[发明专利]基于多尺度稀疏字典的红外小弱目标检测方法

说明书

技术领域

本发明涉及一种基于多尺度字典的红外小弱目标检测方法，是图像处理技术领域的新方法，在光电成像搜索与跟踪系统、精确制导系统、目标监视系统、卫星遥感系统、安全检查系统等中均可有广泛的应用。

背景技术

红外成像技术因其良好的隐蔽性、较强的抗干扰性能、较远的作用距离和可昼夜工作等已广泛应用于红外精确制导、预警、搜索和跟踪等多种军事及民用领域。目标检测与跟踪作为上述领域中的一项重要技术，在现代防御系统中具有非常显著的地位。当作用距离远时，目标在成像上表现为只占据几个像素点的小弱目标，没有形状纹理等其他可用于检测的重要特征，并且通常都隐藏在各种杂波背景和强噪声中。红外小弱目标的检测是一项富有挑战性的课题。

图像多尺度理论在小弱目标检测研究活跃，主要体现在包括提出了各种基于小波理论的小弱目标检测方法，contourlet以及curvelet等各种非自适应多尺度几何变换检测小弱目标的方法。这些方法将图像经过多尺度几何变换，得到不同层的系数，分析高低频系数产生的图像内容通过阈值函数进行抑制背景提高信噪比。基于小波理论的小弱目标检测方法将低频系数对应为图像中缓慢变化的背景，抑制高频系数得到图像的背景，将原图像和背景相减得到去除背景，信噪比提高的目标图像。但小波方法对于处理二维信号本身有方向性限制的局限性，使得对于背景的纹理特征提取不完整，存在残留；而contourlet、curvelet变换主要是针对二维奇异性而产生的，具有很好的方向性和各向异性。对图像进行多尺度分解提取不同尺度的系数，通过阈值函数提取产生目标的系数，进而检测到小弱目标。

发明内容

本发明的目的在于克服上述小波变换难以处理二维信号，以及contourlet、curvelet变换对于背景抑制的不完整的缺点，提供一种基于图像内容的多尺度超完备稀疏字典的构造方法。该多尺度字典能够从整体到局部挖掘图像信息，并且比单尺度字典有更稀疏的表示。本发明将图像本身作为训练样本库，利用四叉树构造多尺度超完备稀疏字典；将子图像在多尺度稀疏字典下的稀疏分解系数采用指数函数进行拟合表示；最后根据噪声图像块和含有目标的图像块的联合稀疏系数与指数函数拟合存在差异来检测小弱目标。

为实现这一目的，本发明的技术方案将目标和背景噪声在多尺度稀疏字典下的稀疏系数统计直方图与指数函数拟合存在差异作为切入点。本发明采用以下技术方案：

一种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：

1） 采用四叉树构造原图像的多尺度超完备稀疏字典；

2） 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进行稀疏分解，提取其在子字典中的稀疏表示系数；

3） 将每个图像子块的多层稀疏分解系数级联起来形成联合稀疏系数，利用指数函数拟合联合的稀疏系数的统计直方图；

4） 当拟合参数大于阈值时确定该子图像存在目标，并根据联合稀疏系数具有和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。

附图说明

图1是实施例的测试图像1，包含小弱目标的深空图像；

图2是实施例的测试图像2，包含小弱目标的云层图像；

图3是实施例测试图像1的第一层子字典；

图4是实施例测试图像1的第二层子字典；

图5是实施例图像1中包含目标的图像块在多尺度字典下稀疏系数直方图与指数函数的拟合；

图6是实施例图像1中包含噪声的图像块在多尺度字典下稀疏系数直方图与指数函数的拟合；

图7是实施例图像1中背景的图像块在多尺度字典下稀疏系数直方图与指数函数的拟合；

图8是实施例图像1中目标处于图像块左上角位置的稀疏系数分布情况；

图9是实施例图像1中目标处于图像块左下角位置的稀疏系数分布情况；

图10是实施例图像1中目标处于图像块右上角位置的稀疏系数分布情况；

图11是实施例图像1中目标处于图像块右下角位置的稀疏系数分布情况；

图12是实施例图像1中噪声图像块的稀疏系数分布情况；

图13是实施例图像1中背景图像块的稀疏系数分布情况；

图14是实施例图像1的检测结果图；；

图15是实施例图像2的检测结果图。

具体实施方式

本实施方式是以本发明技术方案为前提进行实施，下面结合附图对本发明的具体实施方式做详细说明：