阶段包括:S3.利用张量模型分析未知图像序列中是否包含红外弱小目标，从而实现目标检测。
[0009]进一步，进行目标检测前还包括图像预处理步骤，所述图像预处理步骤包括:[0010]S41.从未知图像序列中随机选出像素块，采用区域分裂合并算法对像素块进行合并，以得到像素大块分布平整的像素；
[0011]S42.对原图像序列选出的像素块和经过相似区域合并的像素进行做差运算，从而得到新的像素块；
[0012]S43.求新像素块的直方图，然后对直方图进行估计；
[0013]S44.对图像进行去噪与增强处理。
[0014]进一步，在估计图像的噪声步骤中，采用高斯噪声分布或指数噪声分布或椒盐噪声分布估计图像的噪声。
[0015]进一步，所述步骤SI具体包括以下子步骤:
[0016]Sll.通过现场拍摄或人工模拟的方法获得具有不同特性的红外弱小目标图像；
[0017]S12.将获取的图像进行分类；
[0018]S13.将分类好的图像存入多特性数据库中。
[0019]进一步，所述图像分类的结果包括目标局部背景特性、目标对比度特性、目标灰度分布特性和目标运动方向特性。
[0020]进一步，当通过人工模拟的方法获得红外弱小目标图像时，采用高斯函数模型进
行样本生成，其中高斯模型为
【权利要求】
1.一种基于张量模型的红外弱小目标检测方法，其特征在于，包括离线训练阶段和在线检测阶段，所述离线训练阶段为在线检测阶段提供训练样本，所述离线训练阶段包括:S1.建立多特性样本数据库；S2.从数据库构造高阶张量模型； 所述在线检测阶段包括:S3.利用张量模型分析未知图像序列中是否包含红外弱小目标，从而实现目标检测。
2.根据权利要求1所述的基于张量模型的红外弱小目标检测方法，其特征在于:进行目标检测前还包括图像预处理步骤，所述图像预处理步骤包括: s41.从未知图像序列中随机选出像素块，采用区域分裂合并算法对像素块进行合并，以得到像素大块分布平整的像素； s42.对原图像序列选出的像素块和经过相似区域合并的像素进行做差运算，从而得到新的像素块； s43.求新像素块的直方图，然后对直方图进行估计； s44.对图像进行去噪与增强处理。
3.根据权利要求2所述的基于张量模型的红外弱小目标检测方法，其特征在于:在估计图像的噪声步骤中，采用高斯噪声分布或指数噪声分布或椒盐噪声分布估计图像的噪声。
4.根据权利要求1所述的基于张量模型的红外弱小目标检测方法，其特征在于:所述步骤SI具体包括以下子步骤: s11.通过现场拍摄或人工模拟的方法获得具有不同特性的红外弱小目标图像； s12.将获取的图像进行分类； s13.将分类好的图像存入多特性数据库中。
5.根据权利要求4所述的基于张量模型的红外弱小目标检测方法，其特征在于:所述图像分类的结果包括目标局部背景特性、目标对比度特性、目标灰度分布特性和目标运动方向特性。
6.根据权利要求4所述的基于张量模型的红外弱小目标检测方法，其特征在于:当通过人工模拟的方法获得红外弱小目标图像时，采用高斯函数模型进行样本生成，其中高斯模型为
7.根据权利要求1所述的基于张量模型的红外弱小目标检测方法，其特征在于:所述步骤S2具体包括以下子步骤: s21.将步骤SI建立的多模特性数据库中的数据存入五阶张量模型中，获得五阶张量； s22.对五阶张量进行Mode-nSVD分解，得到具有不同特性的张量特性子空间和核张量; s23.然后用不同特性矩阵与核张量求张量积得到不同特性的张量基； s24.对张量基进行扁平化得到不同特性的投影矩阵。
8.根据权利要求1所述的基于张量模型的红外弱小目标检测方法，其特征在于:所述步骤S3具体包括以下子步骤: s31.从输入图像序列中取和训练样本一致大小的像素序列块作为检测样本； s32.将该序列块向先前的投影矩阵中进行投影，得到此样本的投影系数； s33.将此投影系数和训练样本的系数进行比较，将比较得到的结果保存； s34.遍历整个图像序列，求取不同位置图像序列的投影系数，并比较所有投影系数和特性矩阵的行向量之间的距离，选取距离最小的系数作为原图像的度量值，当计算完所有的度量值之后，采用阈值分割法将弱小目标提取`出来。
【文档编号】G06T7/00GK103729854SQ201410020675
【公开日】2014年4月16日 申请日期:2014年1月16日 优先权日:2014年1月16日
【发明者】高陈强, 田超, 李璐星, 陈良, 曹杰 申请人:重庆邮电大学