專利名稱：基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種圖像處理技術(shù)領(lǐng)域的方法，具體是一種基于超完備稀疏表示 的紅外小目標(biāo)檢測(cè)方法。
背景技術(shù)：
隨著紅外探測(cè)技術(shù)和紅外傳感器件的快速發(fā)展，該技術(shù)在紅外天文觀測(cè)、紅外遙 感、紅外安全檢測(cè)、以及紅外醫(yī)療成像等領(lǐng)域的應(yīng)用迅速擴(kuò)展。從上個(gè)世紀(jì)九十年代起，紅 外成像技術(shù)就被用來輔助各種環(huán)境下的搜救工作，紅外成像利用的是目標(biāo)的輻射能量，因 其具有穿透煙霧、云層、雨雪等的能力，抗干擾能力強(qiáng)，可夜間工作，所以目前在交通和安全 領(lǐng)域，紅外弱小目標(biāo)的檢測(cè)和跟蹤技術(shù)受到了越來越多的關(guān)注。然而，由于紅外傳感器受到 大氣，海面輻射和作用距離以及探測(cè)器噪聲等因素影響，使得遠(yuǎn)距離的目標(biāo)在紅外圖像上 尺寸較小，甚至呈現(xiàn)點(diǎn)狀，沒有明顯的紋理和結(jié)構(gòu)特征。此外，圖像的信噪比較低，加上背景 通常情況下比較復(fù)雜，目標(biāo)很容易被噪聲和背景雜波所淹沒，使得紅外小目標(biāo)的檢測(cè)變得 更加困難。目前基于單幀的紅外小目標(biāo)檢測(cè)方法主要分為兩類基于圖像濾波的檢測(cè)方法和 基于機(jī)器學(xué)習(xí)的檢測(cè)方法?；趫D像濾波的檢測(cè)方法的基本思想是首先對(duì)紅外圖像的背 景起伏分量進(jìn)行估計(jì)，即背景估計(jì)，然后將原始圖像與背景起伏分量相減，以得到包含目標(biāo) 成分和噪聲成分的圖像，接著通過閾值處理或其他方法得到目標(biāo)的位置。具體方法包括二 維最小均方濾波、空域高通濾波、空域匹配濾波、中值濾波、形態(tài)學(xué)濾波、非線性濾波、以及 基于小波變換的濾波等。這些方法相互間的區(qū)別僅在于背景估計(jì)部分所采用方法的不同， 因此它們又被稱為基于背景估計(jì)的檢測(cè)方法?；跈C(jī)器學(xué)習(xí)的目標(biāo)檢測(cè)方法將目標(biāo)檢測(cè)問 題轉(zhuǎn)化為模式分類問題，該類方法不需要對(duì)紅外圖像進(jìn)行預(yù)處理，其基本思想是首先根據(jù) 紅外目標(biāo)特性構(gòu)造目標(biāo)樣本庫(kù)和背景樣本庫(kù)，接著通過具體的學(xué)習(xí)方法對(duì)目標(biāo)模型和背景 模型進(jìn)行訓(xùn)練，最后利用得到的目標(biāo)模型和背景模型對(duì)輸入的測(cè)試圖像進(jìn)行分類判別，即 分塊提取輸入圖像的子圖像，然后根據(jù)判別規(guī)則直接判別該子圖像塊為背景圖像還是含有 目標(biāo)的圖像。隨著機(jī)器學(xué)習(xí)和模式識(shí)別技術(shù)的快速發(fā)展，該類方法越來越受到人們的關(guān)注 和重視。經(jīng)對(duì)現(xiàn)有文獻(xiàn)檢索發(fā)現(xiàn)，劉瑞明在2009年用PCA (主成分分析)和KPCA (核主成分 分析)來檢測(cè)紅夕卜小目標(biāo)(Ruiming Liu. "Eigentargets Versus Kernel Eigentargets Detection ofInfrared Point Targets Using Linear and Nonlinear Subspace Algorithms (特征目標(biāo)和核特征目標(biāo)基于線性和非線性子空間的紅外點(diǎn)目標(biāo)檢測(cè)方 法)”，Infrared Milli Terahz Waves30 :278_293.)，該方法通過對(duì)大量的樣本進(jìn)行訓(xùn)練， 利用最終得到的目標(biāo)模型，將目標(biāo)檢測(cè)問題轉(zhuǎn)化為模式分類問題，但對(duì)目標(biāo)模型的學(xué)習(xí)過 程使得該方法變得十分復(fù)雜，實(shí)用性不強(qiáng)。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)的上述不足，提供一種基于超完備稀疏表示的紅 外小目標(biāo)檢測(cè)方法。本發(fā)明通過二維高斯模型來生成紅外小目標(biāo)樣本，繼而構(gòu)造紅外目標(biāo) 的超完備字典，采用基追蹤方法來求解子圖像塊在超完備字典中的表示系數(shù)，最終根據(jù)目 標(biāo)和背景的表示系數(shù)的稀疏程度顯著不同來完成目標(biāo)檢測(cè)的任務(wù)，該方法不需要對(duì)目標(biāo)模 型進(jìn)行訓(xùn)練，不需要任何背景先驗(yàn)知識(shí)，具有更強(qiáng)的通用性和實(shí)用性。本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明包括以下步驟第一步，采用二維高斯模型生成W個(gè)紅外目標(biāo)樣本圖像，進(jìn)而構(gòu)造紅外目標(biāo)超完 備字典。所述的二維高斯模型是以mXm圖像左上角的像素點(diǎn)為原點(diǎn)建立坐標(biāo)系，得到坐 標(biāo)為(i，j)的像素點(diǎn)的像素值I (i，j)為 其中Imax是(X。，y0)處的像素值，O χ為水平散布參數(shù)，σ y為垂直散布參數(shù)，(X。， Y0)為目標(biāo)的坐標(biāo)，所述的構(gòu)造紅外超完備字典，包括以下步驟1)設(shè)定目標(biāo)的坐標(biāo)個(gè)數(shù)為k，通過調(diào)節(jié)Imax、Ox和％三個(gè)參數(shù)生成的樣本個(gè)數(shù)是 q，則得到的紅外目標(biāo)樣本圖像的個(gè)數(shù)為W = kXq ；2)分別將每個(gè)mXm圖像展開為m2 X 1的一維列向量，W個(gè)m2 X 1的一維列向量組 成的矩陣就是紅外目標(biāo)的超完備字典。第二步，將測(cè)試圖像劃分為若干mXm的子圖像，分別對(duì)每個(gè)子圖像進(jìn)行提取表示 系數(shù)處理，得到每個(gè)子圖像在紅外目標(biāo)樣本圖像的超完備字典下的表示系數(shù)。所述的提取表示系數(shù)處理，是min || α || j s. t. || D α -χ || 2 ^ ε ,其中^eiT2是子圖像的向量表示,DeiT2xw^超完備字典，α e Rw是子圖像χ在 超完備字典中的表示系數(shù)，s. t.表示約束關(guān)系，ε是誤差，min Il1是I1范數(shù)最小化。第三步，對(duì)表示系數(shù)進(jìn)行指標(biāo)化處理，得到每個(gè)子圖像的稀疏系數(shù)。所述的指標(biāo)化處理，是 其中SI(x)是向量為χ的子圖像的稀疏系數(shù)，k為設(shè)定的目標(biāo)坐標(biāo)的個(gè)數(shù)，Cii(X) 表示在設(shè)定的第i個(gè)目標(biāo)坐標(biāo)下得到的向量為X的子圖像的表示系數(shù)，1 < i ^ k。第四步，當(dāng)子圖像的稀疏系數(shù)大于閾值τ時(shí)，則該子圖像內(nèi)存在目標(biāo)，從而得到 目標(biāo)的位置。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是不需要對(duì)目標(biāo)模型和背景模型進(jìn)行訓(xùn)練，只 需解相關(guān)的線性規(guī)劃問題，實(shí)現(xiàn)起來更加簡(jiǎn)單；利用二維高斯模型來生成目標(biāo)樣本，繼而構(gòu)造 超完備目標(biāo)字典，能夠更加有效地抓住目標(biāo)的內(nèi)在幾何特征，即圖像子塊在該字典下的表示系 數(shù)具有更加顯著的差異性，因此，本方法能夠更好的抑制背景，突出目標(biāo)，得到更高的檢測(cè)率。


圖1是實(shí)施例的測(cè)試圖像及其三維顯示結(jié)果；其中(a)是實(shí)施例的測(cè)試圖像；(b)是實(shí)施例的測(cè)試圖像的三維顯示結(jié)果。圖2是實(shí)施例中子圖像在超完備字典中的表示系數(shù)；其中(a)是不含噪聲的目標(biāo)樣本在超完備字典中的表示系數(shù)；(b)是圖1(a)中 目標(biāo)4所在的子圖像在超完備字典中的表示系數(shù)；(c)是背景子圖像在超完備字典中的表 示系數(shù)。圖3是采用現(xiàn)有技術(shù)方法和本實(shí)施例方法得到的檢測(cè)結(jié)果圖及其三維顯示圖；其中(al)是采用最大均值濾波器得到的檢測(cè)結(jié)果圖；(a2)是圖(al)的三維顯 示圖；(bl)是采用最大中值濾波器得到的檢測(cè)結(jié)果圖；(b2)是圖(bl)的三維顯示圖；(cl) 是采用Top-Hat濾波器得到的檢測(cè)結(jié)果圖；(c2)是圖(cl)的三維顯示圖；(dl)是采用二維 最小均方濾波器得到的檢測(cè)結(jié)果圖；(d2)是圖(dl)的三維顯示圖；(el)是采用主成分分 析方法得到的檢測(cè)結(jié)果圖；(e2)是圖(el)的三維顯示圖；(fl)是采用本實(shí)施例方法得到 的檢測(cè)結(jié)果圖；(f2)是圖(fl)的三維顯示圖。圖4是實(shí)施例中不同的虛警概率下采用不同的檢測(cè)方法得到的ROC (Receiver operatingcharacteristic，觀察者操作特性)曲線示意圖。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施例作詳細(xì)說明本實(shí)施例在以本發(fā)明技術(shù)方案為前 提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下 述的實(shí)施例。實(shí)施例本實(shí)施例對(duì)圖1(a)所示的含有10個(gè)小目標(biāo)的測(cè)試圖像進(jìn)行檢測(cè)，圖1(b)為圖 1(a)所示的測(cè)試圖像的三維顯示結(jié)果，包括以下步驟第一步，采用二維高斯模型生成1476個(gè)紅外目標(biāo)樣本圖像，進(jìn)而構(gòu)造紅外目標(biāo)超 完備字典。所述的二維高斯模型是以16X16圖像左上角的像素點(diǎn)為原點(diǎn)建立坐標(biāo)系，得到 坐標(biāo)為(i，j)的像素點(diǎn)的像素值I (i，j)為 其中Imax是(Χ。，y0)處的像素值，σ χ為水平散布參數(shù)，σ y為垂直散布參數(shù)，(X。， Y0)為目標(biāo)的坐標(biāo)，所述的構(gòu)造紅外超完備字典，包括以下步驟1)設(shè)定目標(biāo)的坐標(biāo)個(gè)數(shù)為36，通過調(diào)節(jié)Imax、0；￡和％三個(gè)參數(shù)生成的樣本個(gè)數(shù) 是41，則紅外目標(biāo)樣本圖像的個(gè)數(shù)為W= 36X41 = 1476 ；2)分別將每個(gè)16 X 16圖像展開為256 X 1的一維列向量，1476個(gè)256 X 1的一維 列向量組成的256X1476維矩陣就是紅外目標(biāo)的超完備字典。第二步，采用一個(gè)16X16的正方形滑動(dòng)窗口，依照從上至下、從左至右的順序逐 像素地提取測(cè)試圖像的子圖像塊，并將每個(gè)子圖像塊展開成256維的列向量，分別對(duì)每個(gè)子圖像進(jìn)行提取表示系數(shù)處理，得到每個(gè)子圖像在紅外目標(biāo)樣本圖像的超完備字典下的表 示系數(shù)。圖像塊在超完備字典中的表示系數(shù)可以通過以下優(yōu)化問題來求解min Il α || 0 s. t. χ = D α(1)其中Χ是輸入的子圖像塊的向量表示，D是紅外小目標(biāo)超完備字典，α為圖像塊 χ在超完備字典中的表示系數(shù)。由于字典是超完備的，所以α非唯一，壓縮傳感理論表明
當(dāng)W, 時(shí)，χ在字典D中的稀疏表示α GRn就是唯一的，σ為D列向量線性無關(guān)的最
小值。公式⑴是一個(gè)NP問題，可用I1范數(shù)來替代Itl范數(shù)，這樣就將公式⑴從一個(gè)非凸 問題轉(zhuǎn)變成了凸優(yōu)化問題min Il α || 丄 s. t. χ = D α(2)在紅外小目標(biāo)檢測(cè)問題中，輸入的測(cè)試圖像通常會(huì)含有噪聲和雜波，因此，為了消 除噪聲的干擾，得到更加穩(wěn)定的解，本實(shí)施例所述的提取表示系數(shù)處理，是min Il α || j s. t. || D α -χ || 2 ^ ε ,其中X e R256是子圖像的向量表示，D e R256xi476是超完備字典，α e R1476是子 圖像X在超完備字典中的表示系數(shù)，S. t.表示約束關(guān)系，ε是誤差，min Il Il工是I1范數(shù)最 小化。本實(shí)施例中的ε是子圖像塊的標(biāo)準(zhǔn)差。第三步，對(duì)表示系數(shù)進(jìn)行指標(biāo)化處理，得到每個(gè)子圖像的稀疏系數(shù)。所述的指標(biāo)化處理，是 其中SI(x)是向量為χ的子圖像的稀疏系數(shù)，k為設(shè)定的目標(biāo)坐標(biāo)的個(gè)數(shù)(k =36)，Qi(X)表示在設(shè)定的第i個(gè)目標(biāo)坐標(biāo)下得到的向量為χ的子圖像的表示系數(shù)，
1 ^ i ^ 36 ο第四步，當(dāng)子圖像的稀疏系數(shù)大于閾值τ時(shí)，則該子圖像內(nèi)存在目標(biāo)，從而得到 目標(biāo)的位置。所述的閾值τ e (0，1)。圖2是不同子圖像在超完備字典中的表示系數(shù)，其中圖2(a)是不含噪聲的目標(biāo) 樣本在超完備字典中的表示系數(shù)，圖2(b)是圖1(a)中目標(biāo)4所在的子圖像在超完備字典 中的表示系數(shù)，圖2(c)是背景子圖像在超完備字典中的表示系數(shù)。圖2說明子圖像是否包 含目標(biāo)，包含目標(biāo)和不包含目標(biāo)在超完備字典中的表示系數(shù)有著顯著的差異，據(jù)此可以輕 易的將目標(biāo)和背景區(qū)分開來。采用Max-Mean (最大均值濾波器)得到的檢測(cè)結(jié)果圖如圖3 (al)所示，三維顯示 圖如圖3(a2)所示；采用Max-Median (最大中值濾波器)得到的檢測(cè)結(jié)果圖如圖3 (bl)所 示，三維顯示圖如圖3 (b2)所示；采用Top-Hat濾波器得到的檢測(cè)結(jié)果圖如圖3 (cl)所示， 三維顯示圖如圖3(c2)所示；采用TDLMS(二維最小均方濾波器)得到的檢測(cè)結(jié)果圖如圖 3(dl)所示，三維顯示圖如圖3(d2)所示；采用PCA(主成分分析方法)得到的檢測(cè)結(jié)果圖 如圖3(el)所示，三維顯示圖如圖3(e2)所示；采用本實(shí)施例方法得到的檢測(cè)結(jié)果圖如圖3(fl)所示，三維顯示圖如圖3(f2)所示。比較上述圖像可知本實(shí)施例方法能更好的抑制 背景，突出目標(biāo)，得到更高的檢測(cè)率。圖4給出了在不同的虛警概率下采用不同的檢測(cè)方法得到的檢測(cè)概率，即 ROC (Receiveroperating characteristic，觀察者操作特性)曲線，當(dāng)曲線以下包含的面積 越大，則證明性能越好，通過觀察圖4可知本實(shí)施例方法得到的曲線最接近左上角，曲線 以下面積最大。采用不同檢測(cè)方法得到的信噪比如表1所示，由該表可知本實(shí)施例方法得到的 數(shù)值最大，故再次證明其檢測(cè)效果最好。表 權(quán)利要求
一種基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法，其特征在于，包括以下步驟第一步，采用二維高斯模型生成W個(gè)紅外目標(biāo)樣本圖像，進(jìn)而構(gòu)造紅外目標(biāo)超完備字典；第二步，將測(cè)試圖像劃分為若干m×m的子圖像，分別對(duì)每個(gè)子圖像進(jìn)行提取表示系數(shù)處理，得到每個(gè)子圖像在紅外目標(biāo)樣本圖像的超完備字典下的表示系數(shù)；第三步，對(duì)表示系數(shù)進(jìn)行指標(biāo)化處理，得到每個(gè)子圖像的稀疏系數(shù)；第四步，當(dāng)子圖像的稀疏系數(shù)大于閾值τ時(shí)，則該子圖像內(nèi)存在目標(biāo)，從而得到目標(biāo)的位置。
2.根據(jù)權(quán)利要求1所述的基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法，其特征是，第 一步中所述的二維高斯模型是以mXm圖像左上角的像素點(diǎn)為原點(diǎn)建立坐標(biāo)系，得到坐標(biāo) 為(i，j)的像素點(diǎn)的像素值I (i，j)為 其中是(x。，y。)處的像素值，ο x為水平散布參數(shù)，O y為垂直散布參數(shù)，(x。，y。)為 目標(biāo)的坐標(biāo)。
3.根據(jù)權(quán)利要求1所述的基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法，其特征是，第 一步中所述的構(gòu)造紅外超完備字典，包括以下步驟1)設(shè)定目標(biāo)的坐標(biāo)個(gè)數(shù)為k，通過調(diào)節(jié)1_、0；￡和Oy三個(gè)參數(shù)生成的樣本個(gè)數(shù)是q， 則得到的紅外目標(biāo)樣本圖像的個(gè)數(shù)為W = kXq ；2)分別將每個(gè)mXm圖像展開為m2Xl的一維列向量，W個(gè)m2Xl的一維列向量組成的 矩陣就是紅外目標(biāo)的超完備字典。
4.根據(jù)權(quán)利要求1所述的基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法，其特征是，第 二步中所述的提取表示系數(shù)處理，是min Il α Il j s. t. || D α -χ || 2 ^ ε ,其中^eiT2是子圖像的向量表示,De兄"2>^是超完備字典，α e Rw是子圖像χ在超完 備字典中的表示系數(shù)，s. t.表示約束關(guān)系，ε是誤差，min Il Il工是I1范數(shù)最小化。
5.根據(jù)權(quán)利要求1所述的基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法，其特征是，第三步所述的指標(biāo)化處理，是 其中SI(X)是向量為X的子圖像的稀疏系數(shù)，k為設(shè)定的目標(biāo)坐標(biāo)的個(gè)數(shù)，CIi(X)表 示在設(shè)定的第i個(gè)目標(biāo)坐標(biāo)下得到的向量為χ的子圖像的表示系數(shù)，1 ≤i ≤k。
全文摘要
一種圖像處理技術(shù)領(lǐng)域的基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法，包括以下步驟采用二維高斯模型生成若干紅外目標(biāo)樣本圖像，進(jìn)而構(gòu)造紅外目標(biāo)超完備字典；將測(cè)試圖像劃分為若干子圖像，分別對(duì)每個(gè)子圖像進(jìn)行提取表示系數(shù)處理，得到每個(gè)子圖像在紅外目標(biāo)樣本圖像的超完備字典下的表示系數(shù)；對(duì)表示系數(shù)進(jìn)行指標(biāo)化處理，得到每個(gè)子圖像的稀疏系數(shù)；當(dāng)子圖像的稀疏系數(shù)大于閾值τ時(shí)，則該子圖像內(nèi)存在目標(biāo)，從而得到目標(biāo)的位置。本發(fā)明不需要進(jìn)行訓(xùn)練，實(shí)現(xiàn)起來更加簡(jiǎn)單；能夠更加有效地抓住目標(biāo)的內(nèi)在幾何特征，即圖像子塊在該字典下的表示系數(shù)具有更加顯著的差異性，能夠更好的抑制背景，突出目標(biāo)，得到更高的檢測(cè)率。
文檔編號(hào)G06T7/00GK101882314SQ20101023087
公開日2010年11月10日 申請(qǐng)日期2010年7月20日 優(yōu)先權(quán)日2010年7月20日
發(fā)明者唐崢遠(yuǎn), 楊杰, 趙佳佳 申請(qǐng)人:上海交通大學(xué)