[发明专利]一种利用多方向稀疏低秩分解的红外弱小目标检测方法

说明书

本发明公开一种利用多方向稀疏低秩分解的红外弱小目标检测方法，包括：步骤一：构建多方向性稀疏低秩模型的目标函数；步骤二：通过滑动窗口得到原图像的不同的局部区域，然后将每一个局部区域转化成一个列向量，若干列向量合并为一个全新的列图像；步骤三：对得到的列图像，使用改进的加速近端梯度法迭代求解目标函数最小值，将列图像分解为背景列图像和目标列图像两部分；步骤四：将得到的目标列图像通过算法计算恢复为目标图像，得到检测结果。本发明模型的假设符合红外弱小目标图像的特性，在提高检测精度、降低虚警率以及运行时间上有了较为明显的改善，具有广阔的实用前景。

技术领域

本发明涉及一种利用多方向稀疏低秩分解的红外弱小目标检测方法，属于数字图像处理领域，主要涉及鲁棒主成分分析模型和目标检测技术，在各类基于图像的应用系统中有广阔的应用前景。

背景技术

红外目标检测技术被广泛地应用于众多领域中，如精确制导、反导弹技术、空间碎片搜索等，这些应用都需要准确地获取感兴趣目标的信息。而在红外预警系统的实际运用中，弱小目标检测算法的稳定性和准确性决定了这一系统的可靠性和实用性。因此，研究一种可以在复杂背景下快速准确检测到弱小目标的算法极为重要。

在实际应用中，红外图像背景往往并不单一，红外图像受到温度、气候等很多因素影响。由于各种其他物体的存在，不同结构也有着不同的辐射分布和强度，这都使得图像背景变得复杂。比如在空天背景下，卷云、带状云、絮团等会对小目标的检测起到干扰。在山地背景下，由于地面存在树木、建筑等，背景的辐射将变得更为复杂。在海天背景下，海面的波浪不断变化，使得红外辐射极不稳定；而海面光线的反射等也造成辐射效果的复杂变化，这些都会对检测造成干扰。目标的弱小和背景存在的干扰使得常规的目标检测算法在红外小目标的检测中不再有效，因此需要针对这些情况提出新的方法。

很多研究方法通过背景估计得到目标，通过滤波、形态学等方法得到背景，再通过原图与背景之差得到目标。基于最大-中值滤波和最大-均值滤波的方法(参见文献：迪什潘德孟等，用于小目标检测的最大-中值和最大-均值滤波器，国际光学工程学会光学科学、工程和仪器国际研讨会论文集，1999:74-83.(Deshpande S D,Meng H E,Venkateswarlu R,et al.Max-mean and max-median filters for detection of small targets[C]//SPIE's International Symposium on Optical Science,Engineering,andInstrumentation.International Society for Optics and Photonics,1999:74-83.))是一种经典的小目标检测方法，通过选择当前像素邻域下某些特定方向位置的中值或者均值来替代当前操作的像素，以此滤除小目标；但对于高斯白噪声较为敏感，容易造成虚警。一些基于形态学的经典小目标检测方法(参见文献：白相志等，新顶帽变换及其在红外弱小目标检测应用中的分析研究，模式识别，2010：43(6)：2145-2156.(Bai X,Zhou F.Analysisof new top-hat transformation and the application for infrared dim smalltarget detection[J].Pattern Recognition,2010,43(6):2145-2156.))利用顶帽变换增强目标抑制背景。形态学运算简单快速，但在处理复杂场景时，容易受到强烈边缘等干扰从而虚警过高；同时形态学算子的尺寸也大多固定，不能同时自适应地根据场景调整。弱小目标由于其灰度分布的突出性等特点，一些利用这种差异性的方法通过设计测度增强目标、抑制背景，从而达到检测的目的。(参见文献：邓贺等，基于局部权重差异度量的红外小目标检测方法，美国电气电子工程师学会地理与遥感汇刊，2016,54(7):4204-4214.(Deng H,Sun X,Liu M,et al.Small Infrared Target Detection Based on Weighted LocalDifference Measure[J].IEEE Transactions on Geoscience and Remote Sensing,2016,54(7):4204-4214.))但这类方法通常运行速度较快，但假设比较单一，在复杂环境下鲁棒性不够足。近年，根据弱小目标分布较少的稀疏特点，一些基于稀疏表示的检测方法被提出(参见文献：高陈强等，用在单幅图像中检测小目标的红外分块图像模型，美国电气电子工程师学会图像处理汇刊，2013,22(12):4996-5009.(Gao C,Meng D,Yang Y,etal.Infrared patch-image model for small target detection in a single image[J].IEEE Transactions on Image Processing,2013,22(12):4996-5009.))，但基于优化理论的模型相对复杂，造成计算量过大，实用性较差。一些研究者在此基础上对背景分布做出多子空间假设，进一步改进模型，加快收敛速度，但对噪声仍相对敏感。(参见文献：王小洋等，基于异构场景下稳定多空间学习的红外模糊小目标检测，美国电气电子工程师学会地理与遥感汇刊，2017,55(10):5481-5493.(Wang X,Peng Z,Kong D,et al.Infrared Dimand Small Target Detection Based on Stable Multisubspace Learning inHeterogeneous Scene[J].IEEE Transactions on GeoscienceRemote Sensing,2017,55(10):5481-5493.))