CN113538296A - 一种红外图像目标检测方法、装置、计算设备及存储介质 - Google Patents

一种红外图像目标检测方法、装置、计算设备及存储介质 Download PDF

Info

Publication number
CN113538296A
CN113538296A CN202110989074.2A CN202110989074A CN113538296A CN 113538296 A CN113538296 A CN 113538296A CN 202110989074 A CN202110989074 A CN 202110989074A CN 113538296 A CN113538296 A CN 113538296A
Authority
CN
China
Prior art keywords
tensor
infrared image
block
target
image
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
Application number
CN202110989074.2A
Other languages
English (en)
Inventor
董晓刚
王龙
毛宏霞
董纯柱
周志远
孔轩
瓮玲
段志伟
杨春平
彭真明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Environmental Features
Original Assignee
Beijing Institute of Environmental Features
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Environmental Features filed Critical Beijing Institute of Environmental Features
Priority to CN202110989074.2A priority Critical patent/CN113538296A/zh
Publication of CN113538296A publication Critical patent/CN113538296A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Studio Devices (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种红外图像目标检测方法、装置、计算设备及存储介质，属于红外图像目标检测领域。方法包括：构建原始红外图像的红外块张量模型，该红外块张量模型包括原始红外图像的背景块张量的张量环范数以及原始红外图像的局部结构先验权重和目标块张量乘积的L1范数；求解该红外块张量模型，得到红外图像的目标块张量；基于求解出的目标块张量，对原始红外图像进行重构，以得到目标图像；基于该目标图像，确定原始红外图像中是否有目标。本发明通过将张量环范数和局部结构先验权重及L1范数引入红外块张量模型中，增强了对红外图像中边缘和噪声的抑制能力，并解决了红外图像检测时目标失真的问题，提高了红外图像的目标检测精度。

Description

一种红外图像目标检测方法、装置、计算设备及存储介质
技术领域
本发明涉及红外图像目标检测领域，尤其涉及一种红外图像目标检测方法、装置、计算设备及存储介质。
背景技术
红外成像技术被广泛地应用于各国军事、民用等相关领域，但随着红外成像技术应用场景的逐步复杂化，对红外图像目标检测的准确率也都有了更加严格的要求。
现有技术中，红外成像目标检测方法主要有主成分分析法(PCA)、鲁棒主成分分析法(RPCA)、张量鲁棒主成分分析法(TRPCA)、重加权块张量模型(RIPT)以及PSTNN模型。以上方法在某些场景下，可以很好的检测到目标信息，但对于某些复杂场景，检测效果不佳。
因此，目前亟待需要一种新的红外目标检测方法来解决上述技术问题。
发明内容
为了提高红外图像目标检测的精度，本发明提供了一种红外图像目标检测方法。
第一方面，本发明实施例提供了一种红外图像目标检测方法，包括：
构建原始红外图像的红外块张量模型，所述红外块张量模型包括所述原始红外图像的背景块张量的张量环范数以及所述原始红外图像的局部结构先验权重和目标块张量乘积的L1范数；
构建原始红外图像的块张量；
将所述原始红外图像的块张量和所述原始红外图像的局部结构先验权重输入到所述红外块张量模型中，得到红外图像的目标块张量；
基于所述目标块张量，对所述原始红外图像进行重构，以得到目标图像；
基于所述目标图像，确定所述原始红外图像中是否有目标。
在一种可能的设计中，所述构建原始红外图像的红外块张量模型，包括：
构建原始红外图像的局部对比能量特征图flp；
基于所述局部对比能量特征图flp，构建原始红外图像的局部结构先验权重
Figure BDA00032316692100000212
定义一个三阶张量D，所述三阶张量D包括背景块张量
Figure BDA00032316692100000213
和目标块张量
Figure BDA00032316692100000210
基于所述背景块张量
Figure BDA00032316692100000214
的张量环范数以及所述局部结构先验权重
Figure BDA00032316692100000215
和目标块张量
Figure BDA00032316692100000211
的L1范数，构建原始红外图像的红外块张量模型。
在一种可能的设计中，所述构建原始红外图像的局部对比能量特征图flp，包括：
定义一个d×d的滑动窗口，使用该滑动窗口按设定步长遍历原始红外图像fD，得到n个大小为d×d的局部区域，将任意一个d×d大小的局部区域定义为G；
用(x，y)表示所述局部区域G中心像素点的位置，
Figure BDA0003231669210000021
表示所述局部区域G内所有像素点的集合，将所述局部区域G内任一像素点到该区域中心像素点(x，y)的切比雪夫距离定义为r，则所述
Figure BDA0003231669210000022
定义为：
Figure BDA0003231669210000023
将所述局部区域G中所有像素点灰度值与中心像素点灰度值差值最小的像素点定义为
Figure BDA0003231669210000024
计算如下：
Figure BDA0003231669210000025
其中，f(x，y)为所述局部区域G内中心像素点的灰度值，f(i，j)为所述局部区域G内任意像素点的灰度值，[]是取整符号，d表示局部区域的尺寸；
计算所述局部区域G的对比元素
Figure BDA0003231669210000026
Figure BDA0003231669210000027
利用所述对比元素
Figure BDA0003231669210000028
将所述局部区域G的能量特征LE(x，y)定义为：
Figure BDA0003231669210000029
若所述局部区域G内某个像素点的能量特征值LE(x，y)＞0，则保留该像素点，反之，则删除该像素点；
根据上段给出的能量特征值判断标准，得到任意一个所述局部区域G的显著性图SM，即
Figure BDA0003231669210000031
对n个局部区域G的显著性图SM作归一化处理，得到原始红外图像的局部对比能量特征图flp：
Figure BDA0003231669210000032
其中，SMmax和SMmin分别表示整个显著性图SM的最大值和最小值。
在一种可能的设计中，所述基于所述局部对比能量特征图flp，构建原始红外图像的局部结构先验权重
Figure BDA0003231669210000033
包括：
采用大小为k×k的滑动窗口w遍历所述局部对比能量特征图flp，把每次取得的图像小块作为块张量
Figure BDA0003231669210000034
的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将这些切片按照一定顺序叠加，得到局部结构先验权重张量
Figure BDA0003231669210000035
令
Figure BDA0003231669210000036
来表示稀疏权重张量，那么有：
Figure BDA0003231669210000037
其中，c和η均表示大于0的正数，
Figure BDA0003231669210000038
为目标块张量；
根据所述局部结构先验权重张量
Figure BDA0003231669210000039
和所述稀疏权重张量
Figure BDA00032316692100000310
得到原始红外图像的局部结构先验权重
Figure BDA00032316692100000311
Figure BDA00032316692100000312
其中，./表示两个张量之间对应元素相除。
在一种可能的设计中，所基于所述背景块张量
Figure BDA00032316692100000313
的张量环范数以及所述局部结构先验权重
Figure BDA00032316692100000314
和目标块张量
Figure BDA00032316692100000315
的L1范数，构建原始红外图像的红外块张量模型，包括：
将原始红外图像的红外块张量模型表示为：
Figure BDA00032316692100000316
Figure BDA00032316692100000317
其中，λ表示平衡因子，⊙表示Hadamard乘积，
Figure BDA00032316692100000318
表示局部结构先验权重，||||TRNN表示张量环范数，||||1表示L1范数，s.t.表示
Figure BDA00032316692100000319
为所述红外块张量模型的约束项。
在一种可能的设计中，所述构建原始红外图像的块张量，包括：
获取一定尺寸的原始红外图像fD；
利用大小为k×k的滑动窗口w，按步长为k遍历所述原始红外图像fD；
把每一次滑动窗口w所取得的图像小块作为块张量
Figure BDA0003231669210000041
的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将所述l个切片按一定顺序叠加，得到所述红外图像的块张量
Figure BDA0003231669210000042
在一种可能的设计中，所述将所述原始红外图像的块张量和所述原始红外图像的局部结构先验权重输入到所述红外块张量模型中，得到红外图像的目标块张量，包括：
将背景块张量
Figure BDA0003231669210000043
的张量环范数表示为：
Figure BDA0003231669210000044
其中，D为张量的维数，[]是取整符号，||||*表示核范数，wd表示权重：
Figure BDA0003231669210000045
B{d，L}表示将背景块张量
Figure BDA0003231669210000046
的维度顺序调整为[k，...，D，1，...，k-1]后进行模态(1，…，L)展开操作：
Figure BDA0003231669210000047
将所述红外图像的块张量
Figure BDA0003231669210000048
作为已知的张量
Figure BDA00032316692100000416
输入所述红外块张量模型的中，得到红外块张量模型的展开式：
Figure BDA0003231669210000049
Figure BDA00032316692100000410
Figure BDA00032316692100000411
其中，
Figure BDA00032316692100000412
P表示采样率，
Figure BDA00032316692100000413
A0表示采样操作，
Figure BDA00032316692100000414
M为采样个数；
构建所述红外块张量模型的展开式的增广拉格朗日方程：
Figure BDA00032316692100000415
其中，
Figure BDA0003231669210000051
βd和γ为惩罚因子，
Figure BDA0003231669210000052
和
Figure BDA0003231669210000053
为辅助变量，||||F表示Frobenius范数；
初始化所述增广拉格朗日方程参数，令迭代次数i＝0，最大迭代次数为maxiter，则：
Figure BDA0003231669210000054
的子问题如下：
Figure BDA0003231669210000055
所述
Figure BDA0003231669210000056
子问题的封闭解为：
Figure BDA0003231669210000057
其中，D()为奇异值阈值运算符；
所述背景块张量
Figure BDA0003231669210000058
的子问题如下：
Figure BDA0003231669210000059
其中，δ的定义为：
Figure BDA00032316692100000510
表示元素全为1的张量，
Figure BDA00032316692100000522
Figure BDA00032316692100000511
是A0的伴随矩阵，并且
Figure BDA00032316692100000512
||||*表示核范数；
背景块张量
Figure BDA00032316692100000513
的闭式解为：
Figure BDA00032316692100000514
其中，P为二进制采样张量；
所述目标块张量
Figure BDA00032316692100000515
的子问题如下：
Figure BDA00032316692100000516
其中，S()为软阈值运算符；
Figure BDA00032316692100000517
的子问题为：
Figure BDA00032316692100000518
Figure BDA00032316692100000519
的子问题为：
Figure BDA00032316692100000520
利用交替方向乘子法求出所述红外块张量模型的最优解，输出原始红外图像的目标块张量
Figure BDA00032316692100000521
第二方面，本发明实施例还提供了一种红外图像目标检测装置，包括：
第一构建模块，用于构建原始红外图像的红外块张量模型；其中，所述红外块张量模型包括所述原始红外图像的背景块张量的张量环范数以及所述原始红外图像的局部结构先验权重和目标块张量的L1范数；
第二构建模块，用于构建原始红外图像的块张量；
求解模块，用于将所述原始红外图像的块张量和所述原始红外图像的局部结构先验权重输入到所述红外块张量模型中，得到红外图像的目标块张量；
重构模块，用于基于所述目标块张量，对所述原始红外图像进行重构，以得到目标图像；
检测模块，用于基于所述目标图像，确定所述原始红外图像中是否有目标。
第三方面，本发明实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如上述任一项所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述任一项所述的方法。
本发明实施例提供了一种红外图像目标检测方法、装置、电子设备及存储介质，通过构建原始红外图像的红外块张量模型，并将背景块张量的张量环范数以及原始红外图像的局部结构先验权重和目标块张量乘积的L1范数引入该红外块张量模型中，通过求解该红外块张量模型，得出红外图像的目标块张量，并基于该目标块张量，对原始红外图像进行重构，以得到目标图像，并基于该目标图像，确定原始红外图像中是否有目标。
本发明通过将张量环范数和局部结构先验权重及L1范数引入红外块张量模型中，增强了对红外图像中背景和噪声的抑制能力，并解决了红外图像检测中目标失真的问题，提高了红外图像的目标检测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种红外图像目标检测方法流程图；
图2是本发明实具体案例提供的一幅含有目标且大小为128×128的红外图像；
图3是本发明具体案例求得的局部对比能量特征图示意图；
图4是本发明具体案例检测出的目标图像的三维曲面图；
图5是Top-Hat方法对图2的检测结果的三维曲面图；
图6是LCM方法对图2的检测结果的三维曲面图；
图7是MPCM方法对图2的检测结果的三维曲面图；
图8是IPI方法对图2的检测结果的三维曲面图；
图9是RIPT方法对图2的检测结果的三维曲面图；
图10是PSTNN方法对图2的检测结果的三维曲面图。
图11是本发明一实施例提供的一种计算设备的硬件架构图；
图12是本发明一实施例提供的一种红外图像目标检测装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在相关技术中，红外图像目标检测方法主要有主成分分析法(PCA)，该方法容易受到离群异常点的影响；鲁棒主成分分析法(RPCA)，该方法的检测效果更加稳定，但是该方法只能处理二维矩阵，不能被广泛应用于高维数据；张量鲁棒主成分分析法(TRPCA)，该方法可以更好的利用数据中的颜色、时间、结构等信息，在稀疏和低秩分解的优化问题上表现比RPCA更好；重加权块张量模型(RIPT)，该方法可以应用于更高维的数据中；PSTNN模型，该方法结合红外图像局部和非局部特性来构建目标函数，并利用交替方向乘子法来对目标函数进行求解，PSTNN模型在大部分场景中有着较好的目标增强、形状保持和背景抑制能力，但该方法会造成局部的最优解，且对于背景中的强边缘抑制能力不佳。
基于以上分析，可以考虑将张量环范数、红外图像的局部结构先验权重和L1范引入计算模型中，以解决现有目标检测方法不能很好地抑制边缘和噪声及局部最优解的问题。
如图1所示，本发明实施例提供了一种红外图像目标检测方法，该方法包括如下步骤：
步骤100：构建原始红外图像的红外块张量模型；其中，红外块张量模型包括原始红外图像的背景块张量的张量环范数以及原始红外图像的局部结构先验权重和目标块张量乘积的L1范数；
步骤102：构建原始红外图像的块张量；
步骤104：将原始红外图像的块张量和原始红外图像的局部结构先验权重输入到红外块张量模型中，得到红外图像的目标块张量；
步骤106：基于所述目标块张量，对所述原始红外图像进行重构，以得到目标图像；
步骤108：基于所述目标图像，确定所述原始红外图像中是否有目标。
在本发明实施例中，通过构建原始红外图像的红外块张量模型，并将背景块张量的张量环范数以及原始红外图像的局部结构先验权重和目标块张量乘积的L1范数引入该红外块张量模型中，通过求解该红外块张量模型，得出红外图像的目标块张量，并基于该目标块张量，对原始红外图像进行重构，以得到目标图像，并基于该目标图像，确定原始红外图像中是否有目标。
本发明通过将张量环范数和局部结构先验权重及L1范数引入红外块张量模型中，增强了对红外图像中背景和噪声的抑制能力，并解决了红外图像检测时目标失真的问题，提高了红外图像的目标检测精度。
下面描述各步骤的实现过程。
针对步骤100，在一些实施方式中，步骤100具体可以包括：
步骤A、构建原始红外图像的局部对比能量特征图flp；
步骤B、基于局部对比能量特征图flp，构建原始红外图像的局部结构先验权重
Figure BDA0003231669210000081
步骤C、定义一个三阶张量D，该三阶张量D包括背景块张量
Figure BDA0003231669210000091
和目标块张量
Figure BDA0003231669210000092
步骤D、基于背景块张量
Figure BDA0003231669210000093
的张量环范数以及局部结构先验权重
Figure BDA0003231669210000094
和目标块张量
Figure BDA0003231669210000095
的L1范数，构建原始红外图像的红外块张量模型。
在该实施例中，首先构建原始红外图像的局部对比能量特征图flp，基于该局部对比能量特征图flp，构建原始红外图像的局部结构先验权重
Figure BDA0003231669210000096
通过该方法得出的结构先验权重
Figure BDA0003231669210000097
可以增强对目标的约束能力，起到增强背景和抑制噪声的作用；接着，定义一个已知的三阶张量D，该三阶张量D包括背景块张量
Figure BDA0003231669210000098
和目标块张量
Figure BDA0003231669210000099
如此得出未知变量
Figure BDA00032316692100000910
和
Figure BDA00032316692100000911
用于参与红外块张量模型的构建与求解；然后，基于背景块张量
Figure BDA00032316692100000912
的张量环范数以及局部结构先验权重
Figure BDA00032316692100000913
和目标块张量
Figure BDA00032316692100000914
的L1范数，构建原始红外图像的红外块张量模型，由于引入张量环范数和加权L1范数，可以更好的约束图像背景并提高对原始红外图像稀疏部分的近似能力，从而可以提高目标检测模型的目标检测准确率。
针对步骤A，在一些实施方式中，步骤A具体可以包括：
定义一个d×d的滑动窗口，使用该滑动窗口按设定步长遍历原始红外图像fD，得到n个大小为d×d的局部区域，将任意一个d×d大小的局部区域定义为子块G；
用(x，y)表示局部区域G中心像素点的位置，
Figure BDA00032316692100000915
表示所述局部区域G内所有像素点的集合，将局部区域G内任一像素点到该区域中心像素点(x，y)的切比雪夫距离定义为r，则
Figure BDA00032316692100000916
定义为：
Figure BDA00032316692100000917
将局部区域G中所有像素点灰度值与中心像素点灰度值差值最小的像素点定义为
Figure BDA00032316692100000918
计算如下：
Figure BDA00032316692100000919
其中，f(x，y)为局部区域G内中心像素点的灰度值，f(i，j)为局部区域G内任意像素点的灰度值，[]是取整符号，d表示局部区域的尺寸；
计算局部区域G的对比元素
Figure BDA00032316692100000920
Figure BDA00032316692100000921
利用对比元素
Figure BDA00032316692100000922
将局部区域G的能量特征LE(x，y)定义为：
Figure BDA0003231669210000101
若局部区域G内某个像素点的能量特征值LE(x，y)＞0，则保留该像素点，反之，则删除该像素点；
根据上段给出的能量特征值判断标准，得到任意一个局部区域G的显著性图SM，即
Figure BDA0003231669210000102
对n个局部区域G的显著性图SM作归一化处理，得到原始红外图像的局部对比能量特征图flp：
Figure BDA0003231669210000103
其中，SMmax和SMmin分别表示整个显著性图SM的最大值和最小值。
在该实施例中，先将原始红外图像划分为若干个大小相等的局部区域，然后针对每个区域，按照预设的标准提取每个局部区域的显著性图，在对全部局部区域的显著性图做归一化处理，得到整个原始红外图像的局部对比能量特征图；通过上述方法输出的局部对比能量特征图，可以有效抑制原始红外图像中的背景和噪声，从而突出目标。
针对步骤B，在一些实施方式中，步骤B具体可以包括：
采用大小为k×k的滑动窗口w遍历局部对比能量特征图flp，把每次取得的图像小块作为块张量
Figure BDA0003231669210000104
的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将这些切片按照一定顺序叠加，得到局部结构先验权重张量
Figure BDA0003231669210000105
令
Figure BDA0003231669210000106
来表示稀疏权重张量，那么有：
Figure BDA0003231669210000107
其中，c和η均表示大于0的正数，
Figure BDA0003231669210000108
为目标块张量；
根据局部结构先验权重张量
Figure BDA0003231669210000109
和稀疏权重张量
Figure BDA00032316692100001010
得到原始红外图像的局部结构先验权重
Figure BDA00032316692100001011
Figure BDA00032316692100001012
其中，./表示两个张量之间对应元素相除。
在该实施例中，首先利用滑动窗口遍历局部对比能量特征图，取得l个正面切片，然后将这些切片按照一定顺序叠加，得到局部结构先验权重张量；最后，求取局部对比能量特征图的稀疏权重张量，得出局部对比能量特征图的局部结构先验权重。由于每一个正面切片均能保持原图的局部信息，所以，通过上述方法输出的局部结构先验权重，可以更加突出目标，增强对目标的约束能力。
针对步骤C，在一些实施方式中，步骤C具体可以包括：
定义一个三阶张量D，该三阶张量D包括背景块张量
Figure BDA0003231669210000111
和目标块张量
Figure BDA0003231669210000112
本方案中，三阶张量D为已知参数，背景块张量
Figure BDA0003231669210000113
和目标块张量
Figure BDA0003231669210000114
为未知参数，定义这三个参数，用于参与红外块张量模型的构建及求解。
针对步骤D，在一些实施方式中，步骤D具体可以包括：
将原始红外图像的红外块张量模型表示为：
Figure BDA0003231669210000115
Figure BDA0003231669210000116
其中，λ表示平衡因子，⊙表示Hadamard乘积，
Figure BDA0003231669210000117
表示局部结构先验权重，||||TRNN表示张量环范数，||||1表示L1范数，s.t.表示
Figure BDA0003231669210000118
为红外块张量模型的约束项。
本方案中，红外块张量模型引入了背景块张量的张量环范数以及局部结构先验权重和目标块张量乘积的L1范数；通过引入背景块张量的张量环范数，可以有效约束背景；通过引入局部结构先验权重，可以抑制噪声，更加突出目标；通过引入加权L1范数，可以提高对稀疏部分的近似能力；
由此可见，本方案构建的红外块张量模型，可以增强对红外图像中边缘和噪声的抑制能力，解决红外图像检测中目标失真的问题，提高红外图像的目标检测精度。
针对步骤102，在一些实施方式中，步骤102具体可以包括：
构建原始红外图像的块张量。
构建原始红外图像的块张量的具体过程为：
获取一定尺寸的原始红外图像fD；
利用大小为k×k的滑动窗口w，按步长为k遍历原始红外图像fD；
把每一次滑动窗口w所取得的图像小块作为块张量
Figure BDA0003231669210000121
的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将所述l个切片按一定顺序叠加，得到红外图像的块张量
Figure BDA0003231669210000122
在该实施例中，首先利用滑动窗口遍历原始红外图像，取得l个正面切片，然后将这些切片按照一定顺序叠加，得到红外图像的块张量；由于每一个正面切片均能保持原图的局部信息，所以，通过上述方法获得的块张量，能够更全面的表征原始红外图像的目标及背景信息。
针对步骤104，在一些实施方式中，步骤104具体可以包括：
将背景块张量
Figure BDA0003231669210000123
的张量环范数表示为：
Figure BDA0003231669210000124
其中，D为张量的维数，[]是取整符号，||||*表示核范数，wd表示权重：
Figure BDA0003231669210000125
B{d，L}表示将背景块张量
Figure BDA0003231669210000126
的维度顺序调整为[k，...，D，1，...，k-1]后进行模态(1，…，L)展开操作：
Figure BDA0003231669210000127
将红外图像的块张量
Figure BDA0003231669210000128
作为已知的张量
Figure BDA0003231669210000129
输入红外块张量模型的中，得到红外块张量模型的展开式：
Figure BDA00032316692100001210
Figure BDA00032316692100001211
Figure BDA00032316692100001212
其中，
Figure BDA00032316692100001213
P表示采样率，
Figure BDA00032316692100001214
A0表示采样操作，
Figure BDA00032316692100001215
M为采样个数；
构建红外块张量模型展开式的增广拉格朗日方程：
Figure BDA00032316692100001216
Figure BDA0003231669210000131
其中，
Figure BDA0003231669210000132
βd和γ为惩罚因子，
Figure BDA0003231669210000133
和
Figure BDA0003231669210000134
为辅助变量，||||F表示Frobenius范数；
初始化增广拉格朗日方程参数，令迭代次数i＝0，最大迭代次数为maxiter，则：
Figure BDA0003231669210000135
的子问题如下：
Figure BDA0003231669210000136
Figure BDA0003231669210000137
子问题的封闭解为：
Figure BDA0003231669210000138
其中，D()为奇异值阈值运算符；
背景块张量B的子问题如下：
Figure BDA0003231669210000139
其中，δ的定义为：
Figure BDA00032316692100001310
表示元素全为1的张量，
Figure BDA00032316692100001311
Figure BDA00032316692100001312
是A0的伴随矩阵，并且
Figure BDA00032316692100001313
||||*表示核范数；
背景块张量
Figure BDA00032316692100001314
的闭式解为：
Figure BDA00032316692100001315
其中，P为二进制采样张量；
目标块张量
Figure BDA00032316692100001316
的子问题如下：
Figure BDA00032316692100001317
其中，S()为软阈值运算符；
Figure BDA00032316692100001318
的子问题为：
Figure BDA00032316692100001319
Figure BDA00032316692100001320
的子问题为：
Figure BDA00032316692100001321
利用交替方向乘子法求出红外块张量模型的最优解，输出原始红外图像的目标块张量
Figure BDA0003231669210000141
本方案中，首先将背景块张量的张量环范数和红外图像的块张量输入红外块张量模型中，得到红外块张量模型的展开式，然后构建该展开式的增广拉格朗日方程，并对该增广拉格朗日方程进行初始化操作，最后利用交替方向乘子法求出红外块张量模型的最优解，输出原始红外图像的目标块张量。
由于本方案中的红外块张量模型引入了张量环范数和局部结构先验权重及L1范数，因此，该红外块张量模型具有增强对红外图像中背景和噪声的抑制能力，可以解决红外图像检测中目标失真的问题。由此可知，通过本方法输出的目标块张量，可以更好的表征原始红外图像的目标信息。
针对步骤106，在一些实施方式中，步骤106具体可以包括：
基于目标块张量，对原始红外图像进行重构，以得到目标图像。
具体重构过程为：按顺序取出目标块张量
Figure BDA0003231669210000142
的l个正面切片
Figure BDA0003231669210000143
并依次重构出目标图像fT∈Rm×n；
本方案中，利用更能表征原始红外图像目标信息的目标块张量来重构目标图像，从而重构出的目标图像信息更完整，可以避免目标失真问题。
针对步骤108，在一些实施方式中，步骤108具体可以包括：
基于目标图像，确定原始红外图像中是否有目标。例如可以对目标图像采用自适应阈值分割法，确定原始红外图像中目标的位置，输出目标检测的最终检测结果。
本方案中，对目标图像采用自适应阈值分割法，即目标图像中的每个像素点可以对应不同的分割阈值，从而使目标分割更准确。
需要说明的是，目标检测结果可以是有目标，也可是未检测到目标；若检测到目标，则输出目标的完整检测信息，若未检测到目标，则输出无目标。
下面以一个具体的案例对本申请的红外图像目标检测方法的检测效果做具体说明。
需要说明的是：该案例所采用的红外图像目标检测方法与上文实施例采用的方法完全一致，这里不再赘述。本案例不再赘述局部对比能量特征图flp和红外块张量模型的构建及求解过程，仅给出一组具体数值，将该数值代入检测模型中，得出目标检测效果，以证明本发明的技术方案可以增强对红外图像中背景和噪声的抑制能力，解决红外图像检测中目标失真的问题，提高红外图像的目标检测精度。
基于本案例提供的大小为128×128的原始红外图像fD，如图2所示，利用大小为40×40的滑动窗口w，按步长为40遍历原始红外图像fD，把每一次滑动窗口w所取得的大小为40×40的图像小块作为一个正面切片，直至遍历完整个图像，将所有正面切片按一定顺序叠加，得到红外图像的块张量
Figure BDA00032316692100001512
Figure BDA00032316692100001513
基于本案例求得的局部对比能量特征图flp，如图3所示，利用大小为40×40的滑动窗口w，按步长为40遍历该局部对比能量特征图flp，把每一次滑动窗口w所取得的大小为40×40的图像小块作为一个正面切片，直至遍历完整个图像，将所有正面切片按一定顺序叠加，得到局部对比能量特征图的块张量
Figure BDA0003231669210000151
将上述红外图像的块张量
Figure BDA0003231669210000152
和局部对比能量特征图的块张量
Figure BDA0003231669210000153
带入红外块张量模型中，利用交替方向乘子法求解红外块张量模型，获得目标块张量
Figure BDA0003231669210000154
对于得到的目标块张量
Figure BDA0003231669210000155
按顺序取出目标块张量
Figure BDA0003231669210000156
的16个正面切片
Figure BDA0003231669210000157
并依次重构出目标图像
Figure BDA0003231669210000158
对目标图像
Figure BDA0003231669210000159
采用自适应阈值分割，分割阈值
Figure BDA00032316692100001510
其中，m表示目标图像fT中所有像素点灰度值的均值，
Figure BDA00032316692100001511
表示目标图像fT中所有像素点灰度值的标准差，c＝2，分割完成后确定出目标的位置，并输出目标的最终检测结果。
图4为本案例检测出的目标图像的三维曲面图，由图4可以看出，在原始红外图像背景很复杂的情况下，检测出的目标图像无失真、无噪声且背景被完全抑制，目标检测精度非常高。
图5-图10分别是采用Top-Hat、LCM、MPCM、IPI、RIPT、PSTNN六种方法，对图2的目标检测结果的三维曲面图，从图中可以看出，Top-Hat、LCM、MPCM、IPI、RIPT、PSTNN六种方法均未完全抑制背景，对强边缘易感，同时，PSTNN虽然较好地检测到了目标，但是目标仍存在失真问题。
通过对比本案例和其它方法得出的目标检测结果，可以看出：本发明的红外图像目标检测方法，可以增强对红外图像中背景和噪声的抑制能力，能够解决红外图像检测中目标失真的问题，提高了红外图像的目标检测精度。
如图11和图12所示，本发明实施例提供了一种红外图像目标检测装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图11所示，为本发明实施例提供的一种红外图像目标检测装置所在计算设备的一种硬件架构图，除了图11所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的计算设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图12所示，本实施例提供的一种红外图像目标检测装置，包括：
第一训练模块300，用于构建原始红外图像的红外块张量模型；其中，所述红外块张量模型包括所述原始红外图像的背景块张量的张量环范数以及所述原始红外图像的局部结构先验权重和目标块张量的L1范数；
第一训练模块302，用于构建原始红外图像的块张量；
求解模块304，用于将所述原始红外图像的块张量和所述原始红外图像的局部结构先验权重输入到所述红外块张量模型中，得到红外图像的目标块张量；
重构模块306，用于基于所述目标块张量，对所述原始红外图像进行重构，以得到目标图像；
检测模块308，用于基于所述目标图像，确定所述原始红外图像中是否有目标。
在本发明实施例中，训练模块300可用于执行上述方法实施例中的步骤100，检测模块302可用于执行上述方法实施例中的步骤102，训练模块304可用于执行上述方法实施例中的步骤104，检测模块306可用于执行上述方法实施例中的步骤106，训练模块308可用于执行上述方法实施例中的步骤108。
在本发明一个实施例中，第一训练模块300，用于执行如下操作：
构建原始红外图像的局部对比能量特征图flp；
基于局部对比能量特征图flp，构建原始红外图像的局部结构先验权重
Figure BDA0003231669210000171
定义一个三阶张量D，该三阶张量D包括背景块张量
Figure BDA0003231669210000172
和目标块张量
Figure BDA0003231669210000173
基于背景块张量
Figure BDA0003231669210000174
的张量环范数以及局部结构先验权重
Figure BDA0003231669210000175
和目标块张量
Figure BDA0003231669210000176
乘积的L1范数，构建原始红外图像的红外块张量模型。
在本发明一个实施例中，第一训练模块300在执行构建原始红外图像的局部对比能量特征图flp时，用于执行如下操作：
定义一个d×d的滑动窗口，使用该滑动窗口按设定步长遍历原始红外图像fD，得到n个大小为d×d的局部区域，将任意一个d×d大小的局部区域定义为G；
用(x，y)表示局部区域G中心像素点的位置，
Figure BDA0003231669210000177
表示局部区域G内所有像素点的集合，将局部区域G内任一像素点到该区域中心像素点(x，y)的切比雪夫距离定义为r，则
Figure BDA0003231669210000178
可以定义为：
Figure BDA0003231669210000179
将部区域G中所有像素点灰度值与中心像素点灰度值差值最小的像素点定义为
Figure BDA00032316692100001710
计算如下：
Figure BDA00032316692100001711
其中，f(x，y)为局部区域G内中心像素点的灰度值，f(i，j)为局部区域G内任意像素点的灰度值，[]是取整符号，d表示局部区域的尺寸；
计算局部区域G的对比元素
Figure BDA00032316692100001712
Figure BDA00032316692100001713
利用对比元素
Figure BDA00032316692100001714
将局部区域G的能量特征LE(x，y)定义为：
Figure BDA00032316692100001715
若局部区域G内某个像素点的能量特征值LE(x，y)＞0，则保留该像素点，反之，则删除该像素点；
根据上述判断标准，得到任意一个局部区域G的显著性图SM，即
Figure BDA00032316692100001716
对n个局部区域G的显著性图SM作归一化处理，得到原始红外图像的局部对比能量特征图flp：
Figure BDA0003231669210000181
其中，SMmax和SMmin分别表示整个显著性图SM的最大值和最小值。
在本发明一个实施例中，第一训练模块300在执行基于局部对比能量特征图flp，构建原始红外图像的局部结构先验权重
Figure BDA00032316692100001818
时，用于执行如下操作：
采用大小为k×k的滑动窗口w遍历局部对比能量特征图flp，把每次取得的图像小块作为块张量
Figure BDA0003231669210000182
的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将这些切片按照一定顺序叠加，得到局部结构先验权重张量
Figure BDA0003231669210000183
令
Figure BDA0003231669210000184
来表示稀疏权重张量，那么有：
Figure BDA0003231669210000185
其中，c和η均表示大于0的正数，
Figure BDA0003231669210000186
为目标块张量；
根据局部结构先验权重张量
Figure BDA0003231669210000187
和稀疏权重张量
Figure BDA0003231669210000188
得到原始红外图像的局部结构先验权重
Figure BDA0003231669210000189
Figure BDA00032316692100001810
其中，./表示两个张量之间对应元素相除。
在本发明一个实施例中，第一训练模块300在执行基于背景块张量
Figure BDA00032316692100001811
的张量环范数以及局部结构先验权重
Figure BDA00032316692100001812
和目标块张量
Figure BDA00032316692100001813
乘积的L1范数，构建原始红外图像的红外块张量模型时，用于执行如下操作：
将原始红外图像的红外块张量模型表示为：
Figure BDA00032316692100001814
Figure BDA00032316692100001815
其中，λ表示平衡因子，⊙表示Hadamard乘积，
Figure BDA00032316692100001816
表示局部结构先验权重，||||TRNN表示张量环范数，||||1表示L1范数，s.t.表示
Figure BDA00032316692100001817
为红外块张量模型的约束项。
在本发明一个实施例中，第二训练模块302在执行构建原始红外图像的块张量时，用于执行如下操作：
获取一定尺寸的原始红外图像fD；
利用大小为k×k的滑动窗口w，按步长为k遍历原始红外图像fD；
把每一次滑动窗口w所取得的图像小块作为块张量
Figure BDA0003231669210000191
的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将l个切片按一定顺序叠加，得到红外图像的块张量
Figure BDA0003231669210000192
在本发明一个实施例中，求解模块304在执行将原始红外图像的块张量和原始红外图像的局部结构先验权重输入到红外块张量模型中，得到红外图像的目标块张量时，用于执行如下操作：
将背景块张量
Figure BDA0003231669210000193
的张量环范数表示为：
Figure BDA0003231669210000194
其中，D为张量的维数，[]是取整符号，||||*表示核范数，wd表示权重：
Figure BDA0003231669210000195
B{d，L}表示将背景块张量
Figure BDA0003231669210000196
的维度顺序调整为[k，...，D，1，...，k-1]后进行模态(1，…，L)展开操作：
Figure BDA0003231669210000197
将红外图像的块张量
Figure BDA0003231669210000198
作为已知的张量
Figure BDA0003231669210000199
输入红外块张量模型的中，得到红外块张量模型的展开式：
Figure BDA00032316692100001910
Figure BDA00032316692100001911
Figure BDA00032316692100001912
其中，
Figure BDA00032316692100001913
P表示采样率，
Figure BDA00032316692100001914
A0表示采样操作，
Figure BDA00032316692100001915
M为采样个数；
构建红外块张量模型的展开式的增广拉格朗日方程：
Figure BDA00032316692100001916
Figure BDA0003231669210000201
其中，
Figure BDA0003231669210000202
βd和γ为惩罚因子，
Figure BDA0003231669210000203
和
Figure BDA0003231669210000204
为辅助变量，||||F表示Frobenius范数；
初始化增广拉格朗日方程参数，令迭代次数i＝0，最大迭代次数为maxiter，则：
Figure BDA0003231669210000205
的子问题如下：
Figure BDA0003231669210000206
Figure BDA0003231669210000207
子问题的封闭解为：
Figure BDA0003231669210000208
其中，D()为奇异值阈值运算符；
背景块张量
Figure BDA00032316692100002020
的子问题如下：
Figure BDA0003231669210000209
其中，δ的定义为：
Figure BDA00032316692100002010
表示元素全为1的张量，
Figure BDA00032316692100002011
Figure BDA00032316692100002012
是A0的伴随矩阵，并且
Figure BDA00032316692100002013
||||*表示核范数；
背景块张量
Figure BDA00032316692100002014
的闭式解为：
Figure BDA00032316692100002015
其中，P为二进制采样张量；
目标块张量
Figure BDA00032316692100002016
的子问题如下：
Figure BDA00032316692100002017
其中，S()为软阈值运算符；
Figure BDA00032316692100002018
的子问题为：
Figure BDA00032316692100002019
Figure BDA0003231669210000211
的子问题为：
Figure BDA0003231669210000212
利用交替方向乘子法求出红外块张量模型的最优解，输出原始红外图像的目标块张量
Figure BDA0003231669210000213
在本发明一个实施例中，重构模块306在执行基于目标块张量，对原始红外图像进行重构，以得到目标图像时，用于执行如下操作：
按顺序取出目标块张量
Figure BDA0003231669210000214
的l个正面切片
Figure BDA0003231669210000215
并依次重构出目标图像fT∈Rm×n；
在本发明一个实施例中，检测模块308在执行基于目标图像，确定原始红外图像中是否有目标时，用于执行如下操作：
对目标图像采用自适应阈值分割法，确定原始红外图像中目标的位置，输出目标检测的最终检测结果。
可以理解的是，本发明实施例示意的结构并不构成对一种红外图像目标检测装置的具体限定。在本发明的另一些实施例中，一种红外图像目标检测装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种计算设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时，实现本发明任一实施例中的一种异常登录检测方法。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在被处理器执行时，使处理器执行本发明任一实施例中的一种红外图像目标检测方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种红外图像目标检测方法，其特征在于，包括：
构建原始红外图像的红外块张量模型，所述红外块张量模型包括所述原始红外图像的背景块张量的张量环范数以及所述原始红外图像的局部结构先验权重和目标块张量乘积的L1范数；
构建原始红外图像的块张量；
将所述原始红外图像的块张量和所述原始红外图像的局部结构先验权重输入到所述红外块张量模型中，得到红外图像的目标块张量；
基于所述目标块张量，对所述原始红外图像进行重构，以得到目标图像；
基于所述目标图像，确定所述原始红外图像中是否有目标。
2.根据权利要求1所述的方法，其特征在于，所述构建原始红外图像的红外块张量模型，包括：
构建原始红外图像的局部对比能量特征图flp；
基于所述局部对比能量特征图flp，构建原始红外图像的局部结构先验权重
Figure FDA0003231669200000018
定义一个三阶张量D，所述三阶张量D包括背景块张量
Figure FDA0003231669200000011
和目标块张量
Figure FDA0003231669200000012
基于所述背景块张量
Figure FDA0003231669200000013
的张量环范数以及所述局部结构先验权重w和目标块张量
Figure FDA0003231669200000014
的L1范数，构建原始红外图像的红外块张量模型。
3.根据权利要求2所述的方法，其特征在于，所述构建原始红外图像的局部对比能量特征图flp，包括：
定义一个d×d的滑动窗口，使用该滑动窗口按设定步长遍历原始红外图像fD，得到n个大小为d×d的局部区域，将任意一个d×d大小的局部区域定义为G；
用(x，y)表示所述局部区域G中心像素点的位置，
Figure FDA0003231669200000015
表示所述局部区域G内所有像素点的集合，将所述局部区域G内任一像素点到该区域中心像素点(x，y)的切比雪夫距离定义为r，则所述
Figure FDA0003231669200000016
定义为：
Figure FDA0003231669200000017
将所述局部区域G中所有像素点灰度值与中心像素点灰度值差值最小的像素点定义为
Figure FDA0003231669200000021
计算如下：
Figure FDA0003231669200000022
其中，f(x，y)为所述局部区域G内中心像素点的灰度值，f(i，j)为所述局部区域G内任意像素点的灰度值，[]是取整符号，d表示局部区域的尺寸；
计算所述局部区域G的对比元素
Figure FDA0003231669200000023
Figure FDA0003231669200000024
利用所述对比元素
Figure FDA0003231669200000025
将所述局部区域G的能量特征LE(x，y)定义为：
Figure FDA0003231669200000026
若所述局部区域G内某个像素点的能量特征值LE(x，y)＞0，则保留该像素点，反之，则删除该像素点；
根据上段给出的能量特征值判断标准，得到任意一个所述局部区域G的显著性图SM，即
Figure FDA0003231669200000027
对n个局部区域G的显著性图SM作归一化处理，得到原始红外图像的局部对比能量特征图flp：
Figure FDA0003231669200000028
其中，SMmax和SMmin分别表示整个显著性图SM的最大值和最小值。
4.根据权利要求2所述的方法，其特征在于，所述基于所述局部对比能量特征图flp，构建原始红外图像的局部结构先验权重
Figure FDA00032316692000000214
包括：
采用大小为k×k的滑动窗口w遍历所述局部对比能量特征图flp，把每次取得的图像小块作为块张量
Figure FDA00032316692000000215
的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将这些切片按照一定顺序叠加，得到局部结构先验权重张量
Figure FDA00032316692000000216
令
Figure FDA00032316692000000211
来表示稀疏权重张量，那么有：
Figure FDA0003231669200000029
其中，c和η均表示大于0的正数，
Figure FDA00032316692000000210
为目标块张量；
根据所述局部结构先验权重张量
Figure FDA00032316692000000212
和所述稀疏权重张量
Figure FDA00032316692000000213
得到原始红外图像的局部结构先验权重
Figure FDA00032316692000000316
Figure FDA00032316692000000312
其中，./表示两个张量之间对应元素相除。
5.根据权利要求4所述的方法，其特征在于，所述基于所述背景块张量
Figure FDA0003231669200000031
的张量环范数以及所述局部结构先验权重
Figure FDA00032316692000000317
和目标块张量
Figure FDA0003231669200000032
乘积的L1范数，构建原始红外图像的红外块张量模型，包括：
将原始红外图像的红外块张量模型表示为：
Figure FDA0003231669200000033
Figure FDA0003231669200000034
其中，λ表示平衡因子，⊙表示Hadamard乘积，
Figure FDA00032316692000000318
表示局部结构先验权重，||||TRNN表示张量环范数，||||1表示L1范数，s.t.表示
Figure FDA0003231669200000035
为所述红外块张量模型的约束项。
6.根据权利要求1所述的方法，其特征在于，所述构建原始红外图像的块张量，包括：
获取一定尺寸的原始红外图像fD；
利用大小为k×k的滑动窗口w，按步长为k遍历所述原始红外图像fD；
把每一次滑动窗口w所取得的图像小块作为块张量
Figure FDA00032316692000000313
的正面切片，直至遍历完整个图像，若窗口滑动的次数为l，则取得l个正面切片，将所述l个切片按一定顺序叠加，得到所述红外图像的块张量
Figure FDA00032316692000000314
7.根据权利要求1-6任一项所述的方法，其特征在于，所述将所述原始红外图像的块张量和所述原始红外图像的局部结构先验权重输入到所述红外块张量模型中，得到红外图像的目标块张量，包括：
将背景块张量
Figure FDA0003231669200000036
的张量环范数表示为：
Figure FDA0003231669200000037
其中，D为张量的维数，[]是取整符号，||||*表示核范数，wd表示权重：
Figure FDA0003231669200000038
B{d，L}表示将背景块张量
Figure FDA0003231669200000039
的维度顺序调整为[k，...，D，1，...，k-1]后进行模态(1，…，L)展开操作：
Figure FDA00032316692000000310
将所述红外图像的块张量
Figure FDA00032316692000000315
作为已知的张量
Figure FDA00032316692000000311
输入所述红外块张量模型的中，得到红外块张量模型的展开式：
Figure FDA0003231669200000041
Figure FDA0003231669200000042
Figure FDA00032316692000000419
其中，
Figure FDA0003231669200000043
P表示采样率，
Figure FDA0003231669200000044
A0表示采样操作，A0：
Figure FDA0003231669200000045
M为采样个数；
构建所述红外块张量模型的展开式的增广拉格朗日方程：
Figure FDA0003231669200000046
其中，
Figure FDA0003231669200000047
βd和γ为惩罚因子，
Figure FDA0003231669200000048
和
Figure FDA0003231669200000049
为辅助变量，||||F表示Frobenius范数；
初始化所述增广拉格朗日方程参数，令迭代次数i＝0，最大迭代次数为maxiter，则：
Figure FDA00032316692000000420
的子问题如下：
Figure FDA00032316692000000410
所述
Figure FDA00032316692000000421
子问题的封闭解为：
Figure FDA00032316692000000411
其中，D()为奇异值阈值运算符；
所述背景块张量
Figure FDA00032316692000000412
的子问题如下：
Figure FDA00032316692000000413
其中，δ的定义为：
Figure FDA00032316692000000414
Figure FDA00032316692000000415
表示元素全为1的张量，
Figure FDA00032316692000000416
Figure FDA00032316692000000417
是A0的伴随矩阵，并且
Figure FDA00032316692000000418
||||*表示核范数；
背景块张量
Figure FDA0003231669200000051
的闭式解为：
Figure FDA0003231669200000052
其中，P为二进制采样张量；
所述目标块张量
Figure FDA0003231669200000053
的子问题如下：
Figure FDA0003231669200000054
其中，S()为软阈值运算符；
Figure FDA0003231669200000055
的子问题为：
Figure FDA0003231669200000056
Figure FDA0003231669200000057
的子问题为：
Figure FDA0003231669200000058
利用交替方向乘子法求出所述红外块张量模型的最优解，输出原始红外图像的目标块张量
Figure FDA0003231669200000059
8.一种红外图像目标检测装置，其特征在于，包括：
第一构建模块，用于构建原始红外图像的红外块张量模型；其中，所述红外块张量模型包括所述原始红外图像的背景块张量的张量环范数以及所述原始红外图像的局部结构先验权重和目标块张量的L1范数；
第二构建模块，用于构建原始红外图像的块张量；
求解模块，用于将所述原始红外图像的块张量和所述原始红外图像的局部结构先验权重输入到所述红外块张量模型中，得到红外图像的目标块张量；
重构模块，用于基于所述目标块张量，对所述原始红外图像进行重构，以得到目标图像；
检测模块，用于基于所述目标图像，确定所述原始红外图像中是否有目标。
9.一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的方法。
CN202110989074.2A 2021-08-26 2021-08-26 一种红外图像目标检测方法、装置、计算设备及存储介质 Pending CN113538296A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110989074.2A CN113538296A (zh) 2021-08-26 2021-08-26 一种红外图像目标检测方法、装置、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110989074.2A CN113538296A (zh) 2021-08-26 2021-08-26 一种红外图像目标检测方法、装置、计算设备及存储介质

Publications (1)

Publication Number Publication Date
CN113538296A true CN113538296A (zh) 2021-10-22

Family

ID=78092956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110989074.2A Pending CN113538296A (zh) 2021-08-26 2021-08-26 一种红外图像目标检测方法、装置、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN113538296A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170076180A1 (en) * 2015-09-15 2017-03-16 Mitsubishi Electric Research Laboratories, Inc. System and Method for Processing Images using Online Tensor Robust Principal Component Analysis
CN109447073A (zh) * 2018-11-08 2019-03-08 电子科技大学 一种基于张量鲁棒主成分分析的红外弱小目标检测方法
CN109934178A (zh) * 2019-03-18 2019-06-25 电子科技大学 一种基于Kronecker基稀疏表示的红外弱小目标检测方法
CN112116532A (zh) * 2020-08-04 2020-12-22 西安交通大学 一种基于张量块循环展开的彩色图像补全方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170076180A1 (en) * 2015-09-15 2017-03-16 Mitsubishi Electric Research Laboratories, Inc. System and Method for Processing Images using Online Tensor Robust Principal Component Analysis
CN109447073A (zh) * 2018-11-08 2019-03-08 电子科技大学 一种基于张量鲁棒主成分分析的红外弱小目标检测方法
CN109934178A (zh) * 2019-03-18 2019-06-25 电子科技大学 一种基于Kronecker基稀疏表示的红外弱小目标检测方法
CN112116532A (zh) * 2020-08-04 2020-12-22 西安交通大学 一种基于张量块循环展开的彩色图像补全方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HAIYANG YI等: "Spatial-temporal tensor ring norm regularization for infrared small target detection", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
HUYAN HUANG等: "Robust Low-Rank Tensor Ring Completion", 《IEEE TRANSCTIONS ON COMPUTATIONAL IMAGING》 *
JINSHI YU等: "Tensor-ring nuclear norm minimization and application for visual:data completion", 《2019 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS,SPEECH AND SIGNAL PROCESSING(ICASSP)》 *
XUEWEI GUAN等: "Infrared small target detection via non-convex tensor rank surrogate joint local contrast energy", 《REMOTE SENSING》 *
余锦视: "基于低秩张量环的高阶数据补全模型与算法", 《中国博士学位论文全文数据库 信息科技辑》 *
孔轩: "基于局部结构张量分析的红外目标检测方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Similar Documents

Publication Publication Date Title
Borsoi et al. A fast multiscale spatial regularization for sparse hyperspectral unmixing
Cigla et al. Information permeability for stereo matching
CN111369457B (zh) 稀疏判别张量鲁棒性pca的遥感图像去噪方法
EP2461290A1 (en) Image processing device, image processing method, and program
EP1612733A2 (en) Color segmentation-based stereo 3D reconstruction system and process
Xu et al. A switching weighted vector median filter based on edge detection
Lv et al. A fast high-order total variation minimization method for multiplicative noise removal
US9066036B2 (en) Determining transparent fills based on a reference background colour
Ma et al. Image deblurring via total variation based structured sparse model selection
CN112633202A (zh) 一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法
KR101833943B1 (ko) 동영상의 주요 장면을 추출 및 탐색하는 방법 및 시스템
Zhang et al. Single image dehazing based on bright channel prior model and saliency analysis strategy
Li et al. Salient object detection based on meanshift filtering and fusion of colour information
CN107993230B (zh) 基于三角网格综合特征的图像篡改检测方法
Singh et al. Fixed point ICA based approach for maximizing the non-Gaussianity in remote sensing image classification
CN112257689A (zh) 人脸识别模型的训练和识别方法、存储介质及相关设备
Tang et al. Single image rain removal model using pure rain dictionary learning
CN113538296A (zh) 一种红外图像目标检测方法、装置、计算设备及存储介质
Chang et al. Batch-invariant nuclear segmentation in whole mount histology sections
CN113837255B (zh) 预测以细胞为基质的抗体核型类别的方法、设备和介质
Mahalakshmi et al. Adaptive filter with type-2 fuzzy system and optimization-based kernel interpolation for satellite image denoising
CN114037820A (zh) 一种基于多特征融合的红外弱小多目标的检测方法和装置
Sakaridis et al. Theoretical analysis of active contours on graphs
Amerini et al. Acquisition source identification through a blind image classification
Salloum et al. Efficient image splicing localization via contrastive feature extraction

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