基于差分方向性混合稀疏约束联合显著相干性增强的红外小目标检测方法

本发明涉及红外小目标检测，具体的说是一种基于差分方向性混合稀疏约束联合显著相干性增强的红外小目标检测方法。

背景技术：

1、红外小目标检测是早期识别和定位感兴趣对象的关键任务，极大地增强了后续搜索和跟踪操作的有效性。该技术具广泛应用包括但不限于早期预警系统、反导防御机制、海上监视以及自动缺陷检测等各种关键领域。尽管红外小目标检测取得了显著的进展，但仍存在一些独特挑战。其中一个挑战源于感兴趣对象在场景中仅占据少数像素，这是远距离感知要求的必然结果。在极端情况下，有限的像素数量无法传达识别目标所需的固有形状和纹理特征。

2、另一个挑战来自显著的背景干扰，例如厚厚的云层或海洋杂波会遮挡小目标，从而削弱红外背景之间的相关性。这些长期存在的挑战一直是阻碍下游任务进展的关键因素。现有的红外小目标检测方法大致可分为两类：单帧检测和序列检测。典型的序列检测方法是通过给定目标轨迹或速度的情况下来完成检测，其中包括时间剖面滤波器、广义似然率方法和管道滤波等方法。然而，当目标飞行路径发生不规则变化时，它们的检测性能会严重下降。对于单帧检测，常用的滤波和基于显著性的方法是目标背景差异驱动的，通常抑制局部或全局背景干扰物以弹出小目标。但它们无法处理包含突出边缘的复杂背景或淹没在重杂波背景中的昏暗小目标。这是因为这些方法中使用的预设不能很好地适应真实场景的变化。低秩稀疏分解(low-rank and sparse decomposition，lrsd)理论假设冗余信息位于低维子空间中，并可以由低秩特征矩阵/张量来描述，而稀有信息可以由稀疏特征矩阵/张量来描述。在红外小目标检测领域，其展示了巨大的潜力。从这里得出的方法本质上基于背景的非局部自相关和小目标的全局稀疏的假设，这更有利于适应实际场景。

3、基于上述理论，在现有技术中，gao等人提出的红外块图像(infrared patchimage，ipi)模型被视为将小目标检测转化为低秩稀疏矩阵分离的优化问题的代表作，其取得了令人鼓舞的性能，但由模式分量约束的凸代理引起的估计偏差使其无法有效抑制背景边缘干扰。为了克服ipi模型会在向量化红外块的构建过程中破坏背景空间结构信息的缺陷，dai等人构建了一个高维框架，将裁剪补丁堆叠为三阶张量，其可以同时保留非局部补丁自相关和局部结构信息。同时，开发了具有局部结构自适应惩罚的重加权红外补丁张量(ript)模型，该方法能有效地抑制强边缘杂波，但易受角点影响。随后，一些改进方法主要集中在选择更精确的张量秩约束和更精确的杂波边缘抑制上。其中，许多非凸矩阵约束被推广为张量方式，以克服核范数和约束ript模型的缺陷，如帽张量核范数方法、截断张量秩约束方法和对数张量纤维核范数方法。zhou等人提出使用固有张量稀疏性测度来精细校正张量秩约束偏差。这些非凸约束在逼近实张量秩方面具有显著优势，但其复杂的优化过程增加了计算成本。为了有效抑制角点保留小目标信息，同时充分挖掘红外小目标序列时空信息，zhu等人通过剪裁多个帧作为张量模型，提出了加权schatten p张量秩约束和环顶帽正则化的组合方法，但该方法未能处理tophat正则化的结构元素与不同云杂波之间的不匹配情况。sun等人通过构建时空补丁张量模型，提出了一种多子空间学习方法。liu等人利用帧间和帧内非局部相关性的优势，设计了一种新的张量模型来完成小目标检测。然而，这些方法不仅实现复杂、计算昂贵，而且在动态场景中也缺乏一定的稳定性。主要原因是在动态场景中，背景帧间相关性和非局部自相关性往往随着背景的变化而随着时间的推移而降低。

4、中请号为202311846657.5的中国专利中请公开了一种基于结构化背景张量估计方法的红外小目标检测方法，首先将原始红外小目标图像转化为张量数据，然后使用结构化背景张量估计的低秩学习模型，而后分别对子空间张量和系数张量进行正则化约束。尽管上述发明在单帧检测中性能得到了一定提升，但是由于无法充分利用序列时序信息从而导致检测率降低，再者，忽略了空间中的邻域相关性，到时复杂边缘无法有效抑制。

5、申请号为202311430094.1的中国专利申请公开了一种基于邻近块相似性度量的红外小目标检测方法及装置，该发明通过相邻局部块的相似性对比来突出小目标，但是其忽略了红外背景的非局部相关性和背景杂波干扰的局部相似性，从而在变换场景巾缺乏适应性。

6、现有的先验驱动方法，如低秩稀疏建模、滤波和变换域方法，通常利用红外背景图像的固有几何结构和数学统计特性。它们将先验建模为非局部相关性、背景一致性和变换域差异，以实现目标背景分离。但它们可能无法有效抑制角点、鱼鳞光等稀疏干扰。其他方法，如局部对比度、梯度矢量场、随机游走器等，通过局部区域中水平、垂直或对角像素的差异信息来表征背景边缘的连续性和目标局部显著性。然而，这些方法无法利用背景的固有结构信息，难以提取暗目标和抑制高亮度区域。

技术实现思路

1、为了解决现有技术中红外小目标检测方法过于复杂和检测精度不佳的不足，本发明提供一种基于差分方向性混合稀疏约束联合显著相干性增强的红外小目标检测方法。

2、为了实现上述目的，本发明采用的具体方案为：基于差分方向性混合稀疏约束联合显著相干性增强的红外小目标检测方法，包括如下步骤：

3、s1、获取红外视频，并且从红外视频中截取出多个红外序列块，每个红外序列块包括多个红外图像；

4、s2、对红外图像进行处理生成显著相干一致性因子，并且基于所有的显著相干一致性因子确定显著性增强因子；

5、s3、将显著性增强因子引入到检测模型中，检测模型基于差分方向性与混合稀疏性构建得到；

6、s4、对于每个红外序列块，通过交替最小化优化算法求解检测模型得到小目标。

7、作为上述基于差分方向性混合稀疏约束联合显著相干性增强的红外小目标检测方法的进一步优化：s2的具体方法包括：

8、s21、计算红外图像中每个像素的平滑结构张量

9、其中，为尺度参数σ>0的高斯核，★是2维卷积操作；

10、s22、对kσ进行计算得到kσ的极限特征值对(e+(x，y，σ)，e-(x，y，σ))，其中e+(x，y，σ)为kσ的最大特征值，e-(x，y，σ)为kσ的最小特征值；

11、s23、基于极限特征值对(e+(x，y，σ)，e-(x，y，σ))计算红外图像的角点差异性度量

12、s24、基于角点差异性度量计算红外图像的区域相干性度量和边缘指示算子

13、s25、构造自适应显著性相干指示函数

14、s26、基于自适应显著性相干指示函数计算每一个红外图像的显著相干一致性因子

15、

16、其中，ts是基于mean(asce(x，y，σ))+5var(asce(x，y，σ))确定的阈值；

17、s27、将所有显著相干一致性因子的映射图依次堆叠，确定显著性增强因子

18、作为上述基于差分方向性混合稀疏约束联合显著相干性增强的红外小目标检测方法的进一步优化：s3的具体方法包括：

19、s31、将红外序列块的冗余低秩成分分解为模态3张量-矩阵积其中是空间因子，是时间因子；

20、s32、对红外图像中的低秩背景成分进行正则化约束

21、其中λ是折中参数，dk(k＝1，2，3)是红外序列块中像素的一阶差分矩阵，并且有

22、s33、检测模型表示为：

23、

24、作为上述基于差分方向性混合稀疏约束联合显著相干性增强的红外小目标检测方法的进一步优化：s4的具体方法包括：

25、s41、将检测模型转化为等效目标函数形式

26、

27、s42、分离等效目标函数中的主变量得到多个用于更新主变量的子问题；

28、

29、其中，是等效目标函数，ρ>0是逼近因子；

30、s43、基于pam迭代算法通过交替更新主变量求解检测模型。

31、作为上述基于差分方向性混合稀疏约束联合显著相干性增强的红外小目标检测方法的进一步优化：s43中，求解a的具体方法包括：

32、s4311、消除等效目标函数中除a之外的其它主变量，将与a对应的子问题更新为

33、

34、s4312、通过求解sylvester矩阵方程的方式得到与a对应的更新后的子问题的解

35、

36、其中为对角化循环矩阵，为对称矩阵，并且有和其中f1是1d离散傅里叶变换矩阵；

37、s4313、计算a的更新解其中和m1＝2λ(diag(ψ1)，diag(ψ1)，...，diag(ψ1)+ρones3(n3，r))+(diag(∑1)，diag(∑1)，...，diag(∑1))t。

38、作为上述基于差分方向性混合稀疏约束联合显著相干性增强的红外小目标检测方法的进一步优化：s43中，求解的具体方法包括：

39、s4321、消除等效目标函数中除之外的其它主变量，将与对应的子问题更新为

40、

41、s4322、利用交替方向乘子法求得的更新解。

42、作为上述基于差分方向性混合稀疏约束联合显著相干性增强的红外小目标检测方法的进一步优化：s4322的具体方法包括：

43、引入从变量将更新后的与对应的子问题优化为

44、

45、其增广拉格朗日方程形式为：

46、其中β为惩罚因子；

47、通过交替更新增广拉格朗日方程中的从变量实现求解：

48、

49、作为上述基于差分方向性混合稀疏约束联合显著相干性增强的红外小目标检测方法的进一步优化：s43中，求解的方法包括：

50、s4331、消除等效目标函数巾除之外的其它主变量，将与对应的子问题更新为

51、

52、s4332、求解对应的更新后的子问题的解其中

53、作为上述基于差分方向性混合稀疏约束联合显著相干性增强的红外小目标检测方法的进一步优化：s4中，得到的小目标表示为

54、

55、有益效果：本发明利用混合稀疏约束施加于张量分解得到的空间分量的差分方向图像和时间分量的连续性差分矩阵上，在共享稀疏范数和非共享稀疏范数的约束下，充分挖掘序列块中的帧间相关性和帧内的非局部相似性；

56、本发明将显著性相干映射作为目标增强和背景杂波干扰抑制的自适应因子，在分解过程中，目标背景分离时可以有效地保留目标信息和抑制背景干扰，强化动态序列下目标提取能力；本发明设计基于pam的优化算法，以提升小目标分离效率，在多个红外小目标序列数据集上验证了所构建模型在动态序列下进行小目标分离的有效性和鲁棒性。