【技术实现步骤摘要】
本专利技术涉及图像处理领域，尤其涉及一种基于表示学习的红外小目标检测方法及装置。
技术介绍
1、红外弱小目标检测是自动导弹跟踪、埋地地雷检测、红外搜索与跟踪系统的重要组成部分。红外弱小目标通常表现为尺寸小、信杂低的特点，小目标受远距离成像和复杂环境干扰而缺乏纹理形状信息，并且容易被淹没在复杂场景中，因此，研究红外小目标检测具有巨大的研究价值和意义。
2、目前，红外小目标检测方法主要包括传统检测方法和基于深度学习的方法。基于深度学习的红外小目标检测算法包括cpnet,cbp-net,alcnet等，但是这些算法都需要大量的样本数据，以保证检测算法的有效性和鲁棒性，并且需要大量的计算资源，此外，深度学习的黑盒特性使得小目标检测的机理难以被推理和理解。
3、传统的热红外小目标检测方法主要分为基于背景估计滤波、基于局部特征表示、基于低秩稀疏分解和表示的方法。基于背景估计滤波的方法包括二维最小均方(tdlms)滤波、顶帽(top-hat)滤波、max-median/max-mean滤波等，然而，红外图像通常比较复杂，含有很多随机噪声和杂波，基于背景估计滤波的方法容易造成严重误检测。鉴于小目标相对于其周围的背景在视觉上更加显著，基于局部特征表示的方法被陆续提出来，包括局部对比度度量(lcm)方法及其变种算法，包括tllcm,mdwcm,wslcm,mdwcm等，根据目标和背景之间的对比度差异，设计局部对比度度量准则，抑制背景，增强目标显著性，但检测器的检测能力容易受到背景的影响。在红外图像中，背景呈现低秩的特性，目标
技术实现思路
1、针对现有技术中的不足，本专利技术的目的是提供一种基于表示学习的红外小目标检测方法及装置，有机结合了背景的低秩表示学习、目标的稀疏性和三维加权全变分正则化项，建立基于低秩稀疏表示学习的时空张量模型，可以更好地将原始红外图像分解为背景成分、目标成分和噪声成分。所提出的基于表示学习的红外小目标检测方法可以有效抑制背景、增强目标，提升热红外小目标的检测性能，实现红外小目标检测。
2、为实现上述目的，本专利技术提供了如下技术方案：
3、本专利技术一方面公开了基于表示学习的红外小目标检测方法，其特征在于，包括如下步骤：
4、步骤1)：对于原始热红外图像序列d，按照图像帧的顺序依次堆叠图像帧，实现从原始图像序列d到时空张量的转化；
5、步骤2)：考虑背景张量目标张量和噪声张量的特性，构造背景字典和系数张量对背景张量进行低秩表示，对目标张量进行稀疏估计，并搭建基于低秩稀疏张量表示学习的架构；
6、步骤3)：对系数张量进行全连接张量环分解得到系数张量因子集合其包含三个系数张量因子和利用所有系数张量因子的张量核范数的加权和，构建非凸低秩估计范数，即全连接张量核范数以度量系数张量的低秩性质，并建立低秩背景表示学习模型；
7、步骤4)：设计加权各向同性与异性的全变分正则化项，构建背景张量的三维时空加权全变分范数保护红外图像背景中不同区域的边缘结构，去除噪声，降低背景对目标检测的影响；
8、步骤5)：结合步骤3)、步骤4)以及稀疏度加权策略，在步骤2)的基于低秩稀疏张量表示学习的架构的基础上，建立基于低秩稀疏表示学习的时空张量模型；
9、步骤6)：求解基于低秩稀疏表示学习的时空张量模型，获得目标张量并重构红外目标检测结果图，得到小目标检测结果图序列t，实现热红外小目标检测。
10、本专利技术还公开了一种实施所述方法的基于表示学习的红外小目标检测装置，其包括：
11、时空张量构造模块，用于将原始红外图像序列构造为时空张量，为后续低秩稀疏表示学习奠定数据基础；
12、低秩稀疏张量表示学习框架搭建模块，利用背景张量的低秩特性和目标张量的稀疏特性，搭建基于低秩稀疏张量表示学习的架构；
13、低秩背景表示学习模块，用于对表示系数张量进行全连接张量环分解，构建非凸低秩估计范数以度量系数张量的低秩性质，并建立低秩背景表示学习模型来表征背景成分；
14、三维时空加权全变分范数模块，对于背景成分，设计加权各向同性与异性的全变分正则化项，保护红外图像背景中不同区域的边缘结构，去除噪声，降低背景成分对目标检测的影响；
15、基于低秩稀疏表示学习的时空张量模型构建模块，结合低秩背景表示学习模型、目标张量的稀疏估计、稀疏度加权策略和背景张量的三维时空加权全变分范数，建立基于低秩稀疏表示学习的时空张量模型；
16、表示学习模型求解模块，求解表示学习模型，获取目标张量；
17、目标检测结果输出模块，用于输出红外小目标检测结果图像序列。
18、本专利技术的有益效果在于：
19、1)本专利技术充分考虑了背景成分的时空维度特性，对背景进行低秩表示，对系数张量利用全连接张量环分解，提出一种新的非凸低秩估计范数，即全连接张量核范数，可以更加真实地度量低秩的系数张量，进而更准确地表示低秩背景，有利于分离目标和背景，降低背景成分对目标成分的影响。
20、2)本专利技术受到不同图像区域中的噪声对热红外小目标的影响的启发，从时空维度的角度提出了三维加权全变分正则化项，并将其作用于背景张量。该正则化项中的时空各向异性可以去除噪声并保留背景中的边缘信息，各向同性在去噪过程中可以在去除噪声的同时保留更多平坦区域的细节。由此，可以进一步降低背景成分和目标成分对小目标检测的影响，降低虚警率。
21、3)本专利技术结合了背景的低秩表示学习、目标的稀疏性和三维加权全变分正则化项，建立基于低秩稀疏表示学习的时空张量模型，可以更好地将原始红外图像分解为背景成分、目标成分和噪声成分，一定程度上可以缓解检测器的目标检测性能和背景抑制性能之间存在的矛盾。
本文档来自技高网...【技术保护点】
1.一种基于表示学习的红外小目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于表示学习的红外小目标检测方法，其特征在于，所述的步骤1)中从原始红外图像序列D中，每次获取I3张图像帧，每个图像帧按照图像帧的帧次序，依次堆叠，构造时空张量且的第i个正面切片为第i张完整的图像帧，I1和I2分别表示图像帧的长度和宽度，I3表示每次获取连续的图像帧的数量。
3.根据权利要求1所述的基于表示学习的红外小目标检测方法，其特征在于，所述的步骤2)具体为：
4.根据权利要求1所述的基于表示学习的红外小目标检测方法，其特征在于，所述的步骤3)具体为：
5.根据权利要求1所述的基于表示学习的红外小目标检测方法，其特征在于，所述的步骤4)具体为：
6.根据权利要求1所述的基于表示学习的红外小目标检测方法，其特征在于，所述的步骤5)具体为：
7.根据权利要求1所述的基于表示学习的红外小目标检测方法，其特征在于，所述的步骤6)具体为：
8.根据权利要求7所述的基于表示学习的红外小目标检测方法，其特征在于，
9.一种实施权利要求1所述方法的基于表示学习的红外小目标检测装置，其特征在于，包括：
...【技术特征摘要】
1.一种基于表示学习的红外小目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于表示学习的红外小目标检测方法，其特征在于，所述的步骤1)中从原始红外图像序列d中，每次获取i3张图像帧，每个图像帧按照图像帧的帧次序，依次堆叠，构造时空张量且的第i个正面切片为第i张完整的图像帧，i1和i2分别表示图像帧的长度和宽度，i3表示每次获取连续的图像帧的数量。
3.根据权利要求1所述的基于表示学习的红外小目标检测方法，其特征在于，所述的步骤2)具体为：
4.根据权利要求1所述的基于表示学习的红外小目标检测方法，其特征在于，所述的步骤3...
【专利技术属性】
技术研发人员：骆源，王晶，厉锐，
申请(专利权)人：杭州越达图谱科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。