CN102750533A - 基于形态成份稀疏表示的红外小弱目标检测方法 - Google Patents
基于形态成份稀疏表示的红外小弱目标检测方法 Download PDFInfo
- Publication number
- CN102750533A CN102750533A CN2012102312757A CN201210231275A CN102750533A CN 102750533 A CN102750533 A CN 102750533A CN 2012102312757 A CN2012102312757 A CN 2012102312757A CN 201210231275 A CN201210231275 A CN 201210231275A CN 102750533 A CN102750533 A CN 102750533A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- target
- sub
- sparse
- coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明提出了一种基于形态成分稀疏表示的红外小弱目标检测算法,包括以下步骤:采用K聚类奇异值分解法K_SVD生成原图像的自适应过完备字典;用分类函数将字典进一步分为表示目标形态的目标子字典和表示背景噪声成分的背景子字典;提取原图像的图像子块,将每个图像子块在自适应字典中进行稀疏分解,提取其在目标子字典中的稀疏系数;对目标子字典中的稀疏系数进行阈值处理,大于阈值所对应的图像块初步确定为目标;最后综合重叠图像子块的阈值结果,确定目标的准确位置。本发明构建的自适应过完备字典能够有效地捕获目标信号的各种形态,相比高斯结构化字典具有更大的灵活性,能有效地检测非高斯型的目标信号,具有更为广泛的适用性。
Description
技术领域
本发明涉及一种基于形态成份稀疏表示的红外小弱目标检测方法,是光电成像搜索与跟踪系统、精确制导系统、目标监视系统、卫星遥感系统、安全检查系统等的一项核心技术,在各类军、民用系统中均可有广泛的应用。
背景技术
随着红外成像技术的不断发展,红外成像系统已广泛应用于红外精确制导、预警、搜索和跟踪等多种军事及民用领域。目标检测与跟踪作为上述领域中的一项重要技术,在现代防御系统中具有非常显著的地位。当作用距离远时,目标在成像上表现为只占据几个像素点的小弱目标,没有形状纹理等其他重要特征,并且易于淹没在各种杂波背景和强噪声中。红外小弱目标的检测是一项富有挑战性的课题。
当前,基于单帧的红外小目标检测算法可分为基于图像滤波的检测算法和基于学习的检测算法两类。基于图像滤波的检测算法首先估计红外图像背景,然后将原始图像与背景相消,以得到包含目标和噪声的图像,即白化过程,接着采用阈值处理得到目标位置,代表方法有Top-Hat、TDLMS和小波变换等。基于学习的检测算法则是将目标检测问题转化为模式分类问题,它对目标模型和背景模型进行训练,利用训练得到的目标模型和背景模型对子图像进行分类判别,然后根据规则判定子图像块是否含有目标,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构建的二维高斯函数样本能较好地抑制背景和噪声,增强具有高斯分布的小弱目标。采用稀疏理论构造的冗余高斯字典克服主成份分析法PCA构建的高斯样本单一,能适应不同形态高斯分布的小弱目标。高斯样本和高斯字典适合于高斯分布的小弱目标,而小弱目标形态动态变化,高斯模型难以适应非高斯分布等非结构形态,适应性和检测能力有待进一步加强。
发明内容
本发明的目的在于克服上述高斯模型难以适应非高斯分布等非结构形态的不足,提供一种基于学习的超完备字典的构造方法,通过挖掘目标和背景噪声在各种形态字典下的分解差异来检测小弱目标。本发明通过图像本身作为训练样本,利用K聚类奇异值分解法构造超完备自适应字典,利用分类函数分类不同形态特征的原子构成不同的子字典。最终根据图像块在目标子字典中的表示系数差异来检测小弱目标。
为实现这一目的,本发明的技术方案是目标和背景噪声在各种形态字典下的分解差异为切入点。本发明采用以下技术方案:
一种基于形态成份稀疏表示的红外小弱目标检测,其特征在于,所述检测方法包括如下步骤:
1) 采用K聚类奇异值分解法(K_SVD)求解原图像的超完备字典;
2) 根据分类函数将超完备字典分为目标和背景两种形态特征的子字典;
3) 利用和原子一样大小的二维模板将原始图像划分为若干子图像,分别对每个子图像在分类的形态字典中稀疏分解,提取其在目标子字典中的表示系数;
4) 提取目标子字典中的表示系数,利用阈值函数判定是否存在目标,当系数大于阈值时,初步假定该子图像存在目标,最终根据目标所在的各个图像块进行综合判定,确定目标的具体位置。
附图说明
图1是实施例的测试图像;
图2是采用K聚类奇异值分解法对图1构建的自适应字典;
图3是目标形态子字典;
图4是背景噪声子字典;
图5是实施例图像1中包含目标的图像块在目标子字典的稀疏表示系数;
图6是实施例图像1中不含目标的图像块在目标字典的稀疏表示系数;
图7是采用本实施例方法得到的检测结果。
具体实施方式
本实施方式是以本发明技术方案为前提进行实施,下面结合附图对本发明的具体实施方式做详细说明:
本实施例对图1所示的包含小弱目标的深空原图像进行检测,包括以下步骤:
1)采用K聚类奇异值分解法K_SVD学习、训练自适应字典,从原图像中提取16x16像素大小的图像块作为训练样本,训练出256x1024个原子的自适应字典,如图2所示;
2)采用分类函数将自适应字典分解为两种形态子字典,即目标子字典和背景噪声子字典,分别如图3和图4所示。对每个原子进行分类所采用阈值函数
3)利用16x16像素大小的模板从左到右、从上到下提取图像块,求取每个图像块在自适应字典中的稀疏系数,
式中,表示目标子字典表示系数,表示背景子字典表示系数。图5图6是原图像子块在目标子字典的稀疏表示系数,其中图5是包含目标的图像块在目标子字典的稀疏表示系数,图6是不含目标的图像块在目标子字典的稀疏表示系数;
4)对每个图像块在目标字典中的分解系数,利用阈值函数来进行判断,
Claims (9)
1.基于形态成份稀疏表示的红外小弱目标检测方法,其特征在于,所述检测方法包括如下步骤:
采用K聚类奇异值分解法(K_SVD)求解原图像的超完备字典;
根据分类函数将超完备字典分为目标和背景两种形态特征的子字典;
利用和原子一样大小的二维模板将原始图像划分为若干子图像,分别对每个子图像在分类的形态字典中稀疏分解,提取其在目标子字典中的表示系数;
提取目标子字典中的表示系数,利用阈值函数判定是否存在目标,当系数大于阈值时,初步假定该子图像存在目标,最终根据目标所在的各个图像块的稀疏表示系数进行综合判定,确定目标的具体位置。
2.根据权利要求1所述的基于形态成份稀疏表示的红外小弱目标检测方法,其特征在于:所述K聚类奇异值分解法(K_SVD)是以图像块为训练样本,求取能表示图像中各种形态特征的超完备字典。
7.根据权利要求2所述的基于形态成份稀疏表示的红外小弱目标检测方法,其特征在于:所述K聚类奇异值分解法(K_SVD) 求解原图像的超完备字典包括稀疏编码和字典更新两个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102312757A CN102750533A (zh) | 2012-07-05 | 2012-07-05 | 基于形态成份稀疏表示的红外小弱目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102312757A CN102750533A (zh) | 2012-07-05 | 2012-07-05 | 基于形态成份稀疏表示的红外小弱目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102750533A true CN102750533A (zh) | 2012-10-24 |
Family
ID=47030699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012102312757A Pending CN102750533A (zh) | 2012-07-05 | 2012-07-05 | 基于形态成份稀疏表示的红外小弱目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102750533A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440502A (zh) * | 2013-09-06 | 2013-12-11 | 重庆大学 | 基于混合高斯稀疏表示的红外小目标检测方法 |
CN103679216A (zh) * | 2014-01-06 | 2014-03-26 | 重庆大学 | 基于空时稀疏表示的红外小弱目标检测方法 |
CN104268503A (zh) * | 2014-08-28 | 2015-01-07 | 奇瑞汽车股份有限公司 | 行人检测方法和装置 |
CN104616324A (zh) * | 2015-03-06 | 2015-05-13 | 厦门大学 | 基于自适应表观模型和点-集距离度量学习的目标跟踪方法 |
CN105469428A (zh) * | 2015-11-26 | 2016-04-06 | 河海大学 | 一种基于形态学滤波和svd的弱小目标检测方法 |
CN105706143A (zh) * | 2013-04-15 | 2016-06-22 | 微软技术许可有限责任公司 | 混合红外和色彩分量数据点云 |
CN106056097A (zh) * | 2016-08-17 | 2016-10-26 | 西华大学 | 毫米波弱小目标检测方法 |
CN108898589A (zh) * | 2018-06-19 | 2018-11-27 | 南通大学 | 基于高速机器视觉的过滤棒爆珠智能检测方法 |
CN112200718A (zh) * | 2020-09-18 | 2021-01-08 | 郑州航空工业管理学院 | 基于ncsr和多传感器的红外图像超分辨率方法 |
-
2012
- 2012-07-05 CN CN2012102312757A patent/CN102750533A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105706143B (zh) * | 2013-04-15 | 2019-02-22 | 微软技术许可有限责任公司 | 混合红外和色彩分量数据点云 |
CN105706143A (zh) * | 2013-04-15 | 2016-06-22 | 微软技术许可有限责任公司 | 混合红外和色彩分量数据点云 |
CN103440502A (zh) * | 2013-09-06 | 2013-12-11 | 重庆大学 | 基于混合高斯稀疏表示的红外小目标检测方法 |
CN103679216B (zh) * | 2014-01-06 | 2017-01-18 | 重庆大学 | 基于空时稀疏表示的红外小弱目标检测方法 |
CN103679216A (zh) * | 2014-01-06 | 2014-03-26 | 重庆大学 | 基于空时稀疏表示的红外小弱目标检测方法 |
CN104268503A (zh) * | 2014-08-28 | 2015-01-07 | 奇瑞汽车股份有限公司 | 行人检测方法和装置 |
CN104268503B (zh) * | 2014-08-28 | 2018-03-16 | 奇瑞汽车股份有限公司 | 行人检测方法和装置 |
CN104616324B (zh) * | 2015-03-06 | 2017-07-28 | 厦门大学 | 基于自适应表观模型和点‑集距离度量学习的目标跟踪方法 |
CN104616324A (zh) * | 2015-03-06 | 2015-05-13 | 厦门大学 | 基于自适应表观模型和点-集距离度量学习的目标跟踪方法 |
CN105469428A (zh) * | 2015-11-26 | 2016-04-06 | 河海大学 | 一种基于形态学滤波和svd的弱小目标检测方法 |
CN105469428B (zh) * | 2015-11-26 | 2018-05-11 | 河海大学 | 一种基于形态学滤波和svd的弱小目标检测方法 |
CN106056097A (zh) * | 2016-08-17 | 2016-10-26 | 西华大学 | 毫米波弱小目标检测方法 |
CN106056097B (zh) * | 2016-08-17 | 2019-04-26 | 西华大学 | 毫米波弱小目标检测方法 |
CN108898589A (zh) * | 2018-06-19 | 2018-11-27 | 南通大学 | 基于高速机器视觉的过滤棒爆珠智能检测方法 |
CN108898589B (zh) * | 2018-06-19 | 2022-06-07 | 南通大学 | 基于高速机器视觉的过滤棒爆珠智能检测方法 |
CN112200718A (zh) * | 2020-09-18 | 2021-01-08 | 郑州航空工业管理学院 | 基于ncsr和多传感器的红外图像超分辨率方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102750533A (zh) | 基于形态成份稀疏表示的红外小弱目标检测方法 | |
CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
CN103729854B (zh) | 一种基于张量模型的红外弱小目标检测方法 | |
CN104463877B (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
CN103020606B (zh) | 一种基于时空上下文信息的行人检测方法 | |
CN103440502A (zh) | 基于混合高斯稀疏表示的红外小目标检测方法 | |
CN102842047A (zh) | 基于多尺度稀疏字典的红外小弱目标检测方法 | |
Li et al. | Multitemporal image change detection using a detail-enhancing approach with nonsubsampled contourlet transform | |
CN103679216B (zh) | 基于空时稀疏表示的红外小弱目标检测方法 | |
CN103761731A (zh) | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 | |
CN103902989A (zh) | 基于非负矩阵分解的人体动作视频识别方法 | |
CN104751183A (zh) | 基于张量mpca的极化sar图像分类方法 | |
CN110751667B (zh) | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 | |
CN106508046B (zh) | 一种基于多尺度双边最优化的弱小目标检测方法 | |
CN104063682A (zh) | 一种基于边缘分级和centrist特征的行人检测方法 | |
CN106611409B (zh) | 一种基于二次图像融合的小目标增强检测方法 | |
CN106446870B (zh) | 一种人体轮廓特征提取方法和装置 | |
CN106096650B (zh) | 基于收缩自编码器的sar图像分类方法 | |
Raj et al. | A novel Ship detection method from SAR image with reduced false alarm | |
Zhao et al. | Infrared small target detection based on morphological feature extraction | |
Avanzato et al. | A cnn-based differential image processing approach for rainfall classification | |
CN103345739B (zh) | 一种基于纹理的高分辨率遥感影像建筑区指数计算方法 | |
Kiasari et al. | Classification of human postures using ultra-wide band radar based on neural networks | |
CN110426745A (zh) | 基于块混合高斯低秩矩阵分解的毫米波图像异物检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20121024 |