[發(fā)明專利]一種海面紅外小目標(biāo)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201610230854.8
• 申請(qǐng)日: 2016-04-14
• 公開（公告）號(hào): CN105931264B
• 公開（公告）日: 2017-07-11
• 發(fā)明（設(shè)計(jì)）人: 方厚章;時(shí)愈;周鋼;鄭紀(jì)彬;許述文;潘東輝
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué);武漢工程大學(xué)
• 主分類號(hào): G06T7/246
• 分類號(hào): G06T7/246;G06T5/00
• 代理公司: 武漢東喻專利代理事務(wù)所(普通合伙)42224
• 代理人: 方可

1.一種海面紅外小目標(biāo)檢測(cè)方法，其特征在于，包括如下步驟：

(1)將原始圖像矩陣分解為相互重疊的塊；將每個(gè)塊展成列向量，并按列向量對(duì)應(yīng)的塊在原始圖像矩陣的順序?qū)⑺辛邢蛄繌淖蟮接乙来闻帕蝎@得圖像矩陣D；

每個(gè)所述塊的分辨率為N×N，相鄰塊在水平方向和在豎直方向的重疊部分的像素均為M；5≤N≤80，1≤M≤40；

(2)將所述圖像矩陣D分解為小目標(biāo)圖像矩陣E、背景圖像矩陣A以及噪聲矩陣N；

(3)根據(jù)所述小目標(biāo)圖像矩陣E、背景圖像矩陣A以及噪聲矩陣N建立含有約束條件的凸優(yōu)化約束能量泛函模型；

具體如下：

(3a)利用小目標(biāo)圖像矩陣E構(gòu)造權(quán)重矩陣W＝1/(|E|+ε_E)；其中，ε_E是防止除零的常數(shù)，取值范圍為10^-10≤ε_E≤10^-6；

(3b)計(jì)算正則化參數(shù)其中，m和n分別為圖像矩陣D的行數(shù)和列數(shù)；

(3c)根據(jù)所述權(quán)重矩陣W和正則化參數(shù)τ構(gòu)建凸優(yōu)化約束能量泛函模型

其中，||·||_*表示矩陣的核范數(shù)操作，||·||₁表示矩陣的1范數(shù)操作，表示兩個(gè)矩陣對(duì)應(yīng)元素相乘操作，s.t.是subject to的縮寫，是受約束的意思；

(4)采用自適應(yīng)更新懲罰參數(shù)的交替方向乘子法，對(duì)所述凸優(yōu)化約束能量泛函模型進(jìn)行迭代計(jì)算求解，獲得第(k+1)次迭代得到的背景圖像矩陣A_k+1和小目標(biāo)圖像矩陣E_k+1；

(5)判斷第(k+1)次迭代的殘差(D-A_k+1-E_k+1)與圖像矩陣D的商||D-A_k+1-E_k+1||_F/||D||_F是否小于等于迭代誤差ε₁，或者判斷是否達(dá)到最大迭代次數(shù)；若是，則將E_k+1作為檢測(cè)獲得的海面紅外小目標(biāo)圖像矩陣；

若否，則令迭代次數(shù)k＝k+1，并返回至步驟(4)；所述迭代誤差ε₁＝10^-6。

2.如權(quán)利要求1所述的海面紅外小目標(biāo)檢測(cè)方法，其特征在于，所述步驟(4)中，通過拉格朗日乘子Y將所述凸優(yōu)化約束能量泛函拓展為如下含A、E、Y和β的無(wú)約束增廣拉格朗日泛函：其中，β是懲罰參數(shù)，表示矩陣的Frobenius范數(shù)的平方處理。

3.如權(quán)利要求2所述的海面紅外小目標(biāo)檢測(cè)方法，其特征在于，根據(jù)給定的第k次迭代的小目標(biāo)圖像矩陣E_k、拉格朗日乘子Y_k和懲罰參數(shù)β_k，獲得第k次迭代的背景圖像矩陣

其中，是能量泛函取最小值時(shí)背景圖像矩陣A的值。

4.如權(quán)利要求2或3所述的海面紅外小目標(biāo)檢測(cè)方法，其特征在于，根據(jù)給定的第k次迭代的背景圖像矩陣A_k、拉格朗日乘子Y_k、懲罰參數(shù)β_k和權(quán)重矩陣W_k，獲得第k次迭代得到的小目標(biāo)圖像矩陣

其中，是能量泛函取最小值時(shí)小目標(biāo)圖像矩陣E的值。

5.如權(quán)利要求4所述的海面紅外小目標(biāo)檢測(cè)方法，其特征在于，根據(jù)下述公式對(duì)所述第k次迭代更新后的懲罰參數(shù)β_k進(jìn)行更新：

其中k表示迭代次數(shù)，ρ為乘積因子，β_k是第k次迭代更新后的懲罰參數(shù)；1≤k≤1000，ρ≥1，0<ε≤1；||·||_F表示矩陣的Frobenius范數(shù)處理。

6.如權(quán)利要求5所述的海面紅外小目標(biāo)檢測(cè)方法，其特征在于，所述ρ＝1.5，β₁＝1.25。