基于压缩采样矩阵分解的红外小目标检测方法
【专利摘要】一种图像处理【技术领域】的基于压缩采样矩阵分解的红外小目标检测方法，包括以下步骤：步骤一：输入一幅红外小目标图像，求图像信息熵，根据图像信息熵，进行秩估计；步骤二：将图像列向量化，采用沃尔什哈达玛矩阵，压缩采样获得测量值；步骤三：进行图像重构，同时恢复出背景和目标；步骤四：对红外小目标图像进行二值化处理，检测红外小目标。本发明实现了压缩域内检测红外小目标，通过压缩采样，减少了数据处理量和存储量，重构后实现了目标和背景的分离，既得到了目标又得到了背景，所得到的目标部分具有很高的信噪比增益，有效地抑制了背景和噪声，后续处理只需简单的二值化处理就能检测出红外小目标。
【专利说明】基于压缩采样矩阵分解的红外小目标检测方法
【技术领域】
[0001]本发明涉及一种数字图像处理【技术领域】的方法，具体是一种基于压缩采样矩阵分解的红外小目标检测方法。
【背景技术】
[0002]红外成像技术具有被动，昼夜工作，高穿透力等优点，应用范围极广。红外小目标检测是红外成像技术的一个重要应用，在军事、工业、农业、医学、交通等领域具有重要意义。红外小目标的自动检测和跟踪，可不受夜间条件等限制，因此也受到了国内外的普遍关注和研究。红外小目标占有的像素少，缺少形状，尺寸，结构等纹理信息，图像信噪比低，红外小目标的准确检测已经成为了一个难题。近些年来，出现了多种红外小目标检测的方法，如最大中值滤波，TopHat滤波，以及最新的基于稀疏表达的红外小目标识别方法，这些传统的红外小目标检测方法都是是基于整幅图像处理的。
[0003]随着压缩感知理论的兴起，如何在压缩域实现红外小目标的检测，即通过处理测量向量来识别红外目标，显得尤为重要。在压缩域内，通过处理压缩采样的测量值，在图像恢复重构的同时，实现目标的探测。压缩感知理论突破奈奎斯特采样定律的限制，其核心思想是在信号采样的同时实现信息的压缩，按照这一思想，信号的采样率不取决于信号的带宽，而是取决于信息在信号中的结构与内容，如果信号足够稀疏，那么其采样频率完全可以低于奈奎斯特采样频率。这一信号处理框架的突出优点是实现了信号采样与压缩的统一，节省了采样、数据传输、存储与处理的开销。同时，压缩传感过程得到的数据包含了原始信号的完整信息，因此研究压缩传感域的信号处理方法是非常有必要的，可以避免不必要的重建过程，从而降低计算和传输开销。压缩感知理论在图像处理领域得到了广泛的应用，如图像压缩，图像融合，人脸识别等，在目标识别领域压缩感知也得到了初步的探索，目标识别的最终目的找到感兴趣的目标并进行识别跟踪等后续处理，如何处理压缩采样得到的低维采样值，直接进行目标检测，即测量值在目标检测中的应用研究，是一个很值得深入研究的问题。
【发明内容】
[0004]1、目的:本发明针对已有识别方法无法在压缩域内识别红外小目标，提供了一种基于压缩采样矩阵分解的红外小目标检测方法，通过处理采样值来检测红外小目标。该方法处理的图像是单帧红外图像，具体的技术方案如下:
[0005]步骤一:输入一幅红外图像，首先进行图像分析，一幅红外图像通常有三部分组成，可以表示为:
[0006]f (x, y) =B (X，y) +T (x, y) +N(x, y) (1 ≤x ≤ m, 1≤ Y ≤ n)
[0007]其中，f(x，y)表示一幅nXm的红外图像，B(x, y)表示背景，T(x, y)表示表示目标，N(x，y)表示噪声，(x，y)表示图像中的一个像素点。背景部分缓慢变化，具有很强的相关性，可以看做是一个低秩矩阵，即rank(B)是一个常数。！r与图像的复杂度密切相关，通常背景越复杂，r值越大。信息熵可以有效地表示图像的复杂度，表示为:
【权利要求】
1.一种基于压缩采样矩阵分解的红外小目标检测方法，其特征在于，包括以下步骤: 步骤一:输入一幅红外小目标图像，求图像信息熵，根据图像信息熵，进行秩估计； 输入一幅红外小目标图像可以表示为: f (X，y) =B(X，y) +T(x, y)+N(x, y) (1 ≤ x ≤ m, 1 ≤Y ≤n) 其中，f (x, y)表示一幅nXm的红外图像，B(x, y)表示背景，T(x, y)表示表示目标，N(x, y)表示噪声，(x，y)表示图像中的一个像素点；背景部分缓慢变化，具有很强的相关性，可以看做是一个低秩矩阵，即rank (B) ≤ r，r是一个常数，r与图像的复杂度密切相关，通常背景越复杂，r值越大。信息熵可以有效地表示图像的复杂度，定义图像信息熵为:
【文档编号】G06T7/00GK103871058SQ201410090156
【公开日】2014年6月18日 申请日期:2014年3月12日 优先权日:2014年3月12日
【发明者】李丽, 李辉, 简伟健, 甄红欣 申请人:北京航空航天大学