基于混合高斯稀疏表示的红外小目标检测方法
【专利摘要】本发明提出了一种基于混合高斯稀疏表示的红外小目标检测方法。包括以下步骤：采用K聚类奇异值分解法K_SVD自适应构建图像的超完备形态字典；基于目标信号常服从高斯分布的特点，采用高斯超完备字典将自适应超完备形态字典的原子分为表示目标形态的目标原子和表示背景噪声成分的背景原子，形成具有目标形态字典和背景形态字典的自适应混合高斯超完备字典；将原图像块在混合高斯超完备字典中进行稀疏表示，提取图像信号的稀疏表示系数；当稀疏表示系数的稀疏度大于阈值则图像块含有目标，否则为背景。本发明能有效克服高斯稀疏字典难以适应非高斯分布的目标形态和难以从高斯原子稀疏表示系数区分是否含有目标的缺陷，提高了小弱目标的检测性能。
【专利说明】基于混合高斯稀疏表示的红外小目标检测方法
【技术领域】
[0001]本发明属于深空飞行器测控领域，具体涉及探测红外弱小运动目标检测，是红外成像搜索与跟踪系统、目标监视系统、卫星遥感系统、安全检查系统等的一项核心技术，在各类军、民用系统中均可有广泛的应用。
【背景技术】
[0002]在各种成像探测跟踪系统中，要求能够尽快地截获并锁定跟踪目标。当探测器与目标之间的距离较远时，目标在成像上表现为只占若干个像素的小目标，并且易于淹没在各种杂波背景和强噪声中，这给目标检测与跟踪带来了很大难度。
[0003]当前，基于单帧的红外小目标检测算法可分为基于图像滤波的检测算法和基于学习的检测算法两类。基于图像滤波的检测算法首先白化图像信号，接着采用阈值处理得到目标位置，如Top-Hat、TDLMS和小波变换等。基于学习的检测算法则是将目标检测问题转化为模式分类问题，它对目标模型和背景模型进行训练，并根据规则判定图像是否含有目标，如主成份分析法(Principal Component Analysis, PCA)及其演变出的一系列算法,稀疏理论检测算法等。这类算法通过构建高斯小弱目标样本集提取小弱目标特征得到检测结果，常用的样本集包括高斯字典，Gabor字典，离散Gabor感知多成分字典等。高斯样本和具有高斯模型的稀疏字典适合于高斯分布的小弱目标，而小弱目标形态动态变化，高斯模型难以适应非高斯分布等非结构形态，适应性和检测能力有待进一步加强。
【发明内容】
[0004]针对高斯字典和自适应形态字典在表示和提取目标信号的不足，本发明以目标与背景信号在图像中呈现出不同的形态差异为出发点，提出了一种基于混合高斯稀疏表示的红外小目标检测方法。本发明采用以下技术方案解决上述技术问题。
[0005]本发明提出了一种基于混合高斯稀疏表示的红外小目标检测方，涉及测控【技术领域】。本发明采用K聚类奇异值分解法K_SVD自适应构建图像的超完备形态字典；基于目标信号常服从高斯分布的特点，采用高斯超完备字典将自适应超完备形态字典的原子分为表示目标形态的目标原子和表示背景噪声成分的背景原子，进而形成具有目标形态字典和背景形态字典的混合高斯超完备字典；将原图像块在混合高斯超完备字典中进行稀疏分解或稀疏表示，提取图像信号在混合高斯超完备字典的稀疏表示系数；采用稀疏度度量图像块在目标形态字典分解的稀疏程度，将稀疏度进行阈值处理，大于阈值则图像块含有目标，否则为背景。
[0006]所述高斯超完备字典是以高斯函数为模型，扩展高斯函数
【权利要求】
1.一种基于混合高斯稀疏表示的红外小目标检测方法，其特征在于，所述探测方法包括步骤: 1)基于目标信号常服从高斯分布的特点，构建高斯超完备字典； 2)采用K聚类奇异值分解法K_SVD构建图像的自适应超完备形态字典； 3)采用高斯超完备字典将自适应超完备形态字典的原子分为表示目标形态的目标原子和表示背景噪声成分的背景原子，进而形成目标形态字典和背景形态字典，即混合高斯稀疏超完备子典； 4)将原图像块在混合高斯稀疏超完备字典进行稀疏分解或稀疏表示，提取图像信号在混合闻斯稀疏超完备字典的稀疏表不系数； 5)采用稀疏度度量图像块在目标形态字典分解的稀疏程度，将稀疏度进行阈值处理，大于阈值则图像块含有目标，否则为背景。
2.根据权利要求1所述的基于混合高斯稀疏表示的红外小目标检测方法，其特征在于，所述形态分类字典重构图像信号f=Db a +Dt β，其中Db，Dt分别表示能稀疏分解目标成份和背景成份的超完备子字典，即目标字典和背景字典，
3.根据权利要求1所述的混合高斯稀疏表示的红外小目标检测方法，其特征在于，高斯超完备字典描述为高斯模型
4.根据权利要求1所述的基于混合高斯稀疏表示的红外小目标检测方法，其特征在于，所述K聚类奇异值分解法(K_SVD)随机选取图像块为训练样本，训练出超完备自适应形态成分字典。
5.根据权利要求4所述的基于混合高斯稀疏表示的红外小目标检测方法，其特征在于，所述K_SVD训练超完备自适应形态成分字典包括步骤: 1)稀疏编码:首先给定一个初始字典D，采用追踪算法计算图像的稀疏系数，即求解
6.根据权利要求1所述的基于混合高斯稀疏表示的红外小目标检测方法，其特征在于，所述超完备自适应形态成分字典的分类过程包括如下步骤:1)求解超完备自适应形态成分字典的原子dk在高斯字典Dgaussian的稀疏表示系数a，即
7.根据权利要求1所述的基于混合高斯稀疏表示的红外小目标检测方法，其特征在于，将原图像块在混合高斯目标形态字典D=[Db DJ进行稀疏分解或稀疏表示，提取图像信号在混合高斯目标形态字典的稀疏表示系数Y，通过迭代的贪婪算法(匹配追踪算法)求解它在一定容许误差。内的逼近解f，即f=argmin|Y|Q st || f||2 s。
8.根据权利要求1所述的基于混合高斯稀疏表示的红外小目标检测方法，其特征在于，本发明米用稀疏度程度指标(Sparse Index, SI)定量描述信号在目标字典Dt的表不系数β的稀疏程度
9.根据权利要求1所述的基于混合高斯稀疏表示的红外小目标检测方法，其特征在于，提取每个图像子块的稀疏程度指标SI(β )进行阈值处理，大于阈值则图像块含有目标，否则为背景。
【文档编号】G06K9/62GK103440502SQ201310403862
【公开日】2013年12月11日 申请日期:2013年9月6日 优先权日:2013年9月6日
【发明者】李正周, 陈静, 王会改, 侯静, 沈美容, 黄扬帆, 刘书君 申请人:重庆大学