[发明专利]基于结构信息的红外小目标图像的快速重构方法及系统

说明书

本发明适用于图像处理领域，提供了一种基于结构信息的红外小目标图像的快速重构方法，包括：获取红外小目标图像中的目标，根据目标确定尺寸先验信息；根据尺寸先验信息对所述红外小目标图像进行采样，得到若干子图像；对每一子图像进行行堆叠，得到堆叠矩阵，堆叠矩阵满足多测量向量模型；对每一子图像进行压缩测量，得到包括堆叠矩阵的压缩观测矩阵；采用块稀疏贝叶斯学习方法对压缩观测矩阵进行重构，得到重构后的红外小目标图像。本发明实施例根据红外小目标图像的成像特点，结合块稀疏贝叶斯压缩感知方法进行图像重构，能够精确地重构单帧目标图像，使还原后的图像具有较高平均峰值信噪比，同时降低了重构过程的计算量，提高了算法运行速度。

技术领域

本发明属于图像处理领域，尤其涉及一种基于结构信息的红外小目标图像的快速重构方法及系统。

背景技术

红外小目标图像在军事上和民用上应用非常重要且广泛。诸多目标，如无人机、各种通用飞行器等，在红外探测器形成的图像中均表现为小目标或弱小目标。基于互联网的红外图像的应用更是许多领域的核心技术。随着红外技术在各领域的应用越来越广泛，如何实现红外图像在互联网系统有限的带宽下的可靠传输，成为当前红外技术在网络应用中存在的瓶颈问题。

传统的数据压缩技术基于奈奎斯特采样定理，在编码端复杂度较高，解码端复杂度较低，对于无线传感器网络或其他系统来说，这通常与系统的硬件配置相悖。以无线传感器网络为例，传感器节点本身是廉价且节能的设备，却要完成数据的采集和压缩这类复杂的计算任务；在解码端通常是大型高效的处理设备，却仅需完成相对简单的计算任务。在野外作业或者军事作业的场合，这一矛盾更加尖锐，成为无线传感器网络中难以克服的关键问题。而数据率的不断提高，也对奈奎斯特定律提出了更高的要求，从而使得硬件上的设计更为困难。

压缩感知(CS，compressive sensing)方法为这一问题提供了解决方案。压缩感知有别于传统信号采样理论，是一种直接用来对信号中有效信息进行采样压缩的理论框架。针对稀疏图像信号，ZL Zhang等学者对信号中的块状结构信息进行研究和挖掘，形成了块稀疏贝叶斯学习(Block Sparse Bayesian Learning,BSBL)方法理论，该理论针对信号的块内相关性而提出，是一种有效的图像压缩感知方法，已得到众多学者的关注。

但是现有技术单纯地使用压缩感知和块稀疏贝叶斯学习方法进行图像的重构，导致出现重构得到的图像精度低，重构时间慢的问题。

发明内容

本发明所要解决的技术问题在于提供一种基于结构信息的红外小目标图像的快速重构方法及系统，旨在解决现有技术单纯地使用压缩感知和块稀疏贝叶斯学习方法进行图像的重构，导致出现重构得到的图像精度低，重构时间慢的问题。

本发明是这样实现的，一种基于结构信息的红外小目标图像的快速重构方法，包括：

步骤A，获取红外小目标图像中的目标，根据所述目标确定尺寸先验信息；

步骤B，根据所述尺寸先验信息对所述红外小目标图像进行采样，得到若干子图像；

步骤C，对每一所述子图像进行行堆叠，得到堆叠矩阵，所述堆叠矩阵满足多测量向量模型；

步骤D，对每一所述子图像进行压缩测量，得到包括所述堆叠矩阵的压缩观测矩阵；

步骤E，采用块稀疏贝叶斯学习方法对所述压缩观测矩阵进行重构，得到重构后的红外小目标图像。

进一步地，所述红外小目标图像以X表示，X_i,j表示所述红外小目标图像第i行第j列的元素，所述目标的尺寸为L×L，M可被L整除，即M＝L×S，所述步骤B具体包括：

分别从X的第l行开始对X进行下L行采样，得到L个子图像其中：

进一步地，所述步骤C具体包括：