CN117392378B - 一种红外小目标检测方法、装置、设备及可读存储介质 - Google Patents
一种红外小目标检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN117392378B CN117392378B CN202311685583.1A CN202311685583A CN117392378B CN 117392378 B CN117392378 B CN 117392378B CN 202311685583 A CN202311685583 A CN 202311685583A CN 117392378 B CN117392378 B CN 117392378B
- Authority
- CN
- China
- Prior art keywords
- tensor
- target
- sparse
- background
- tensors
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 230000003190 augmentative effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000005236 sound signal Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 241000282376 Panthera tigris Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- IZUPBVBPLAPZRR-UHFFFAOYSA-N pentachlorophenol Chemical compound OC1=C(Cl)C(Cl)=C(Cl)C(Cl)=C1Cl IZUPBVBPLAPZRR-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明提供了一种红外小目标检测方法、装置、设备及可读存储介质，涉及目标检测技术领域，包括将红外序列图像按时间序列依次堆叠形成时空张量，时空张量包括背景张量、目标张量及噪声张量；基于背景张量的对数张量核范数表征背景张量的低秩性；计算目标张量的稀疏权重；并获取背景张量的分段平滑结构约束项和噪声张量的Frobenius范数约束项，由背景张量的低秩性和分段平滑结构约束项、目标张量及其稀疏权重和噪声张量的Frobenius范数约束项构建低秩稀疏张量分解模型；利用交替方向乘子法计算低秩稀疏张量分解模型得到目标张量，解构目标张量得到红外小目标检测结果，本发明用于实现复杂场景中红外小目标的准确检测。
Description
技术领域
本发明涉及目标检测技术领域，具体而言，涉及一种红外小目标检测方法、装置、设备及可读存储介质。
背景技术
红外小目标检测具有不受光照限制、穿透性、隐蔽性和目标识别等优势，它已成为现代科技发展的前沿领域，广泛应用于军事、医学、遥感、安全和预警等领域。然而，红外图像中的小目标通常仅占少数像素，其特征不完整，容易受大气影响，导致辐射强度下降，甚至低于背景辐射强度，使目标难以分辨。此外，红外图像背景多是云层、海面或建筑物等，其灰度分布波动大，不均匀，高频信息与目标接近，目标通常信噪比低。因此，如何在复杂场景中实现红外小目标的检测成为了一项紧迫的重要技术挑战。
发明内容
本发明的目的在于提供一种红外小目标检测方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种红外小目标检测方法，包括：
获取连续帧的红外序列图像，将所述红外序列图像按时间序列依次堆叠形成时空张量，所述时空张量包括背景张量、目标张量及噪声张量；
基于三方向对数张量核范数表征背景张量的低秩性；以及基于3D总变分约束背景张量的分段平滑结构信息；
基于3D结构张量矩阵计算时空张量中的稀疏局部先验结构信息得到目标张量的稀疏权重；
由背景张量的低秩性和分段平滑结构约束项、目标张量及其稀疏权重和噪声张量的Frobenius范数约束项构建低秩稀疏张量分解模型；
利用交替方向乘子法求解所述低秩稀疏张量分解模型得到目标张量，解构所述目标张量得到红外小目标检测结果。
第二方面，本申请还提供了一种红外小目标检测装置，包括：
获取模块：用于获取连续帧的红外序列图像，将所述红外序列图像按时间序列依次堆叠形成时空张量，所述时空张量包括背景张量、目标张量及噪声张量；
第一计算模块：用于基于三方向对数张量核范数表征背景张量的低秩性；以及基于3D总变分约束背景张量的分段平滑结构信息；
第二计算模块：用于基于3D结构张量矩阵计算时空张量中的稀疏局部先验结构信息得到目标张量的稀疏权重；
模型构建模块：用于由背景张量的低秩性和分段平滑结构约束项、目标张量及其稀疏权重和噪声张量的Frobenius范数约束项构建低秩稀疏张量分解模型；
模型分解模块：用于利用交替方向乘子法求解所述低秩稀疏张量分解模型得到目标张量，解构所述目标张量得到红外小目标检测结果。
第三方面，本申请还提供了一种红外小目标检测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述红外小目标检测方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于红外小目标检测方法的步骤。
本发明的有益效果为：
本发明利用三个不同方向的对数张量核范数作为张量核范数的非凸近似表示，能更灵活地刻画红外背景张量的低秩特性；利用总变分正则约束背景张量中的分段平滑结构，从而降低目标张量中的非目标结构残差；利用时空张量三个方向的结构张量全面探究红外序列图像中的时空局部先验结构信息，能进一步区分目标和类目标稀疏结构，提高检测精度并降低虚警率。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的红外小目标检测方法流程示意图;
图2为本发明实施例中所述的红外小目标检测方法结果示意图;
图3为本发明实施例中红外序列图像及其三维分布图；
图4为本发明实施例中红外小目标检测结果及其三维分布图；
图5为本发明实施例中所述的红外小目标检测装置结构示意图；
图6为本发明实施例中所述的红外小目标检测设备结构示意图。
图中标记：
800、红外小目标检测设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种红外小目标检测方法。
参见图1-图3，图中示出了本方法包括:
S1.获取连续帧的红外序列图像，将所述红外序列图像按时间序列依次堆叠形成时空张量，其中，/>和 />为图像像素大小，/>为图像的总帧数。
所述时空张量包括背景张量、目标张量及噪声张量，时空张量/>可作为背景张量/>、目标张量/>和噪声张量/>的线性组合，如下式所示：
；（1）
基于以上实施例，本方法还包括：
S2. 基于三方向对数张量核范数表征背景张量的低秩性；以及基于3D总变分约束背景张量的分段平滑结构信息；
具体的，所述步骤S2包括：
S21.将背景张量转置为三个不同方向的模，所述三个方向分别为一个时间方向和两个不同的空间方向/>、/>；
具体的，对背景张量进行张量模-k转置，，得到三个方向的模，分别为：/>，和/>，其中，permute（）表示转置函数。
S22.依次计算每个模的对数张量核范数；
S23.对三个模的对数张量核范数进行加权求和得到背景张量的低秩性：
；（2）
式中，为三个方向对数张量核范数的系数，满足/>，/>条件，/>是/>快速傅里叶变换后的第/>个正面切片，/>为/>正面切片维度大小，/>为切片的第/>个奇异值，/>为切片/>的奇异值非零个数，/>张量奇异值阈值操作，阈值为常数。
具体的，所述背景张量的分段平滑结构约束项的计算方式为：；（3）
其中，为1范数，表示模中所有元素绝对值的和。/>是总变分不同方向的平衡系数，满足/>条件。/>和分别为模/>的差分张量。
由于在时间和空间方向，模具有不同分段平滑结构和线性特征，利用背景张量的分段平滑结构约束项/>可约束背景张量的结构信息。
基于以上实施例，本方法还包括：
S3.基于时空张量的稀疏局部先验结构信息计算目标张量的稀疏权重；
具体的，所述步骤S3包括：
S31.获取时空张量的空间结构张量矩阵，并确定所述空间结构张量矩阵中元素所在位置的奇异值；
具体的，所述时空张量的3D结构张量矩阵/>为：
；（4）
其中，为标准偏差/>的高斯平滑处理后的时空张量，/>为梯度操作，/>，/>和/>为/>在三个方向上的偏导数，/>为标准偏差/>的高斯核函数，“/>”为2D卷积，为Kronecker积。
根据所述计算空间结构张量矩阵中元素所在位置的奇异值：；（5）
式中，，/>和/>为/>的奇异值，满足/>，/>、/>、/>为奇异值向量。
S32.利用所述奇异值计算得到稀疏局部先验结构信息，并对所述稀疏局部先验结构信息进行归一化处理；
； （6）
；（7）
其中，为/>第z个正面切片，/>为第z个正面切片的最小值，/>为第z个正面切片的最大值；
S33.采用稀疏重加权策略加快算法计算目标张量的稀疏重加权因子；;（8）
其中，为正实数，目标张量/>的初始值为0，/>为第t次迭代中归一化处理后的目标张量/>的绝对值；
S34.由目标张量的稀疏重加权因子和归一化处理后的稀疏局部先验结构信息计算得到目标张量的稀疏权重：/>；（9）
其中，为元素除。
基于以上实施例，本方法还包括：
S4.获取背景张量的分段平滑结构约束项和噪声张量的Frobenius范数约束项，由背景张量的低秩性和分段平滑结构约束项、目标张量及其稀疏权重和噪声张量的Frobenius范数约束项构建低秩稀疏张量分解模型；
具体的，低秩稀疏张量分解模型为：；（10）
式中，为Frobenius范数约束项，表示噪声张量中所有元素平方和的平方根，，/>和/>为正平衡参数，/>为逐元素乘。
基于以上实施例，本方法还包括：
在低秩稀疏张量分解模型中引入第一辅助张量变量和第二辅助张量变量/>，得到等价模型，其中/>，即所述第一辅助张量包括：/>，/>，/>，所述第一辅助张量包括：/>，/>，/>；
所述等价模型为：
；（11）
其中，为背景张量的时间与空间平衡参数。
构造所述等价模型的增广拉格朗日函数，所述增广拉格朗日函数中包括第一辅助张量变量、背景张量/>、第二辅助张量变量/>、目标张量/>、目标张量的稀疏权重/>以及噪声张量/>：
；（12）
其中，为惩罚参数，/>和/>为拉格朗日乘子，/>。
基于以上实施例，本方法还包括：
S5.利用交替方向乘子法（ADMM）计算所述低秩稀疏张量分解模型得到目标张量，解构所述目标张量得到红外小目标检测结果；
具体的，所述步骤S5包括：
S51.确定背景张量、第二辅助张量变量、目标张量、目标张量的稀疏权重以及噪声张量的初始值，基于背景张量的对数张量核范数更新第一辅助张量变量：
；（13）
其中，为对数张量核范数的张量奇异值阈值操作，t表示第t次迭代，/>为张量奇异值分解的对角张量，/>为三个方向对数张量核范数的系数，/>为惩罚参数；
具体的，，/>为/>沿z维度的傅里叶变换；
其中ifft表示逆傅里叶变换；
S52.将所述第一辅助张量变量代入所述增广拉格朗日函数中更新背景张量：
；（14）
具体的，所述步骤S52包括：
S521.将所述增广拉格朗日函数转换为sylvester张量方程：；
其中，，/>和/>为中间变量，表示如下：
；（15）
S522.利用离散傅里叶变换矩阵将所述sylvester张量方程转换为变换域下的背景张量更新模型：
；（16）
其中，为背景张量/>傅里叶变换域中的第/>正面切片，/>和/>是离散傅里叶变换矩阵，/>为/>的共轭矩阵，/>为/>的共轭矩阵；
，/>表示对角操作，/>为共轭转置操作，/>为/>变量的傅里叶变换下的第i个切片，/>为/>变量的傅里叶变换下的第i个正面切片，/>和/>分别为/>和/>的奇异值对角矩阵；
通过对式（16）进行逆傅里叶变换，即，得到第t+1次迭代的背景张量/>。
本实施例改进的交替方向乘子法高效求解优化模型，在求解背景张量时，本实施例将Sylvester方程从矩阵推广至张量形式，以加快交替方向乘子法求解速度。
S53.利用更新后的背景张量依次更新第二辅助张量变量、目标张量、目标张量的稀疏权重以及噪声张量；
第二辅助张量变量的更新过程为：
；（17）
其中，soft表示软阈值操作。
目标张量的更新过程为：
；（18）
目标张量的稀疏权重的更新过程为：
；（19）
噪声张量的更新过程为：
；（20）
利用更新后的背景张量、第二辅助张量变量、目标张量、目标张量的稀疏权重以及噪声张量，更新拉格朗日乘子变量和惩罚参数/>：
；（21）
其中，取最小值操作，/>为增长倍数，/>，/>，/>分别为/>，/>，/>最大值。
S54.计算更新后的目标张量、噪声张量、背景张量与时空张量之间的相对误差；
S55.当所述相对误差小于预设值时，得到目标张量：
当相对误差，/>为预设值，停止迭代。
在本发明的另一实施例中，还包括：当目标张量的非零个数不再变化或者到达最大迭代次数时，停止迭代。
本实施例中，停止迭代后所得到的参数取值为：
,/>，/>，/>，/>，其中/>取值为0.0001，/>，/>，/>，/>，/>。
最后，解构目标张量获得红外序列图像，即为最终的红外小目标检测结果图，请参阅图4。
实施例2：
如图5所示，本实施例提供了一种红外小目标检测装置，所述装置包括：
获取模块：用于获取连续帧的红外序列图像，将所述红外序列图像按时间序列依次堆叠形成时空张量，所述时空张量包括背景张量、目标张量及噪声张量；
第一计算模块：用于基于三方向对数张量核范数表征背景张量的低秩性；以及基于3D总变分约束背景张量的分段平滑结构信息；
第二计算模块：用于基于3D结构张量矩阵计算时空张量中的稀疏局部先验结构信息得到目标张量的稀疏权重；
模型构建模块：用于由背景张量的低秩性和分段平滑结构约束项、目标张量及其稀疏权重和噪声张量的Frobenius范数约束项构建低秩稀疏张量分解模型；
模型分解模块：用于利用交替方向乘子法求解所述低秩稀疏张量分解模型得到目标张量，解构所述目标张量得到红外小目标检测结果。
基于以上实施例，所述第一计算模块包括：
转置单元：用于将背景张量转置为三个不同方向的模；
第一计算单元：用于依次计算每个模的对数张量核范数；
求和单元：用于对三个模的对数张量核范数进行加权求和得到背景张量的低秩性。
基于以上实施例，所述第二计算模块包括：
第一获取单元：用于获取时空张量的空间结构张量矩阵，并确定所述空间结构张量矩阵中元素所在位置的奇异值；
归一化处理单元：用于利用所述奇异值计算得到稀疏局部先验结构信息，并对所述稀疏局部先验结构信息进行归一化处理；
第二计算单元：用于采用稀疏重加权策略加快算法计算目标张量的稀疏重加权因子；
第三计算单元：用于由目标张量的稀疏重加权因子和归一化处理后的稀疏局部先验结构信息计算得到目标张量的稀疏权重。
基于以上实施例，所述模型构建模块包括：
变换单元：用于在低秩稀疏张量分解模型中引入第一辅助张量变量和第二辅助张量变量后得到等价模型；
构造单元：用于构造所述等价模型的增广拉格朗日函数，所述增广拉格朗日函数中包括第一辅助张量变量、背景张量、第二辅助张量变量、目标张量、目标张量的稀疏权重以及噪声张量。
基于以上实施例，所述模型分解模块包括：
确定单元：用于确定背景张量、第二辅助张量变量、目标张量、目标张量的稀疏权重以及噪声张量的初始值，基于背景张量的对数张量核范数更新第一辅助张量变量；
代入单元：用于将所述第一辅助张量变量代入所述增广拉格朗日函数中更新背景张量；
更新单元：用于利用更新后的背景张量依次更新第二辅助张量变量、目标张量、目标张量的稀疏权重以及噪声张量；
第四计算单元：用于计算更新后的目标张量、噪声张量、背景张量与时空张量之间的相对误差；
判断单元：用于当所述相对误差小于预设值时，得到目标张量。
基于以上实施例，所述代入单元包括：
第一转换单元：用于将所述增广拉格朗日函数转换为sylvester张量方程；
第二转换单元：用于利用离散傅里叶变换矩阵将所述sylvester张量方程转换为变换域下的背景张量更新模型。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例，本实施例中还提供了一种红外小目标检测设备，下文描述的一种红外小目标检测设备与上文描述的一种红外小目标检测方法可相互对应参照。
图6是根据示例性实施例示出的一种红外小目标检测设备800的框图。如图6所示，该红外小目标检测设备800可以包括：处理器801，存储器802。该红外小目标检测设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该红外小目标检测设备800的整体操作，以完成上述的红外小目标检测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该红外小目标检测设备800的操作，这些数据例如可以包括用于在该红外小目标检测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该红外小目标检测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，红外小目标检测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的红外小目标检测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的红外小目标检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由红外小目标检测设备800的处理器801执行以完成上述的红外小目标检测方法。
实施例4:
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种红外小目标检测方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的红外小目标检测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种红外小目标检测方法，其特征在于，包括：
获取连续帧的红外序列图像，将所述红外序列图像按时间序列依次堆叠形成时空张量，所述时空张量包括背景张量、目标张量及噪声张量；
基于三方向对数张量核范数表征背景张量的低秩性，以及基于3D总变分约束背景张量的分段平滑结构信息，包括：
将背景张量转置为三个不同方向的模，所述三个方向分别为一个时间方向n3和两个不同的空间方向n1、n2；
依次计算每个模的对数张量核范数LogTNN；
对三个模的对数张量核范数进行加权求和得到背景张量的低秩性3DLogTNN：
式中，αk为三个方向对数张量核范数的系数，是/>快速傅里叶变换后的第i个正面切片，nk为/>正面切片维度大小，/>为切片/>的第j个奇异值，m为切片/>的奇异值非零个数，log(.)为张量奇异值阈值操作，阈值ε为常数；
所述背景张量的分段平滑结构约束项3DTV的计算方式为：
其中，||·||1为1范数，βk是总变分不同方向的平衡系数， 分别为模/>的差分张量；
基于3D结构张量矩阵计算时空张量中的稀疏局部先验结构信息得到目标张量的稀疏权重；
由背景张量的低秩性和分段平滑结构约束项、目标张量及其稀疏权重和噪声张量的Frobenius范数约束项构建低秩稀疏张量分解模型；
利用交替方向乘子法求解所述低秩稀疏张量分解模型得到目标张量，解构所述目标张量得到红外小目标检测结果。
2.根据权利要求1所述的红外小目标检测方法，其特征在于,基于3D结构张量矩阵计算时空张量中的稀疏局部先验结构信息得到目标张量的稀疏权重，包括：
获取时空张量的3D结构张量矩阵，并计算所述3D结构张量矩阵中元素所在位置的奇异值；
利用所述奇异值计算得到稀疏局部先验结构信息，并对所述稀疏局部先验结构信息进行归一化处理；
采用稀疏重加权策略加快算法计算目标张量的稀疏重加权因子；
由目标张量的稀疏重加权因子和归一化处理后的稀疏局部先验结构信息计算得到目标张量的稀疏权重。
3.根据权利要求1所述的红外小目标检测方法，其特征在于,利用交替方向乘子法求解所述低秩稀疏张量分解模型得到目标张量之前，包括：
在低秩稀疏张量分解模型中引入第一辅助张量变量和第二辅助张量变量后得到等价模型；
构造所述等价模型的增广拉格朗日函数，所述增广拉格朗日函数中包括第一辅助张量变量、背景张量、第二辅助张量变量、目标张量、目标张量的稀疏权重以及噪声张量。
4.根据权利要求3所述的红外小目标检测方法，其特征在于,利用改进的交替方向乘子法求解所述低秩稀疏张量分解模型得到目标张量，包括：
确定背景张量、第二辅助张量变量、目标张量、目标张量的稀疏权重以及噪声张量的初始值，基于背景张量的对数张量核范数更新第一辅助张量变量；
将所述第一辅助张量变量代入所述增广拉格朗日函数中更新背景张量；
利用更新后的背景张量依次更新第二辅助张量变量、目标张量、目标张量的稀疏权重以及噪声张量；
计算更新后的目标张量、噪声张量、背景张量与时空张量之间的相对误差；
当所述相对误差小于预设值时，得到目标张量。
5.一种红外小目标检测装置，其特征在于，包括：
获取模块：用于获取连续帧的红外序列图像，将所述红外序列图像按时间序列依次堆叠形成时空张量，所述时空张量包括背景张量、目标张量及噪声张量；
第一计算模块：用于基于三方向对数张量核范数表征背景张量的低秩性；以及基于3D总变分约束背景张量的分段平滑结构信息，包括：
将背景张量转置为三个不同方向的模，所述三个方向分别为一个时间方向n3和两个不同的空间方向n1、n2；
依次计算每个模的对数张量核范数LogTNN；
对三个模的对数张量核范数进行加权求和得到背景张量的低秩性3DLogTNN：
式中，αk为三个方向对数张量核范数的系数，是/>快速傅里叶变换后的第i个正面切片，nk为/>正面切片维度大小，/>为切片/>的第j个奇异值，m为切片/>的奇异值非零个数，log(.)为张量奇异值阈值操作，阈值ε为常数；
所述背景张量的分段平滑结构约束项3DTV的计算方式为：
其中，||·||1为1范数，βk是总变分不同方向的平衡系数， 分别为模的差分张量；
第二计算模块：用于基于3D结构张量矩阵计算时空张量中的稀疏局部先验结构信息得到目标张量的稀疏权重；
模型构建模块：用于由背景张量的低秩性和分段平滑结构约束项、目标张量及其稀疏权重和噪声张量的Frobenius范数约束项构建低秩稀疏张量分解模型；
模型分解模块：用于利用交替方向乘子法求解所述低秩稀疏张量分解模型得到目标张量，解构所述目标张量得到红外小目标检测结果。
6.根据权利要求5所述的红外小目标检测装置，其特征在于，所述第二计算模块包括：
第一获取单元：用于获取时空张量的空间结构张量矩阵，并确定所述空间结构张量矩阵中元素所在位置的奇异值；
归一化处理单元：用于利用所述奇异值计算得到稀疏局部先验结构信息，并对所述稀疏局部先验结构信息进行归一化处理；
第二计算单元：用于采用稀疏重加权策略加快算法计算目标张量的稀疏重加权因子；
第三计算单元：用于由目标张量的稀疏重加权因子和归一化处理后的稀疏局部先验结构信息计算得到目标张量的稀疏权重。
7.根据权利要求5所述的红外小目标检测装置，其特征在于，所述模型构建模块包括：
变换单元：用于在低秩稀疏张量分解模型中引入第一辅助张量变量和第二辅助张量变量后得到等价模型；
构造单元：用于构造所述等价模型的增广拉格朗日函数，所述增广拉格朗日函数中包括第一辅助张量变量、背景张量、第二辅助张量变量、目标张量、目标张量的稀疏权重以及噪声张量。
8.根据权利要求7所述的红外小目标检测装置，其特征在于，所述模型分解模块包括：
确定单元：用于确定背景张量、第二辅助张量变量、目标张量、目标张量的稀疏权重以及噪声张量的初始值，基于背景张量的对数张量核范数更新第一辅助张量变量；
代入单元：用于将所述第一辅助张量变量代入所述增广拉格朗日函数中更新背景张量；
更新单元：用于利用更新后的背景张量依次更新第二辅助张量变量、目标张量、目标张量的稀疏权重以及噪声张量；
第四计算单元：用于计算更新后的目标张量、噪声张量、背景张量与时空张量之间的相对误差；
判断单元：用于当所述相对误差小于预设值时，得到目标张量。
9.一种红外小目标检测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述红外小目标检测方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述红外小目标检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311685583.1A CN117392378B (zh) | 2023-12-11 | 2023-12-11 | 一种红外小目标检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311685583.1A CN117392378B (zh) | 2023-12-11 | 2023-12-11 | 一种红外小目标检测方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117392378A CN117392378A (zh) | 2024-01-12 |
| CN117392378B true CN117392378B (zh) | 2024-02-27 |
Family
ID=89465110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311685583.1A Active CN117392378B (zh) | 2023-12-11 | 2023-12-11 | 一种红外小目标检测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117392378B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103700146A (zh) * | 2013-12-01 | 2014-04-02 | 北京航空航天大学 | 一种基于各向异性结构张量的三维数据增强可视化方法 |
| 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 |
| CN110992342A (zh) * | 2019-12-05 | 2020-04-10 | 电子科技大学 | 基于3datv约束的spcp红外弱小目标检测方法 |
| CN113870130A (zh) * | 2021-09-16 | 2021-12-31 | 西安理工大学 | 基于三维全变分和Tucker分解的低秩张量补全方法 |
| CN114331976A (zh) * | 2021-12-14 | 2022-04-12 | 南京航空航天大学 | 一种基于多级张量先验约束的高光谱异常检测方法 |
| CN115690381A (zh) * | 2022-11-15 | 2023-02-03 | 浙江大学 | 一种基于非重叠块时空张量模型的热红外小目标检测方法 |
| CN116485834A (zh) * | 2023-05-11 | 2023-07-25 | 中国人民解放军火箭军工程大学 | 红外弱小目标检测方法、装置、设备和介质 |
| WO2023137813A1 (zh) * | 2022-01-21 | 2023-07-27 | 浙江大学 | 基于最优结构化虚拟域张量填充的超分辨互质面阵空间谱估计方法 |
| CN116630615A (zh) * | 2023-04-24 | 2023-08-22 | 中国科学院空天信息创新研究院 | 红外小目标检测方法、装置、电子设备及存储介质 |
| CN116883447A (zh) * | 2023-05-15 | 2023-10-13 | 电子科技大学 | 基于空时张量分解的红外图像目标与背景分离方法及系统 |
| CN117115653A (zh) * | 2023-09-06 | 2023-11-24 | 四川大学 | 高光谱图像异常检测方法、装置、设备及介质 |
-
2023
- 2023-12-11 CN CN202311685583.1A patent/CN117392378B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103700146A (zh) * | 2013-12-01 | 2014-04-02 | 北京航空航天大学 | 一种基于各向异性结构张量的三维数据增强可视化方法 |
| 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 |
| CN110992342A (zh) * | 2019-12-05 | 2020-04-10 | 电子科技大学 | 基于3datv约束的spcp红外弱小目标检测方法 |
| CN113870130A (zh) * | 2021-09-16 | 2021-12-31 | 西安理工大学 | 基于三维全变分和Tucker分解的低秩张量补全方法 |
| CN114331976A (zh) * | 2021-12-14 | 2022-04-12 | 南京航空航天大学 | 一种基于多级张量先验约束的高光谱异常检测方法 |
| WO2023137813A1 (zh) * | 2022-01-21 | 2023-07-27 | 浙江大学 | 基于最优结构化虚拟域张量填充的超分辨互质面阵空间谱估计方法 |
| CN115690381A (zh) * | 2022-11-15 | 2023-02-03 | 浙江大学 | 一种基于非重叠块时空张量模型的热红外小目标检测方法 |
| CN116630615A (zh) * | 2023-04-24 | 2023-08-22 | 中国科学院空天信息创新研究院 | 红外小目标检测方法、装置、电子设备及存储介质 |
| CN116485834A (zh) * | 2023-05-11 | 2023-07-25 | 中国人民解放军火箭军工程大学 | 红外弱小目标检测方法、装置、设备和介质 |
| CN116883447A (zh) * | 2023-05-15 | 2023-10-13 | 电子科技大学 | 基于空时张量分解的红外图像目标与背景分离方法及系统 |
| CN117115653A (zh) * | 2023-09-06 | 2023-11-24 | 四川大学 | 高光谱图像异常检测方法、装置、设备及介质 |
Non-Patent Citations (4)
| Title |
|---|
| Infrared Small and Moving Target Detection on Account of the Minimization of Non-Convex Spatial-Temporal Tensor Low-Rank Approximation under the Complex Background;Kun Wang等;《applied sciences》;20230116;第13卷;第1-19页 * |
| 基于张量鲁棒主成分分析的视网膜眼底图像序列变化检测;赵星等;《信息与控制》;20230131;第52卷(第1期);第115-128页 * |
| 基于时空张量的红外小目标检测方法研究;席春美;《中国优秀硕士学位论文全文数据库 信息科技辑》;20230215(第（2023）02期);I135-355 * |
| 复杂背景下红外弱小目标检测技术的研究;姚云萍;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130715(第（2013）07期);I135-55 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117392378A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816589B (zh) | 用于生成漫画风格转换模型的方法和装置 | |
| CN109035319B (zh) | 单目图像深度估计方法及装置、设备、程序及存储介质 | |
| He et al. | A fast adaptive parameter estimation for total variation image restoration | |
| CN112907552B (zh) | 图像处理模型的鲁棒性检测方法、设备及程序产品 | |
| US20230368493A1 (en) | Method and system of image hashing object detection for image processing | |
| CN114925748B (zh) | 模型训练及模态信息的预测方法、相关装置、设备、介质 | |
| WO2023005818A1 (zh) | 噪声图像生成方法、装置、电子设备及存储介质 | |
| CN108154153B (zh) | 场景分析方法和系统、电子设备 | |
| CN110060286A (zh) | 一种单目深度估计方法 | |
| CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
| US11983854B2 (en) | Denoising images rendered using Monte Carlo renderings | |
| Chen et al. | Two-pass bilateral smooth filtering for remote sensing imagery | |
| CN113837965B (zh) | 图像清晰度识别方法、装置、电子设备及存储介质 | |
| JP2017068577A (ja) | 演算装置、方法及びプログラム | |
| CN117392378B (zh) | 一种红外小目标检测方法、装置、设备及可读存储介质 | |
| Hamzah et al. | Improvement of stereo matching algorithm based on sum of gradient magnitude differences and semi‐global method with refinement step | |
| KR100848849B1 (ko) | 가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키는 방법 및 장치와, 가장 가까이 인접한 분류된 필터링을 통해 해상도를 향상시키기 위한 명령을 갖는 컴퓨터 판독가능 매체 | |
| CN113766117B (zh) | 一种视频去抖动方法和装置 | |
| Liu et al. | Non-local extension of total variation regularization for image restoration | |
| CN116310356B (zh) | 深度学习模型的训练方法、目标检测方法、装置及设备 | |
| US20190188833A1 (en) | A method, apparatus and computer program product for removing weather elements from images | |
| Fang et al. | A Nonlinear Gradient Domain‐Guided Filter Optimized by Fractional‐Order Gradient Descent with Momentum RBF Neural Network for Ship Image Dehazing | |
| CN115330579B (zh) | 模型水印的构建方法、装置、设备及存储介质 | |
| CN115205157B (zh) | 图像处理方法和系统、电子设备和存储介质 | |
| CN116385281A (zh) | 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法 |
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 |