CN109285148B - 基于重加权低秩和增强稀疏的红外弱小目标检测方法 - Google Patents
基于重加权低秩和增强稀疏的红外弱小目标检测方法 Download PDFInfo
- Publication number
- CN109285148B CN109285148B CN201811014751.3A CN201811014751A CN109285148B CN 109285148 B CN109285148 B CN 109285148B CN 201811014751 A CN201811014751 A CN 201811014751A CN 109285148 B CN109285148 B CN 109285148B
- Authority
- CN
- China
- Prior art keywords
- matrix
- infrared
- target
- value
- slice
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于重加权低秩和增强稀疏的红外弱小目标检测方法,本发明的具体步骤如下,(1)获取红外图像;(2)对红外图像片图像化;(3)构建重加权低秩和增强稀疏模型;(4)用迭代的方法计算目标片矩阵;(5)重构目标片矩阵;(6)获得红外弱小目标检测图像;本发明可用于红外弱小目标检测,可以降低计算复杂度和虚警率,提高目标检测率。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及目标检测技术领域中的一种重加权低秩和增强稀疏的红外弱小目标检测方法。本发明可用于从红外波段的红外图像中检测出弱小目标,例如飞机、导弹、卫星等。
背景技术
红外弱小目标检测是红外搜索与跟踪的关键技术,由于红外传感器作用距离远,使得目标在红外传感器所呈的图像上尺寸特变小,只有几个到几十个像素,没有明显的形状、纹理信息。另外,由于环境的干扰,红外图像存在严重的噪声和杂波,小目标经常被淹没在复杂的背景中,信噪比很低,使得复杂背景下的弱小目标检测变得非常困难。目前,在红外弱小目标检测领域中,主要是利用红外图像背景的高度相关性来实现。这种方法是先对获取的红外图像进行预处理,然后根据红外图像背景的高度相关性建立优化模型,最后对建立的模型进行求解来完成弱小目标的检测。
南京理工大学在其申请的专利文献“一种基于改进Tri边缘算子的红外目标检测方法”(专利申请号:201711303933.8,申请公开号:CN108171661A)中公开了一种基于改进Tri边缘算子的红外目标检测方法。该方法先对少量云层的天空背景进行预测,得到背景预测图像,然后从原始图像减去背景预测图像,得到残差图像,随后将残差图像与原始图像相加得到高度对比度图像;再使用改进的Tri边缘提取算子提取背景边缘信息并对其进行抑制,最后根据自适应阈值,对目标进行标识,得到红外检测目标。该方法虽然可以实现弱小目标检测,但是该方法仍然存在的不足之处是,在多云层的天空背景或山体背景情况下,对背景预测不准确,改进的Tri边缘提取算子并不能很好的提取背景边缘信息,导致在目标进行标识时,出现很多虚假目标,严重情况下会造成检测失败。另外该方法计算量大,耗费时间成本较高。
西北工业大学在其申请的专利文献“一种基于视觉注意机制的海上红外目标检测方法”(专利申请号:201710549190.6,申请公开号:CN107563370A)中公开了一种基于视觉注意机制的海上红外目标检测方法。该方法首先计算显著图,然后通过形态学闭运算、二值化操作处理显著图获得目标区域位置,最终达到目标检测效果。该方法虽然可以实现目标检测,但是该方法仍然存在的不足之处是,在低信噪比情况下,由于弱小目标并不明显,使用该方法就不能检测出目标,造成检测率下降。甚至一些强背景被误检为目标,造成虚警率上升。
发明内容
本发明的目的是针对上述现有技术存在的不足,提出了一种重加权低秩和增强稀疏的红外弱小目标检测方法。
本发明的基本思路是:从红外传感器所拍摄的红外图像中提取一帧以天空云层或沙漠为背景的红外图像,将得到的红外图像进行片图像化,利用非局部背景的低秩特性和弱小目标的稀疏特性构建重加权低秩和增强稀疏模型,利用迭代的方法对该模型进行优化求解,得到背景片矩阵和目标片矩阵,最后对目标片矩阵进行重构,得到弱小目标检测图像。
实现本发明目的的具体步骤如下:
(1)获取红外图像数据:
从红外传感器所拍摄的红外图像中提取一帧以天空云层或沙漠为背景的红外图像;
(2)对红外图像进行片图像化;
(2a)用一个固定大小50*50和步长为10的窗口在红外图像上进行滑动;
(2b)将每次滑动得到的红外图像块拉伸为列向量;
(2c)将所有的列向量按照滑动次序依次排列组成红外片矩阵;
(3)利用低秩稀疏公式,构建重加权低秩和增强稀疏模型;
(4)计算目标片矩阵:
(4a)利用背景软阈值公式,计算当前迭代时背景片矩阵中的每个元素值;
(4b)利用目标软阈值公式,计算当前迭代时目标矩阵中的每个元素值;
(4c)利用参数软阈值公式,计算当前迭代时参数矩阵中的每个元素值;
(4e)判断当前迭代时参数矩阵中的所有元素值是否均小于10-7,若是,将此次迭代得到的目标矩阵作为目标片矩阵后执行步骤(5),否则,将当前迭代次数加1后执行步骤(4a);
(5)重构目标片矩阵:
(5a)将目标片矩阵中的每列折叠为50*50个元素的矩阵块;
(5b)将所有的矩阵块按照目标片矩阵列的顺序排序,得到重构后的目标片矩阵;
(6)获得红外弱小目标检测图像:
将重构后的目标片矩阵输入到矩阵转化图像的软件中,得到红外弱小目标检测图像。
本发明与现有的技术相比具有以下优点:
第一,由于本发明利用背景软阈值公式计算背景片矩阵,克服了现有技术对红外背景预测不准确和背景边缘抑制不彻底的问题,使得本发明对于红外弱小目标检测具有低虚警率的优点。
第二,由于本发明利用迭代的方法求解重加权低秩和增强稀疏模型,克服了现有技术计算量大的缺点,使得本发明具有处理速度快,实时性强的优点。
第三,由于本发明利用目标软阈值公式计算目标片矩阵,克服了现有技术在低信噪比情况下检测率不高的问题,使得本发明对于红外弱小目标检测具有高检测率的优点。
附图说明
图1为本发明的流程图;
图2为本发明对真实红外弱小目标图像的检测结果;
具体实施方式
下面结合附图对本发明做进一步描述。
参照附图1,对本发明的具体步骤描述如下:
步骤1,获取红外图像数据:
从红外传感器所拍摄的红外图像中提取一帧以天空云层或沙漠为背景的红外图像;
步骤2,对红外图像进行片图像化:
(2a)用一个固定大小50*50和步长为10的窗口在红外图像上进行滑动;
(2b)将每次滑动得到的红外图像块拉伸为列向量;
(2c)将所有的列向量按照滑动次序依次排列组成红外片矩阵;
步骤3,利用低秩稀疏公式,构建重加权低秩和增强稀疏模型:
s.t D=B+T
其中,min表示取最小值操作,B表示红外片矩阵中的背景片矩阵,T表示红外片矩阵中的目标片矩阵,n表示背景片图像的奇异值数量,其值为26,∑表示求和操作,j表示背景片矩阵奇异值索引,wB,j表示背景片矩阵B中第j个奇异值的加权系数,其值等于σj表示背景片矩阵B的第j个奇异值,*表示乘法操作,λ表示用来约束目标片矩阵T的稀疏程度的正则化常数,其取值范围为[0.001,0.1],|| ||1表示1范数操作,WT表示增强目标片矩阵T的稀疏性的加权系数,其值等于⊙表示哈达玛相乘操作,s.t表示约束条件。
步骤4,计算目标片矩阵:
(4a)利用背景软阈值公式,计算当前迭代时背景片矩阵中的每个元素值:
其中,Bm表示当前迭代时背景片矩阵中的第m个元素值,表示获取大于μ的奇异值的映射函数,μ表示值为0.004的参数,Dm表示红外片矩阵中的第m个元素值,Ym表示当前迭代时参数矩阵中的第m个元素值,该参数矩阵在迭代前为0矩阵。
(4b)利用目标软阈值公式,计算当前迭代时目标矩阵中的每个元素值:
其中,Ti表示当前迭代时目标矩阵中的第i个元素值,表示获取大于μ的值的映射函数,μ表示值为0.004的参数,Di表示红外片矩阵中的第i个元素值,Yi表示当前迭代时参数矩阵中的第i个元素值,该参数矩阵在迭代前为0矩阵。
(4c)利用参数软阈值公式,计算当前迭代时参数矩阵中的每个元素值:
Yj=μ*(Dj-Tj-Bj)
其中,Yj表示当前迭代时参数矩阵中的第j个元素值,μ表示值为0.004的参数,Dj表示红外片矩阵中的第j个元素值,Tj表示当前迭代时目标矩阵中的第j个元素值。
(4e)判断当前迭代时参数矩阵中的所有元素值是否均小于10-7,若是,将此次迭代得到的目标矩阵作为目标片矩阵后执行步骤(5),否则,将当前迭代次数加1后执行步骤(4a)。
(5)重构目标片矩阵:
(5a)将目标片矩阵中的每列折叠为50*50个元素的矩阵块。
(5b)将所有的矩阵块按照目标片矩阵列的顺序排序,得到重构后的目标片矩阵。
(6)获得红外弱小目标检测图像:
将重构后的目标片矩阵输入到矩阵转化图像的软件中,得到红外弱小目标检测图像。
下面结合图2对本发明的仿真效果做进一步的描述。
1.仿真条件:
本发明的仿真运行系统为Intel(R)Core(TM)i7-2600CPU 650@3.40GHz,32位Windows操作系统,仿真软件采用MATLAB(R2012b)。
2.仿真内容:
参照附图2(a)、(c),附图2(a)、(c)为本发明仿真实验所用的红外图像。红外图像分别以沙漠和云层天空为背景,红外图像的大小为300*300。从附图2(a)、(c)的图像中可以看出背景复杂,目标特别小且亮度特别弱。
3.仿真效果分析:
本发明仿真实验的参数设置,窗口大小为50*50,步长为10,收敛条件ε为10-7。图2的(a)、(c)分别是两幅场景的红外图像,(b)、(d)分别是(a)、(c)两幅红外图像的检测结果,白色方框里面的亮点为检测的目标。从红外图像(a)、(c)可以看出背景复杂,信噪比低。从检测结果来看,不仅检测出目标,同时也对目标周围的背景进行了彻底抑制。所以,本发明基于重加权低秩和增强稀疏的红外弱小目标检测方法具有在低信杂比的情况下准确检测弱小目标的功能。
Claims (1)
1.一种基于重加权低秩和增强稀疏的红外弱小目标检测方法,其特征在于,对红外图像进行片图像化,构建重加权低秩和增强稀疏模型,用迭代方法,对模型进行优化求解,得到目标片矩阵,对目标片矩阵进行重构,得到红外弱小目标检测图像;该方法的具体步骤包括如下:
(1)获取红外图像数据:
从红外传感器所拍摄的红外图像中提取一帧以天空云层或沙漠为背景的红外图像;
(2)对红外图像进行片图像化;
(2a)用一个固定大小50*50和步长为10的窗口在红外图像上进行滑动;
(2b)将每次滑动得到的红外图像块拉伸为列向量;
(2c)将所有的列向量按照滑动次序依次排列组成红外片矩阵;
(3)利用下述低秩稀疏公式,构建重加权低秩和增强稀疏模型:
s.t D=B+T
其中,min表示取最小值操作,B表示红外片矩阵中的背景片矩阵,T表示红外片矩阵中的目标片矩阵,n表示背景片图像的奇异值数量,其值为26,∑表示求和操作,j表示背景片矩阵奇异值索引,wB,j表示背景片矩阵B中第j个奇异值的加权系数,其值等于σj表示背景片矩阵B的第j个奇异值,*表示乘法操作,λ表示用来约束目标片矩阵T的稀疏程度的正则化常数,其取值范围为[0.001,0.1],|| ||1表示1范数操作,WT表示增强目标片矩阵T的稀疏性的加权系数,其值等于⊙表示哈达玛相乘操作,s.t表示约束条件;
(4)计算目标片矩阵:
(4a)利用下述背景软阈值公式,计算当前迭代时背景片矩阵中的每个元素值:
其中,Bm表示当前迭代时背景片矩阵中的第m个元素值,表示获取大于μ的奇异值的映射函数,μ表示值为0.004的参数,Dm表示红外片矩阵中的第m个元素值,Ym表示当前迭代时参数矩阵中的第m个元素值,该参数矩阵在迭代前为0矩阵;
(4b)利用下述目标软阈值公式,计算当前迭代时目标矩阵中的每个元素值:
其中,Ti表示当前迭代时目标矩阵中的第i个元素值,表示获取大于μ的值的映射函数,μ表示值为0.004的参数,Di表示红外片矩阵中的第i个元素值,Yi表示当前迭代时参数矩阵中的第i个元素值,该参数矩阵在迭代前为0矩阵;
(4c)利用下述参数软阈值公式,计算当前迭代时参数矩阵中的每个元素值:
Yj=μ*(Dj-Tj-Bj)
其中,Yj表示当前迭代时参数矩阵中的第j个元素值,μ表示值为0.004的参数,Dj表示红外片矩阵中的第j个元素值,Tj表示当前迭代时目标矩阵中的第j个元素值;
(4e)判断当前迭代时参数矩阵中的所有元素值是否均小于10-7,若是,将此次迭代得到的目标矩阵作为目标片矩阵后执行步骤(5),否则,将当前迭代次数加1后执行步骤(4a);
(5)重构目标片矩阵:
(5a)将目标片矩阵中的每列折叠为50*50个元素的矩阵块;
(5b)将所有的矩阵块按照目标片矩阵列的顺序排序,得到重构后的目标片矩阵;
(6)获得红外弱小目标检测图像:
将重构后的目标片矩阵输入到矩阵转化图像的软件中,得到红外弱小目标检测图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811014751.3A CN109285148B (zh) | 2018-08-31 | 2018-08-31 | 基于重加权低秩和增强稀疏的红外弱小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811014751.3A CN109285148B (zh) | 2018-08-31 | 2018-08-31 | 基于重加权低秩和增强稀疏的红外弱小目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109285148A CN109285148A (zh) | 2019-01-29 |
CN109285148B true CN109285148B (zh) | 2021-09-28 |
Family
ID=65183466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811014751.3A Active CN109285148B (zh) | 2018-08-31 | 2018-08-31 | 基于重加权低秩和增强稀疏的红外弱小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109285148B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515075B (zh) * | 2019-04-08 | 2021-07-06 | 电子科技大学 | 一种扫描雷达目标检测方法 |
CN110135344B (zh) * | 2019-05-16 | 2021-08-10 | 电子科技大学 | 基于加权固定秩表示的红外弱小目标检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100565244C (zh) * | 2007-10-31 | 2009-12-02 | 北京航空航天大学 | 多模多目标精密跟踪装置和方法 |
US8699773B2 (en) * | 2010-10-21 | 2014-04-15 | Beth Israel Deaconess Medical Center | Method for image reconstruction using low-dimensional-structure self-learning and thresholding |
CN103679660B (zh) * | 2013-12-16 | 2016-12-07 | 清华大学 | 图像恢复方法及系统 |
CN103871058B (zh) * | 2014-03-12 | 2017-02-08 | 北京航空航天大学 | 基于压缩采样矩阵分解的红外小目标检测方法 |
CN105389799B (zh) * | 2015-10-19 | 2018-03-06 | 西安电子科技大学 | 基于素描图与低秩分解的sar图像目标检测方法 |
CN105957307B (zh) * | 2016-04-22 | 2019-01-29 | 中山大学 | 一种检测跌倒的方法和装置 |
-
2018
- 2018-08-31 CN CN201811014751.3A patent/CN109285148B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109285148A (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107680120B (zh) | 基于稀疏表示和转移受限粒子滤波的红外小目标跟踪方法 | |
CN109934815B (zh) | 一种结合atv约束的张量恢复红外弱小目标检测方法 | |
CN109447073B (zh) | 一种基于张量鲁棒主成分分析的红外弱小目标检测方法 | |
CN109035152B (zh) | 一种合成孔径雷达图像非局部均值滤波方法 | |
CN111046967A (zh) | 一种基于卷积神经网络和注意力机制的水下图像分类方法 | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN108573499B (zh) | 一种基于尺度自适应和遮挡检测的视觉目标跟踪方法 | |
Jia et al. | A two-step approach to see-through bad weather for surveillance video quality enhancement | |
CN109584303B (zh) | 一种基于Lp范数和核范数的红外弱小目标检测方法 | |
CN109215025B (zh) | 一种基于非凸秩逼近极小化的红外弱小目标检测方法 | |
CN110135344B (zh) | 基于加权固定秩表示的红外弱小目标检测方法 | |
CN109285148B (zh) | 基于重加权低秩和增强稀疏的红外弱小目标检测方法 | |
CN108765460B (zh) | 基于高光谱图像的空时联合异常检测方法和电子设备 | |
CN113536963A (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
Moghimi et al. | Real-time underwater image resolution enhancement using super-resolution with deep convolutional neural networks | |
Long et al. | Underwater forward-looking sonar images target detection via speckle reduction and scene prior | |
Deng et al. | When infrared small target detection meets tensor ring decomposition: A multiscale morphological framework | |
CN109658340B (zh) | 基于rsvd与直方图保存的sar图像快速去噪方法 | |
Zhao et al. | Multitask learning for sar ship detection with gaussian-mask joint segmentation | |
CN110796677B (zh) | 一种基于多波段特性的卷云虚警源检测方法 | |
Song et al. | Ship detection in haze and low-light remote sensing images via colour balance and DCNN | |
Hu et al. | Real-time infrared small target detection network and accelerator design | |
CN108038872B (zh) | 一种基于动静态目标检测与实时压缩感知追踪研究方法 | |
CN103530636A (zh) | 一种基于Snakes模型的提取SAR图像目标轮廓方法 | |
CN116051444A (zh) | 一种有效的红外与可见光图像自适应融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |