CN103729854B - 一种基于张量模型的红外弱小目标检测方法 - Google Patents

Abstract

本发明公开了一种基于张量模型的红外弱小目标检测方法，包括离线训练阶段和在线检测阶段，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。本发明通过建立张量检测模型，避免的对复杂背景及微弱信噪比的目标进行识别带来的困难，能够较好的检测到不同场景及微弱信噪比下的目标，提高了目标检测的准确度。

Description

一种基于张量模型的红外弱小目标检测方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种红外弱小目标检测的方法及系统。

背景技术

现有的红外弱小目标检测技术中，大多数只是实现简单背景下高信噪比的目标检测工作。这些目标检测算法存在着大量的不足之处，如存在复杂背景下高虚警率或低目标信噪比情况下的低检测概率情况。

目前红外弱小目标检测方法可以分为三类：一是基于背景预测模型的目标检测方法；二是基于目标时域运动特性设计的检测方法；三是基于数学变换域的目标检测方法。

基于背景预测模型的目标检测是一类典型的利用红外背景本身固有的特性来设计的算法。该类方法的主要思想是基于背景灰度分布在空间上具有较强的灰度、梯度和其他特征都可以根据其周围的像素点来预测，而目标点不能。对背景图像进行预测估计之后，与原图做差分并进行适当的后处理达到抑制背景，增强目标的目的。根据不同的应用背景，大量背景预测模型被提出，例如形态学滤波背景预测、自适应递归背景预测、二维最小均方背景预测等。对于简单的红外背景，这些预测模型可以得到较好的效果，但是对于包含大量云杂波、海杂波、热噪声等的复杂背景，将会因虚警率过高而导致算法失效。

基于目标时域运动特性的目标检测方法主要分为先检测后跟踪（Detect BeforeTrack,DBT）算法和先跟踪后检测（Track Before Detect,TBD）算法两类。DBT算法的主要原理是利用背景抑制、空域匹配滤波、目标分割等检测算法得到单帧检测结果，再利用目标运动的连续性和轨迹的一致性，对检测结果进行航迹关联，以剔除虚假目标；TBD算法的主要原理则是在三维图像信号中，搜索目标潜在的运动轨迹，并沿轨迹对目标能量进行累积来达到增强的目的。TBD算法能在较低的信噪比下达到较好的效果，不过算法运算量十分巨大。DBT算法具有较好的实时性，不过在信噪比较低的情况下效果并不好。

基于数学变换域的目标检测算法假设目标和背景在变换域上具有可分离性。对于简单的背景，可以取得较好的效果，但是对于复杂背景，特别是目标淹没在杂波之中的情况，目标和背景在变换域上很难分离，因此此类方法在复杂背景目标检测效果并不好。

发明内容

有鉴于此，本发明的目的是提供了提出一种基于张量模型的红外弱小目标检测方法，以解决现有的红外弱小目标检测准确率不高的问题。

本发明的目的是通过以下技术方案来实现的，一种基于张量模型的红外弱小目标检测方法，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。

进一步，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。

进一步，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。

进一步，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。

进一步，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。

进一步，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。

进一步，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。

进一步，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。

由于采用了上述技术方案，本发明具有如下的优点:

本发明涉及张量检测模型及图像处理与分析，公开了一种红外弱小目标检测方法。首先利用以标记的训练图像序列样本建立张量检测模型，然后基于张量检测模型对未知红外弱小目标图像序列进行实施目标检测。

本发明通过建立张量检测模型，避免的对复杂背景及微弱信噪比的目标进行识别带来的困难，能够较好的检测到不同场景及微弱信噪比下的目标，提高了目标检测的准确度。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明检测方法流程图；

图2为本发明中红外弱小目标数据库建立流程图；

图3为本发明中张量模型建立流程图；

图4为本发明中输入图像预处理流程图；

图5为本发明中弱小目标检测流程图。

具体实施方式

以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

如图1所示，本发明提出的一种基于张量模型的红外弱小目标检测方法可用于复杂背景下的红外检测系统。通过对多特性红外弱小目标建立特性数据库，根据数据库建立多特性张量模型，从而通过模型达到对红外弱小目标进行检测的目的。

一种基于张量模型的红外弱小目标检测方法，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；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；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。

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。

S2.从数据库构造高阶张量模型；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。

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，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。

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。

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。

本发明涉及张量检测模型及图像处理与分析，公开了一种红外弱小目标检测方法。首先利用以标记的训练图像序列样本建立张量检测模型，然后基于张量检测模型对未知红外弱小目标图像序列进行实施目标检测。具体为，首先在运动目标的局部背景灰度分布定量描述、目标对比度定量描述、目标灰度分布定量描述、目标运动方向定量描述四个特性的基础上建立张量检测模型，最后基于张量检测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。本发明通过建立张量检测模型，避免的对复杂背景及微弱信噪比的目标进行识别带来的困难，能够较好的检测到不同场景及微弱信噪比下的目标，提高了目标检测的准确度。

下面以一个具体实施例来对本发明进行说明。

本发明在建立多特性张量模型之前需要先建立多特性弱小目标数据库，该阶段是离线处理完成，一旦处理完成，可一直用于红外弱小目标检测任务。

图2为本发明实施例中红外弱小目标数据库建立流程图。

由于实际环境中影响因素太多，不易进行环境变量的控制，因此这里只采用模拟弱小目标来生成小样本。在对小目标样本生成基本没有影响的情况下，使用如下公式进行样本生成：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。

因为红外弱小目标与探测器距离较远，通常在成像平面上的成像大小只占几个到十几个像素，且绝大多数为椭圆或圆形斑点。本实施例取红外弱小目标局部背景特性、目标对比度特性、目标灰度分布特性、目标运动方向特性这四个特性进行多特性数据库建立。等间隔的取8种目标局部背景特性，8种目标灰度分布特性，4种目标对比度特性和8种目标运动方向特性生成15×15×8像素大小的目标图像序列。在建立数据库时，每次都是一个特性进行变化，其他三个特性保持不变。

8种目标局部背景分布特性，灰度分布分别为0,16,32,48,64,80,96,112。由于在实际红外弱小目标图像中，目标灰度普遍要高于局部背景分布，因此在建立背景局部分布的时候，使用低于灰度值为128的灰度分布。

8种目标灰度分布特性，灰度分布分别为144,160,176,192,208,224,240,255。由于在实际的红外弱小目标图像中，目标背景灰度分布普遍要低于目标灰度分布，因此在建立目标灰度分布的时候，使用高于灰度值为128的灰度分布。

4种方差高斯函数进行目标模型模拟，高斯函数方差分别为1、2、3、4，生成不同大小的高斯图像进行红外弱小目标的模拟。

8种目标运动方向特性，运动方向分别为：1.从图像到左下到右上，2.从图像右下到左上，3.从图像右上到左下，4.从图像右下到左上，5.从图像中上到中下，6.从图像中下到中上，7从图像中左到中右，8.从图像中右到中左。

按照上述方法，生成8×8×4×8张尺寸大小为15×15×8的小目标图像序列，然后将15×15×8的图像展开成具有1800个像素的一维向量，所以整个特性空间就构成了8×8×4×8×1800的多特性样本数据库。

图3为本发明实施例中多特性张量模型建立流程图，具体包括如下几个步骤：

首先从多特性数据库中的数据存入五阶张量模型中得到张量D。按照张量分解理论，张量D可以表示为核张量与不同特性矩阵的张量积的形式：D＝Z×₁U_b×₂U_t×₃U_s×₄U_d×₅U_p。高阶张量Z代表弱小目标四个特性U_b、U_t、U_s、U_d与图像像素U_p相互间的内在联系。张量T_b、T_t、T_s、T_d分别代表生成目标局部背景特性，目标灰度分布特性，目标对比度特性和目标运动方向特性的中间特性张量。矩阵U_b为8×8的正交向量，通过它可以确定目标局部背景灰度特性子空间。矩阵U_t为8×8的，通过它可以确定目标灰度特性子空间。矩阵U_s为4×4的正交向量，通过它可以确定目标对比度特性子空间。矩阵U_d为8×8的正交向量，通过它可以确定目标运动方向特性子空间。U_p是图像序列的像素矩阵，这里采用15×15的像素块，取8帧图像作为一个张量单元，因此U_p中的像素有15×15×8=1800个，可以将其理解为图像特性子空间。

然后对五阶张量D采用Mode-n SVD分解，之后得到具有不同特性的张量特性子空间U_b、U_t、U_s、U_d、U_p和核张量Z。对五阶张量进行分解，所使用到的张量积，其结果下标按公式：分配，其中j为扁平化后元素纵坐标，k为张量的第k维，i_k为张量第k维的第i个横坐标元素，N为张量的总维度，I_m为第m维张量，J_k为按第k维展开的m维张量。得到D＝Z×₁U_b×₂U_t×₃U_s×₄U_d×₅U_p，由此可以计算所有的模矩阵U。

按照不同的特性对原张量空间进行重构，比如建立主成分为目标局部背景灰度特性张量，需要按照公式B_tsd＝Z×₂U_t×₃U_s×₄U_d×₅U_p进行重构，同理能够得到目标灰度特性张量B_bsd，目标对比度特性张量B_btd，目标运动方向特性张量B_bts。然后将特性张量B按照其特性的方向进行扁平化，因此得到新的特性矩阵，分别是目标局部背景灰度分布特性矩阵B_tsd，目标灰度分布特性矩阵B_bsd，目标对比度分布特性矩阵B_btd和目标运动方向特性矩阵B_bts。此处得到的特性矩阵为最后目标检测做准备。

如图4所示为输入图像预处理流程图，具体包括如下步骤：

首先从输入的图像序列中随机选出像素块，然后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；然后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；求新像素块的直方图；然后对直方图进行估计。主要采用以下三种噪声分布进行噪声估计。

1.根据高斯噪声根据公式

$p\left(z\right)=\frac{1}{\sqrt{2\mathrm{\π\σ}}}{e}^{{-(z-u)}^2/{\mathrm{z\σ}}^2}$

进行噪声估计，其中z表示灰度值，u表示z的平均值或期望值，σ表示z的标准差。先通过直方图求出像素块的均值与方差，然后将这两个值带入高斯公式中计算出噪声分布直方图，对比计算出的直方图与原直方图的归一化直方图的相似度，如果相似度高于80%，则认为图像噪声为高斯噪声，则采用自适应局部噪声消除滤波器进行去噪。

2.根据指数噪声根据公式

$p\left(z\right)=\left\{\begin{array}{cc}{\mathrm{ae}}^{-\mathrm{az}}& z\&GreaterEqual;0\\ 0& z<0\end{array}\right.$

进行噪声估计，其中z为灰度值，1/a为标准差与均值。同样先求出像素块的直方图的均值与方差，然后将其带入求出直方图，最后对比归一化直方图的相似度，如果相似度高于80%，则认为噪声为指数噪声，则采用几何均值滤波器进行噪声去除。

3.根据椒盐噪声根据公式

$p\left(z\right)=\left\{\begin{array}{cc}{P}_a& z=a\\ P_b& z=b\\ 0& \mathrm{other}\end{array}\right.$

进行噪声估计，其中z代表灰度值，如果b＞a，则b在图像中代表一个亮点，a在图像中代表一个暗点。如果噪声的分布只在两个特定的值，那么则可以认为估计的噪声类型为此类噪声，此时则采用最小窗口为3×3、最大窗口为15×15的自适应中值滤波器进行去噪。

如图5所示为红外弱小目标检测最终流程图，具体包括如下步骤：

在在线检测阶段，我们得到输入图像为I，通过映射公式得到8×4×8共256组投影系数，其中c_tsd为目标灰度分布t，目标对比度分布s，目标运动方向分布d投影到特性向量空间后得到的相应的投影系数。对四个特性分别进行上述的张量分解，就能得到1280组投影系数，其中c_tsd有256组系数、c_bsd有256组系数、c_btd有512组系数、c_bts有256组系数，其中b为局部背景灰度。将该投影系数与张量分解后的该特性矩阵的行向量进行比较，分别求它们的欧式距离，求出距离最小值并把该最小值作为该未知子图序列对应位置的度量值。当完成计算完所有的度量值后，我们就可以采用简单阈值分割算法提取出小目标。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

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；

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；

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；

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；

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。

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：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。

3.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。

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：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。