[發(fā)明專利]基于多尺度稀疏字典的紅外小弱目標(biāo)檢測(cè)方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 201210330313.4
• 申請(qǐng)日: 2012-09-10
• 公開（公告）號(hào): CN102842047A
• 公開（公告）日: 2012-12-26
• 發(fā)明（設(shè)計(jì)）人: 李正周;劉梅;王會(huì)改;唐嵐;沈美容
• 申請(qǐng)（專利權(quán)）人: 重慶大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.基于多尺度稀疏字典的紅外小弱目標(biāo)檢測(cè)方法，其特征在于，所述檢測(cè)方法包括如下步驟：

構(gòu)造原圖像的四叉樹多尺度超完備稀疏字典；

將原圖像劃分為不同尺度大小的子圖像，分別對(duì)每個(gè)子圖像在其相應(yīng)的多尺度子字典中稀疏分解，提取其在子字典中的表示系數(shù)；

將每個(gè)子圖像的多層稀疏分解系數(shù)級(jí)聯(lián)起來(lái)形成聯(lián)合稀疏系數(shù)，利用指數(shù)分布擬合聯(lián)合的稀疏系數(shù)；

擬合后如果指數(shù)分布的參數(shù)大于閾值確定該子圖像存在目標(biāo)，并根據(jù)聯(lián)合稀疏系數(shù)具有與四叉樹一樣的方位性這一特征，最終確定目標(biāo)所在的具體位置。

2.根據(jù)權(quán)利要求1所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測(cè)方法，其特征在于，所述構(gòu)造原圖像的四叉樹模型多尺度超完備稀疏字典，是指構(gòu)造的稀疏字典具有四叉樹一樣的分層結(jié)構(gòu)，即多尺度稀疏字典????????????????????????????????????????????????是由所有位于四叉樹不同層不同尺度的稀疏子字典級(jí)聯(lián)而成，

其中：表示多尺度稀疏字典中位于層包含個(gè)原子的大小為的一個(gè)子字典，表示沿四叉樹分解的深度，每一層子字典分別位于個(gè)不同的位置。

3.根據(jù)權(quán)利要求1所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測(cè)方法，其特征在于：所述求取子圖像的多尺度稀疏系數(shù)，

其中：表示原圖像中左上角像素點(diǎn)坐標(biāo)為的圖像子塊，表示子圖像塊在多尺度稀疏字典下的分解系數(shù)，是圖像子塊的大小，，是噪聲標(biāo)準(zhǔn)差。

4.根據(jù)權(quán)利要求1所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測(cè)方法，其特征在于，所述用指數(shù)分布擬合聯(lián)合的稀疏系數(shù)，指數(shù)分布的概率密度函數(shù)為，

將指數(shù)分布擬合多尺度稀疏字典的聯(lián)合稀疏系數(shù)，得到擬合后的指數(shù)分布的參數(shù)，，和。

5.根據(jù)權(quán)利要求1所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測(cè)方法，其特征在于，所述閾值判定擬合參數(shù)，將稀疏系數(shù)分為包含目標(biāo)和噪聲的系數(shù)、只有噪聲背景的系數(shù)兩類，設(shè)表示為目標(biāo)和噪聲系數(shù)的假設(shè)，表示為背景系數(shù)的假設(shè)，根據(jù)系數(shù)分布特性，

??????????????????????????????????????????????????????????????????????????????????????????????????????????

對(duì)系數(shù)為圖像塊中只包含目標(biāo)和噪聲的系數(shù)時(shí)，有如下假設(shè)檢驗(yàn)：，為歸一化常數(shù)，為根據(jù)指數(shù)分布參數(shù)，利用雙峰法確定的閾值。

6.根據(jù)權(quán)利要求2所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測(cè)方法，其特征在于，所述的多尺度稀疏字典的構(gòu)造分為稀疏編碼和字典更新兩個(gè)步驟。

7.根據(jù)權(quán)利要求6所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測(cè)方法，其特征在于，所述的稀疏編碼是指，固定多尺度字典，用正交匹配跟蹤算法OMP(Orthogonal?Matching?Pursuit)算法求解每個(gè)訓(xùn)練樣本的稀疏系數(shù)：

。

8.根據(jù)權(quán)利要求6所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測(cè)方法，其特征在于，所述的稀疏字典更新是按順序更新多尺度字典中的每一層子字典中的原子，求解訓(xùn)練樣本庫(kù)中與該原子相關(guān)的訓(xùn)練樣本在去除其它多尺度原子的貢獻(xiàn)后的剩余誤差，并用奇異值分解法SVD（Singular?Value?Decomposition）更新和相應(yīng)的位于位置上的稀疏系數(shù)：

得到一組最優(yōu)逼近，即為求得更新后的和稀疏編碼系數(shù)，迭代多次直至字典收斂，即得到更新后的多尺度字典。