[發明專利]基于形態成份稀疏表示的紅外小弱目標檢測方法

無效

• 申請號: 201210231275.7
• 申請日: 2012-07-05
• 公開（公告）號: CN102750533A
• 公開（公告）日: 2012-10-24
• 發明（設計）人: 李正周;劉梅;王會改;丁浩;唐嵐;劉書君;李明玉
• 申請（專利權）人: 重慶大學
• 主分類號: G06K9/32
• 分類號: G06K9/32
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種基于形態成份稀疏表示的紅外小弱目標檢測方法，是光電成像搜索與跟蹤系統、精確制導系統、目標監視系統、衛星遙感系統、安全檢查系統等的一項核心技術，在各類軍、民用系統中均可有廣泛的應用。

背景技術

隨著紅外成像技術的不斷發展，紅外成像系統已廣泛應用于紅外精確制導、預警、搜索和跟蹤等多種軍事及民用領域。目標檢測與跟蹤作為上述領域中的一項重要技術，在現代防御系統中具有非常顯著的地位。當作用距離遠時，目標在成像上表現為只占據幾個像素點的小弱目標，沒有形狀紋理等其他重要特征，并且易于淹沒在各種雜波背景和強噪聲中。紅外小弱目標的檢測是一項富有挑戰性的課題。

當前，基于單幀的紅外小目標檢測算法可分為基于圖像濾波的檢測算法和基于學習的檢測算法兩類。基于圖像濾波的檢測算法首先估計紅外圖像背景，然后將原始圖像與背景相消，以得到包含目標和噪聲的圖像，即白化過程，接著采用閾值處理得到目標位置，代表方法有Top-Hat、TDLMS和小波變換等。基于學習的檢測算法則是將目標檢測問題轉化為模式分類問題，它對目標模型和背景模型進行訓練，利用訓練得到的目標模型和背景模型對子圖像進行分類判別，然后根據規則判定子圖像塊是否含有目標，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構建的二維高斯函數樣本能較好地抑制背景和噪聲，增強具有高斯分布的小弱目標。采用稀疏理論構造的冗余高斯字典克服主成份分析法PCA構建的高斯樣本單一，能適應不同形態高斯分布的小弱目標。高斯樣本和高斯字典適合于高斯分布的小弱目標，而小弱目標形態動態變化，高斯模型難以適應非高斯分布等非結構形態，適應性和檢測能力有待進一步加強。

發明內容

本發明的目的在于克服上述高斯模型難以適應非高斯分布等非結構形態的不足，提供一種基于學習的超完備字典的構造方法，通過挖掘目標和背景噪聲在各種形態字典下的分解差異來檢測小弱目標。本發明通過圖像本身作為訓練樣本，利用K聚類奇異值分解法構造超完備自適應字典，利用分類函數分類不同形態特征的原子構成不同的子字典。最終根據圖像塊在目標子字典中的表示系數差異來檢測小弱目標。

為實現這一目的，本發明的技術方案是目標和背景噪聲在各種形態字典下的分解差異為切入點。本發明采用以下技術方案：

一種基于形態成份稀疏表示的紅外小弱目標檢測，其特征在于，所述檢測方法包括如下步驟：

1）??采用K聚類奇異值分解法(K_SVD)求解原圖像的超完備字典；

2）??根據分類函數將超完備字典分為目標和背景兩種形態特征的子字典；

3）??利用和原子一樣大小的二維模板將原始圖像劃分為若干子圖像，分別對每個子圖像在分類的形態字典中稀疏分解，提取其在目標子字典中的表示系數；

4）??提取目標子字典中的表示系數，利用閾值函數判定是否存在目標，當系數大于閾值時，初步假定該子圖像存在目標，最終根據目標所在的各個圖像塊進行綜合判定，確定目標的具體位置。

附圖說明

圖1是實施例的測試圖像；

圖2是采用K聚類奇異值分解法對圖1構建的自適應字典；

圖3是目標形態子字典；

圖4是背景噪聲子字典；

圖5是實施例圖像1中包含目標的圖像塊在目標子字典的稀疏表示系數；

圖6是實施例圖像1中不含目標的圖像塊在目標字典的稀疏表示系數；

圖7是采用本實施例方法得到的檢測結果。

具體實施方式

本實施方式是以本發明技術方案為前提進行實施，下面結合附圖對本發明的具體實施方式做詳細說明：

本實施例對圖1所示的包含小弱目標的深空原圖像進行檢測，包括以下步驟：

1）采用K聚類奇異值分解法K_SVD學習、訓練自適應字典，從原圖像中提取16x16像素大小的圖像塊作為訓練樣本，訓練出256x1024個原子的自適應字典，如圖2所示；

2）采用分類函數將自適應字典分解為兩種形態子字典，即目標子字典和背景噪聲子字典，分別如圖3和圖4所示。對每個原子進行分類所采用閾值函數

3）利用16x16像素大小的模板從左到右、從上到下提取圖像塊，求取每個圖像塊在自適應字典中的稀疏系數，

式中，表示目標子字典表示系數，表示背景子字典表示系數。圖5圖6是原圖像子塊在目標子字典的稀疏表示系數，其中圖5是包含目標的圖像塊在目標子字典的稀疏表示系數，圖6是不含目標的圖像塊在目標子字典的稀疏表示系數；