[发明专利]基于多尺度稀疏字典的红外小弱目标检测方法

权利要求书

1.基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于，所述检测方法包括如下步骤：

构造原图像的四叉树多尺度超完备稀疏字典；

将原图像划分为不同尺度大小的子图像，分别对每个子图像在其相应的多尺度子字典中稀疏分解，提取其在子字典中的表示系数；

将每个子图像的多层稀疏分解系数级联起来形成联合稀疏系数，利用指数分布拟合联合的稀疏系数；

拟合后如果指数分布的参数大于阈值确定该子图像存在目标，并根据联合稀疏系数具有与四叉树一样的方位性这一特征，最终确定目标所在的具体位置。

2.根据权利要求1所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于，所述构造原图像的四叉树模型多尺度超完备稀疏字典，是指构造的稀疏字典具有四叉树一样的分层结构，即多尺度稀疏字典                                                是由所有位于四叉树不同层不同尺度的稀疏子字典级联而成，

其中：表示多尺度稀疏字典中位于层包含个原子的大小为的一个子字典，表示沿四叉树分解的深度，每一层子字典分别位于个不同的位置。

3.根据权利要求1所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于：所述求取子图像的多尺度稀疏系数，

其中：表示原图像中左上角像素点坐标为的图像子块，表示子图像块在多尺度稀疏字典下的分解系数，是图像子块的大小，，是噪声标准差。

4.根据权利要求1所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于，所述用指数分布拟合联合的稀疏系数，指数分布的概率密度函数为，

将指数分布拟合多尺度稀疏字典的联合稀疏系数，得到拟合后的指数分布的参数，，和。

5.根据权利要求1所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于，所述阈值判定拟合参数，将稀疏系数分为包含目标和噪声的系数、只有噪声背景的系数两类，设表示为目标和噪声系数的假设，表示为背景系数的假设，根据系数分布特性，

                                                                                                          

对系数为图像块中只包含目标和噪声的系数时，有如下假设检验：，为归一化常数，为根据指数分布参数，利用双峰法确定的阈值。

6.根据权利要求2所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于，所述的多尺度稀疏字典的构造分为稀疏编码和字典更新两个步骤。

7.根据权利要求6所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于，所述的稀疏编码是指，固定多尺度字典，用正交匹配跟踪算法OMP(Orthogonal Matching Pursuit)算法求解每个训练样本的稀疏系数：

。

8.根据权利要求6所述的基于多尺度稀疏字典的红外小弱目标检测方法，其特征在于，所述的稀疏字典更新是按顺序更新多尺度字典中的每一层子字典中的原子，求解训练样本库中与该原子相关的训练样本在去除其它多尺度原子的贡献后的剩余误差，并用奇异值分解法SVD（Singular Value Decomposition）更新和相应的位于位置上的稀疏系数：

得到一组最优逼近，即为求得更新后的和稀疏编码系数，迭代多次直至字典收敛，即得到更新后的多尺度字典。