專利名稱：基于多尺度稀疏字典的紅外小弱目標(biāo)檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于多尺度字典的紅外小弱目標(biāo)檢測方法，是圖像處理技術(shù)領(lǐng)域的新方法，在光電成像搜索與跟蹤系統(tǒng)、精確制導(dǎo)系統(tǒng)、目標(biāo)監(jiān)視系統(tǒng)、衛(wèi)星遙感系統(tǒng)、安全檢查系統(tǒng)等中均可有廣泛的應(yīng)用。
背景技術(shù)：
紅外成像技術(shù)因其良好的隱蔽性、較強(qiáng)的抗干擾性能、較遠(yuǎn)的作用距離和可晝夜工作等已廣泛應(yīng)用于紅外精確制導(dǎo)、預(yù)警、搜索和跟蹤等多種軍事及民用領(lǐng)域。目標(biāo)檢測與跟蹤作為上述領(lǐng)域中的一項重要技術(shù)，在現(xiàn)代防御系統(tǒng)中具有非常顯著的地位。當(dāng)作用距離遠(yuǎn)時，目標(biāo)在成像上表現(xiàn)為只占據(jù)幾個像素點(diǎn)的小弱目標(biāo)，沒有形狀紋理等其他可用于檢測的重要特征，并且通常都隱藏在各種雜波背景和強(qiáng)噪聲中。紅外小弱目標(biāo)的檢測是一 項富有挑戰(zhàn)性的課題。圖像多尺度理論在小弱目標(biāo)檢測研究活躍，主要體現(xiàn)在包括提出了各種基于小波理論的小弱目標(biāo)檢測方法，contourlet以及curvelet等各種非自適應(yīng)多尺度幾何變換檢測小弱目標(biāo)的方法。這些方法將圖像經(jīng)過多尺度幾何變換，得到不同層的系數(shù)，分析高低頻系數(shù)產(chǎn)生的圖像內(nèi)容通過閾值函數(shù)進(jìn)行抑制背景提高信噪比。基于小波理論的小弱目標(biāo)檢測方法將低頻系數(shù)對應(yīng)為圖像中緩慢變化的背景，抑制高頻系數(shù)得到圖像的背景，將原圖像和背景相減得到去除背景，信噪比提高的目標(biāo)圖像。但小波方法對于處理二維信號本身有方向性限制的局限性，使得對于背景的紋理特征提取不完整，存在殘留；而contourlet、curvelet變換主要是針對二維奇異性而產(chǎn)生的，具有很好的方向性和各向異性。對圖像進(jìn)行多尺度分解提取不同尺度的系數(shù)，通過閾值函數(shù)提取產(chǎn)生目標(biāo)的系數(shù)，進(jìn)而檢測到小弱目標(biāo)。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述小波變換難以處理二維信號，以及contourlet、curvelet變換對于背景抑制的不完整的缺點(diǎn)，提供一種基于圖像內(nèi)容的多尺度超完備稀疏字典的構(gòu)造方法。該多尺度字典能夠從整體到局部挖掘圖像信息，并且比單尺度字典有更稀疏的表示。本發(fā)明將圖像本身作為訓(xùn)練樣本庫，利用四叉樹構(gòu)造多尺度超完備稀疏字典；將子圖像在多尺度稀疏字典下的稀疏分解系數(shù)采用指數(shù)函數(shù)進(jìn)行擬合表示；最后根據(jù)噪聲圖像塊和含有目標(biāo)的圖像塊的聯(lián)合稀疏系數(shù)與指數(shù)函數(shù)擬合存在差異來檢測小弱目標(biāo)。為實(shí)現(xiàn)這一目的，本發(fā)明的技術(shù)方案將目標(biāo)和背景噪聲在多尺度稀疏字典下的稀疏系數(shù)統(tǒng)計直方圖與指數(shù)函數(shù)擬合存在差異作為切入點(diǎn)。本發(fā)明采用以下技術(shù)方案
一種基于多尺度稀疏字典的紅外小弱目標(biāo)檢測方法，其特征在于，所述檢測方法包括如下步驟
O采用四叉樹構(gòu)造原圖像的多尺度超完備稀疏字典；
2)將原圖像劃分為不同尺度大小的子圖像，分別對每個子圖像在其相應(yīng)的多尺度子字典中進(jìn)行稀疏分解，提取其在子字典中的稀疏表示系數(shù)；
3)將每個圖像子塊的多層稀疏分解系數(shù)級聯(lián)起來形成聯(lián)合稀疏系數(shù)，利用指數(shù)函數(shù)擬合聯(lián)合的稀疏系數(shù)的統(tǒng)計直方 4)當(dāng)擬合參數(shù)大于閾值時確定該子圖像存在目標(biāo)，并根據(jù)聯(lián)合稀疏系數(shù)具有和四叉樹一樣的方位性這一特征，最終確定目標(biāo)所在的具體位置。



圖I是實(shí)施例的測試圖像I，包含小弱目標(biāo)的深空圖像；
圖2是實(shí)施例的測試圖像2，包含小弱目標(biāo)的云層圖像；
圖3是實(shí)施例測試圖像I的第一層子字典；
圖4是實(shí)施例測試圖像I的第二層子字典；
圖5是實(shí)施例圖像I中包含目標(biāo)的圖像塊在多尺度字典下稀疏系數(shù)直方圖與指數(shù)函數(shù)的擬合；
圖6是實(shí)施例圖像I中包含噪聲的圖像塊在多尺度字典下稀疏系數(shù)直方圖與指數(shù)函數(shù)的擬合；
圖7是實(shí)施例圖像I中背景的圖像塊在多尺度字典下稀疏系數(shù)直方圖與指數(shù)函數(shù)的擬
合；
圖8是實(shí)施例圖像I中目標(biāo)處于圖像塊左上角位置的稀疏系數(shù)分布情況；
圖9是實(shí)施例圖像I中目標(biāo)處于圖像塊左下角位置的稀疏系數(shù)分布情況；
圖10是實(shí)施例圖像I中目標(biāo)處于圖像塊右上角位置的稀疏系數(shù)分布情況；
圖11是實(shí)施例圖像I中目標(biāo)處于圖像塊右下角位置的稀疏系數(shù)分布情況；
圖12是實(shí)施例圖像I中噪聲圖像塊的稀疏系數(shù)分布情況；
圖13是實(shí)施例圖像I中背景圖像塊的稀疏系數(shù)分布情況；
圖14是實(shí)施例圖像I的檢測結(jié)果圖；；
圖15是實(shí)施例圖像2的檢測結(jié)果圖。
具體實(shí)施例方式本實(shí)施方式是以本發(fā)明技術(shù)方案為前提進(jìn)行實(shí)施，下面結(jié)合附圖對本發(fā)明的具體實(shí)施方式
做詳細(xì)說明
本實(shí)施例對圖1，圖2所示的包含小弱目標(biāo)的深空圖像和云層圖像進(jìn)行檢測，包括以下步驟
I)采用四叉樹訓(xùn)練多尺度稀疏字典，從原圖像中提取16x16像素大小的圖像塊作為訓(xùn)練樣本，初始多尺度字典為二層的DCT字典，第一層包含一個大小為256x512的子字典，如圖3所示，第二層包含4個子字典，大小為64*512，如圖4所示。2)利用16x16像素大小的模板從左到右、從上到下提取圖像塊，求取每個圖像塊在多尺度字典中的稀疏系數(shù)，
Vij i= argmiti||jr|^ st. | ^Γ-Dx
式中，β/表示原始圖像F中左上角像素點(diǎn)坐標(biāo)為(U)的圖像子塊，是多尺度字典，X表示圖像子塊在多尺度字典下的聯(lián)合分解系數(shù)，包含第一層子字典的系數(shù)以及第二層子字典的系數(shù)。3)將聯(lián)合稀疏系數(shù)的直方圖利用指數(shù)函數(shù)擬合，得到如圖5，6，7。4)閾值判定擬合參數(shù)，根據(jù)假設(shè)檢驗，
!/(xmj= jy(x) χ>τ
\f(xlHa) = Bf(X) XiT
設(shè)定閾值Γ，根據(jù)指數(shù)擬合參數(shù)與閾值F的比較結(jié)果，判定圖像塊是否含有目標(biāo)。根據(jù)第二層子字典的稀疏系數(shù)對應(yīng)的分布位置來進(jìn)一步確定小弱目標(biāo)的具體位置。圖8，圖9，圖10，圖11，圖12，圖13分別給出了目標(biāo)處于圖像塊左上角，左下角，右上角，右下角四個位·置的系數(shù)分布情況，以及噪聲和背景的圖像子塊系數(shù)分布情況，圖中虛線隔開的五個區(qū)從左到右依次為第一層子字典對應(yīng)的系數(shù)，第二層左上角，左下角，右上角，右下角位置子字典對應(yīng)的系數(shù)。有目標(biāo)的圖像塊在相應(yīng)位置的子字典中系數(shù)值均比較大且集中，由此可確定目標(biāo)所在的具體位置。如圖14和圖15中黑色小方框所在處即為檢測到的小弱目標(biāo)。
權(quán)利要求
1.基于多尺度稀疏字典的紅外小弱目標(biāo)檢測方法，其特征在于，所述檢測方法包括如下步驟 構(gòu)造原圖像的四叉樹多尺度超完備稀疏字典； 將原圖像劃分為不同尺度大小的子圖像，分別對每個子圖像在其相應(yīng)的多尺度子字典中稀疏分解，提取其在子字典中的表示系數(shù)； 將每個子圖像的多層稀疏分解系數(shù)級聯(lián)起來形成聯(lián)合稀疏系數(shù)，利用指數(shù)分布擬合聯(lián)合的稀疏系數(shù)； 擬合后如果指數(shù)分布的參數(shù)大于閾值確定該子圖像存在目標(biāo)，并根據(jù)聯(lián)合稀疏系數(shù)具有與四叉樹一樣的方位性這一特征，最終確定目標(biāo)所在的具體位置。
2.根據(jù)權(quán)利要求I所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測方法，其特征在于，所述構(gòu)造原圖像的四叉樹模型多尺度超完備稀疏字典，是指構(gòu)造的稀疏字典具有四叉樹一樣的分層結(jié)構(gòu)，即多尺度稀疏字典D是由所有位于四叉樹不同層不同尺度的稀疏子字典4級聯(lián)而成，
3.根據(jù)權(quán)利要求I所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測方法，其特征在于所述求取子圖像的多尺度稀疏系數(shù)，
4.根據(jù)權(quán)利要求I所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測方法，其特征在于，所述用指數(shù)分布擬合聯(lián)合的稀疏系數(shù),指數(shù)分布的概率密度函數(shù)為，
5.根據(jù)權(quán)利要求I所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測方法，其特征在于，所述閾值判定擬合參數(shù)，將稀疏系數(shù)分為包含目標(biāo)和噪聲的系數(shù)、只有噪聲背景的系數(shù)兩類，設(shè)巧表示，為目標(biāo)和噪聲系數(shù)的假設(shè)，七表示，為背景系數(shù)的假設(shè)，根據(jù)系數(shù)分布特性， 對系數(shù)為圖像塊中只包含目標(biāo)和噪聲的系數(shù)時，有如下假設(shè)檢驗S為歸一化常數(shù)，T為根據(jù)指數(shù)分布參數(shù) ，d利用雙峰法確定的閾值。
6.根據(jù)權(quán)利要求2所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測方法，其特征在于，所述的多尺度稀疏字典的構(gòu)造分為稀疏編碼和字典更新兩個步驟。
7.根據(jù)權(quán)利要求6所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測方法，其特征在于，所述的稀疏編碼是指，固定多尺度字典D，用正交匹配跟蹤算法OMP (OrthogonalMatching Pursuit)算法求解每個訓(xùn)練樣本的稀疏系數(shù)χ
8.根據(jù)權(quán)利要求6所述的基于多尺度稀疏字典的紅外小弱目標(biāo)檢測方法，其特征在于，所述的稀疏字典更新是按順序更新多尺度字典中的每一層子字典中的原子，求解訓(xùn)練樣本庫中與該原子相關(guān)的訓(xùn)練樣本在去除其它多尺度原子的貢獻(xiàn)后的剩余誤差瓦,,，并用奇異值分解法SVD (Singular Value Decomposition)更新么和相應(yīng)的位于位置P上的稀疏系數(shù)％ O上#)
全文摘要
本發(fā)明提出了一種基于多尺度稀疏字典的紅外小弱目標(biāo)檢測算法，包括以下步驟利用原始圖像構(gòu)造基于四叉樹模型的多尺度自適應(yīng)過完備字典；提取原圖像的圖像子塊，將每個圖像子塊在多尺度稀疏字典中的各個子字典中進(jìn)行稀疏分解，得到稀疏系數(shù)；聯(lián)合各尺度的稀疏系數(shù)，對聯(lián)合的稀疏系數(shù)進(jìn)行指數(shù)分布擬合；對指數(shù)參數(shù)進(jìn)行閾值判斷，大于閾值所對應(yīng)的圖像塊初步確定為目標(biāo)；最后根據(jù)稀疏系數(shù)的多尺度方向性，確定目標(biāo)的準(zhǔn)確位置。本發(fā)明構(gòu)建的多尺度稀疏字典能夠利用大原子從整體挖掘圖像的背景特征，利用小原子從局部挖掘圖像的突變特征，能更有效抑制背景雜波，更準(zhǔn)確地檢測出小弱目標(biāo)。
文檔編號G06K9/62GK102842047SQ20121033031
公開日2012年12月26日 申請日期2012年9月10日 優(yōu)先權(quán)日2012年9月10日
發(fā)明者李正周, 劉梅, 王會改, 唐嵐, 沈美容 申請人:重慶大學(xué)