[发明专利]一种基于张量模型的红外弱小目标检测方法

权利要求书

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S1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：其中x代表弱小目标横坐标像素的位置，y代表弱小目标纵坐标像素的位置，σ为高斯函数标准差，其值代表弱小目标的大小，k为常量。

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S1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-n SVD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。