一种基于迭代的单帧红外图像小目标检测方法及装置与流程

本发明涉及图像处理领域，尤其涉及一种基于迭代的单帧红外图像小目标检测方法及装置。

背景技术：

1、当前，红外搜索与跟踪(irst)系统有着广泛的应用，如埋雷探测、低空安全、导弹跟踪等军民领域。其中，红外小目标探测技术在irst中起到至关重要的作用。然而，受到复杂背景、强杂波和噪声等因素的影响，现有的热红外小目标检测任务主要面临如下挑战：

2、1)由于远距离成像和复杂背景，红外图像的信噪比相对较低，使得红外小目标容易消失在周围环境，这对有效的红外小目标检测任务提出了挑战；

3、2)红外小目标检测会受到各种干扰，如固有噪声和结构噪声，这会显著导致虚警，降低检测方法的背景抑制能力；

4、3)红外搜索与跟踪(irst)系统对红外小目标检测提出了实时性要求。因此，红外小目标的检测方法不仅要提高检测精度，还要优化运算效率，以满足实际应用的要求。

5、通常，红外小目标检测方法主要分为基于数据驱动的方法和基于模型驱动的方法。基于数据驱动的方法以深度学习模型为框架，设计各种网络以完成红外小目标检测任务。研究结果表明，深度学习模型具有很强的自适应能力，可以通过学习数据的分布和特征来适应不同的红外场景和目标变化，并且深度学习模型可以通过大规模数据集的训练，学习到更加丰富和抽象的特征表示。然而，基于数据驱动的方法需要大量的标注数据进行训练，对于红外小目标检测任务来说，标注数据往往难以获取，这会限制深度学习方法在红外小目标检测中的应用；深度学习模型通常是黑盒模型，难以解释模型的决策过程和推理结果，这在一些对于解释性要求较高的应用场景中可能会受到限制，例如在军事和安全领域中。

6、基于模型驱动的方法可以进一步分为基于背景估计滤波的方法、基于局部特征表示的方法、基于成分分解的方法。基于背景估计滤波的方法考虑到背景部分具有很高的相关性，通过设计空域滤波器、频域滤波器等达到背景抑制、目标提取的目的。然而，这些滤波器在复杂场景中进行红外小目标检测的过程中，不仅会增强红外小目标，还会突出背景纹理的显著性，如重云杂波、显著建筑边缘，造成严重的虚警。

7、基于局部特征表示的方法旨在模拟人类视觉系统流中的对比特征进行编码的机制，考虑到红外小目标通常表现出易区分于背景杂波和噪声的灰度分布统计特性，可以设计特定的局部对比度描述子来描述这种特性差异。chen等人率先提出了一种称为局部对比度度量(local contrast measure,lcm)的描述符来进行红外小目标检测。后来，一系列的lcm变体被提出，如tri-layer window lcm(tllcm)、weighted strengthened lcm(wslcm)，weighted three-layer window lcm(wtllcm)，halo structure prior(hsp)-based lcm(hsplcm)等。然而，在高亮度复杂背景中，这类描述符容易陷入困境，因为杂波可能与目标相似，产生严重的虚警，影响小目标检测的有效性。

8、基于成分分解的方法基于如下事实：红外图像背景成分呈低秩特性，因为大多数背景部分被类似的图像块占据；目标呈现出稀疏特性，因为目标像素只占据图像中少量像素。根据不同的图像数据形式(例如二维矩阵、三维空间张量、三维空时张量和四维空时张量)，基于成分分解的方法将红外目标检测任务转化为低秩稀疏成分分解的问题。例如，pang等人提出了一种基于三维空时张量和张量谱k支持范数最小化模型，用于检测具有极度稀疏特征的红外弱小目标。liu等人提出了一种非凸张量低秩逼近(ntla)方法自适应地为不同的奇异值分配不同的权重，以实现背景估计，并基于ntla设计非对称空间-时间总变差(asttv)正则化，所提出的基于低秩稀疏分解的模型在测试数据集上取得了较为优异的效果。wang等人建立了一个非重叠的空时图像块张量(npstt)模型，在此基础上，引入了tcnn正则化以提升背景张量估计的准确性，基于npstt和tcnn，设计红外小目标检测模型，在复杂场景中取得了较好的检测效果。与基于背景估计滤波和基于局部特征表示的红外小目标检测算法相比，基于成分分解的算法可以更好地消除杂波，从复杂背景中分离并增强小目标。但是，一些尖锐背景边缘可能被分解至稀疏目标成分中，因此基于成分分解的小目标检测方法需要解决对强干扰信号较为敏感的问题。

9、目前已有的红外小目标检测方法，在复杂场景中的目标检测能力、背景抑制能力和检测器的综合有效性仍未能满足实际应用的需求，并且对实时性能提出了挑战。因此，需要进一步研究相关策略，以提升红外小目标检测的性能。

技术实现思路

1、针对现有技术中的不足，本发明的目的是提供一种基于迭代的单帧红外图像小目标检测方法及装置，充分利用相邻帧图像所携带的空时信息，对于待检测的红外图像帧，利用其相邻的前后帧图像进行辅助检测，并构造三维空时张量；从数据分解角度，建立基于低秩稀疏张量分解的目标检测模型，并通过挖掘背景成分的内在时空本征信息，定义基于内核信息与log计算的张量核范数，提高背景估计的准确性；此外，从迭代求解的角度出发，基于结构张量理论设计显著性信息提取方法，并在基于低秩稀疏张量分解的目标检测模型的基础上，建立基于迭代的低秩稀疏张量分解模型，有效改善待分解图像数据的质量，增强被分解数据的目标显著性，抑制被分解数据的背景成分；通过模型迭代求解，提升了待检测的红外帧图像的目标检测结果的有效性，实现红外小目标检测，并且本发明所提出的方法的目标检测能力、背景抑制能力都得到了有效验证。

2、为实现上述目的，本发明提供了如下技术方案：

3、本发明一方面公开了基于迭代的单帧红外图像小目标检测方法，其特征在于，包括如下步骤：

4、步骤1)：利用热红外图像序列所携带的时间与空间信息，将当前待检测的红外帧图像与其相邻的前后帧图像，构造为一个三维空时张量

5、步骤2)：由背景、目标和噪声的特性，建立基于低秩稀疏张量分解的模型；

6、步骤3)：由背景张量的内核信息以及背景张量的每一张正面切片所携带的空间信息，定义基于内核信息与log计算的张量核范数；

7、步骤4)：在迭代求解基于低秩稀疏张量分解的模型过程中，对当前迭代所得到的临时目标张量，基于结构张量理论，提取显著性信息张量，加权至后一迭代轮次中的待分解图像数据；

8、步骤5)：基于步骤1)的三维空时张量，结合步骤2)至步骤4)，建立基于迭代的低秩稀疏张量分解模型；

9、步骤6)：利用admm算法求解基于迭代的低秩稀疏张量分解模型，得到目标张量，并提取目标张量最中间的正面切片，作为待检测的红外帧图像的红外小目标检测结果，实现基于迭代的单帧红外图像小目标检测。

10、本发明还公开了一种实施所述方法的基于迭代的单帧红外图像小目标检测装置，其包括：

11、三维空时张量建立模块，将当前待检测的红外帧图像与其相邻的前后帧图像，构造为三维空时张量，为后续分解奠定数据基础；

12、低秩稀疏张量分解模型建立模块，由背景、目标和噪声的特性，建立基于低秩稀疏张量分解的模型；

13、低秩背景估计范数设计模块，结合背景张量的内核信息和背景张量的每一张正面切片所携带的空间信息，定义基于内核信息与log计算的张量核范数；

14、显著性信息提取模块，基于结构张量理论，设计显著性信息张量提取方法，用于在迭代求解过程中，从当前迭代所得到的临时目标张量提取显著性信息张量，并加权至后一迭代轮次中的待分解图像数据；

15、基于迭代的低秩稀疏张量分解模型建立模块，基于三维空时张量和低秩稀疏张量分解模型，结合低秩背景估计范数、低秩背景估计范数，建立基于迭代的低秩稀疏张量分解模型；

16、求解优化模型模块，利用admm算法求解基于迭代的低秩稀疏张量分解模型，得到目标张量，并提取目标张量最中间的正面切片，作为待检测的红外帧图像的红外小目标检测结果；

17、目标检测结果输出模块，用于输出单帧图像的红外小目标检测结果图。

18、与现有技术相比，本发明所具有的有益效果包括：

19、1)本发明充分利用红外图像序列所携带的丰富的时间-空间信息，对于待检测的红外图像帧，利用其相邻的前后帧图像进行辅助检测，并构造为三维空时张量；在此基础上，建立基于低秩稀疏张量分解的红外小目标检测模型；同时，结合背景张量的内核信息和背景张量的每一张正面切片所携带的空间信息，定义基于内核信息与log计算的张量核范数，提高了低秩背景估计的准确度；

20、2)本发明提出了一种基于结构张量理论的显著性信息提取方法，在基于低秩稀疏张量分解的目标检测模型的基础上，建立基于迭代的低秩稀疏张量分解模型；在迭代求解过程中，从当前迭代所得到的临时目标张量提取显著性信息张量，并加权至后一迭代轮次中的待分解图像数据，增强被分解数据的目标显著性，抑制被分解数据的背景成分；通过admm算法求解基于迭代的低秩稀疏张量分解模型，提升了待检测的红外帧图像的目标检测结果的有效性。