一种基于尺度空间理论的改进RPCA红外小目标检测方法

技术领域

本发明涉及图像处理、目标检测、图像分割技术领域，具体涉及一种基于尺度空间理论的改进RPCA红外小目标检测方法。

背景技术

尺度空间理论认为，在图像中引入一个尺度因子，对此图像进行尺度变换并连续变换尺度因子，能够得到在不同尺度因子下的一序列变换图像。红外小目标在大气条件、镜头成像等一系列因素的影响下，在图像上表现为斑点状。红外小目标可以由点扩散函数的目标模型来描述。根据点扩散函数，红外小目标的强度值近似满足高斯分布。因此在序列变换图像中，红外小目标和红外背景对尺度变换的响应是截然不同的。红外小目标的响应较为剧烈，而红外图背景部分响应较为平缓。可以根据这一现象来确定候选目标区域。

低秩稀疏理论认为矩阵可以分解为低秩矩阵和稀疏矩阵两个部分，鲁棒主成分分析(Robust Principle Component Analysis,RPCA)是一种用于矩阵分解的方法。对于一个包含待检目标的图像矩阵，RPCA将其分解为目标矩阵(稀疏部分)和背景矩阵(低秩部分)，通过提取目标矩阵的有效信息来检测目标。但是RPCA对噪声和背景干扰较为敏感。因此在较复杂的场景中，可能会有部分背景区域被误判为目标，造成虚警。因此，可以引入尺度空间理论来确定较复杂场景下的真实目标区域。

发明内容

本发明的目的在于提供一种基于尺度空间理论的改进RPCA红外小目标检测方法，用于红外小目标检测中，可以有效地抑制背景干扰，提高目标的检出成功率。

本发明采用的技术方案为：一种基于尺度空间理论的改进RPCA红外小目标检测方法，具有以下步骤：

步骤(1)、获得单帧红外小目标原始图像，称为原始图像；

步骤(2)、对原始图像进行LoG尺度变换，获得候选目标矩阵；

步骤(3)、根据候选目标矩阵中各点坐标，确定原始图像中需要进行RPCA分解的范围；

步骤(4)、对步骤(1)中获得的原始图像，根据步骤(3)中确定的范围，进行RPCA分解、矩阵填充等操作，获得目标图像矩阵；

步骤(5)、对步骤(2)获得的候选目标矩阵和步骤(4)获得的目标图像矩阵取交集，获得显著目标矩阵；

步骤(6)、计算显著目标矩阵的全局阈值，根据该阈值进行图像分割获得真实目标图像矩阵。

进一步地，步骤(1)中，处理的图像为红外图像，目标尺寸通常不大于5×5pixel，此图像被称为原始图像。

进一步地，步骤(2)中，对原始图像进行LoG尺度空间变换，将与小目标的变换特征相似的点标记为候选目标点，设置一个尺寸与原始图像一致的全零矩阵，将该矩阵中与候选目标点坐标一致的像素点值置为1，得到候选目标矩阵。

进一步地，步骤(3)中，根据候选目标矩阵像素点的坐标范围，划分需要进行RPCA分解的范围。为了防止目标位于范围的边缘导致后续无法检出，将范围向四个方向分别扩大了原始图像尺寸最大值的1/16。

进一步地，步骤(4)中，对原始图像根据步骤(3)所确定的范围裁剪得到图像矩阵，对图像矩阵进行RPCA分解，得到背景矩阵和目标矩阵，再将目标矩阵填充至与原始图像尺寸一致，得到目标图像矩阵。

进一步地，步骤(5)中，对候选目标矩阵和目标图像矩阵取交集，获得显著目标矩阵。

进一步地，步骤(6)中，使用显著目标矩阵的全局阈值进行图像分割获得真实目标图像矩阵。

本发明与现有技术相比的优点在于：

(1)本发明将尺度空间理论引入到了RPCA目标检测算法中，可以有效提升方法的目标检出率和鲁棒性。

(2)本发明优化了尺度空间理论候选目标区域的选取逻辑，提高了方法的检测效率。

(3)本发明使用候选目标区域进行RPCA，降低了运算量，提高方法的检测速度。

附图说明

图1为本发明的流程图；

图2为不同算法的检测结果；

图3为原始图像的算法SCRG值。

具体实施方式

下面结合附图以及具体实施方式进一步说明本发明。

如图1所示，将目标检测方法过程通过流程图的形式表示。

本发明所述的一种基于尺度空间理论的改进RPCA红外小目标检测方法的具体流程步骤如下：

步骤(1)、获得单帧红外小目标原始图像，称为原始图像；

步骤(2)、对原始图像进行LoG尺度变换，获得候选目标矩阵；

其中，σ表示可变的尺度因子，L(x,y,σ)表示像素点(x,y)在尺度因子σ下的LoG算子。

其中，I(x,y)表示步骤(1)中获得的单帧红外小目标原始图像，

由LoG的表达式可知，当使用该算子对图像进行卷积时，对于图像的高频区域，会产生较大的响应值；对于图像的低频区域，响应值接近于0。根据点扩散函数建立的红外小目标的数学模型可知，当LoG算子的中心与小目标的中心重合时，会出现较大的响应值，且小目标的直径d约等于

M(x,y,σ)＝{x,y,σ|x+2≥x≥x-2,y+2≥y≥y-2,σ+2≥σ≥σ-2}

对于某一立体空间M(x

步骤(3)、根据候选目标矩阵中各点坐标，确定原始图像中需要进行RPCA分解的范围；

其中，G(x,y)表示需要进行RPCA分解的范围，x

步骤(4)、对步骤(1)中获得的原始图像，根据步骤(3)中确定的范围，进行RPCA分解、矩阵填充等操作，获得目标图像矩阵；

将步骤(3)得到的范围G(x,y)应用于原始图像，裁剪得到需要进行RPCA分解的图像矩阵D。根据主成分分析(Principal Component Analysis,PCA)理论，已确定范围的图像矩阵D包含背景和目标两个主要部分，可以分解为一个低秩矩阵B和一个稀疏矩阵T：

D＝B+T

其中，B为背景矩阵，T为目标矩阵。

根据RPCA理论，可以将上式转化为一个凸优化问题：

min||B||

其中||·||

使用加速近端梯度算法(Accelerated Proximal Gradient,APG)求解该凸优化问题。得到背景矩阵B和目标矩阵T。

在较复杂场景下，在目标矩阵T中除了待测的真实目标，还有误判为目标的背景部分。由于进行RPCA分解的矩阵尺寸可能与原始图像尺寸不一致。设置一个全零矩阵，将目标矩阵T置入该全零矩阵对应的范围G(x,y)，得到的新矩阵记为目标图像矩阵N。

步骤(5)、对步骤(2)获得的候选目标矩阵和步骤(4)获得的目标图像矩阵取交集，获得显著目标矩阵；

对候选目标矩阵K和目标图像矩阵N取交集，获得显著目标矩阵I，其中⊙代表取交集操作：

I＝K⊙N

步骤(6)、计算显著目标矩阵的全局阈值，根据该阈值进行图像分割获得真实目标图像矩阵。

显著目标矩阵I中可能会包含一些导致虚警的杂点。因此需要计算I中非零元素的全局阈值。

thresh＝mean(I)+k·std(I)

其中，thresh为计算得到的全局阈值，mean(·)表示计算矩阵非零元素的均值，std(·)表示计算矩阵非零元素的标准差，k是加权因子，在本方法中k的取值范围为k∈[1,5]。对I进行全局阈值分割，得到真实目标。

为证明本方法的有效性与检测能力，选取三张处于复杂云层背景中的红外小目标图像进行验证，并与其他常用的目标检测方法进行对比。其他三种对比算法分别为：局部对比度增强算法(Local Contrast Measure,LCM)、Top-Hat滤波算法和RPCA算法。检测对比结果如图2所示。其中(a)列为原始图像，(b)列为LCM算法处理结果，(c)列为Top-Hat算法处理结果，(d)列为RPCA算法处理结果，(e)列为本方法处理结果。

为了能够定量比较各个算法的优劣，引入信号杂波比增益(Signal-to-ClutterRatio Gain,SCRG)：

其中，信号杂波比(Signal-to-Clutter Ratio,SCR)表示为：

其中，μ

图3中的SCRG值展示了各个算法对图2(a)列三张原始图像的检测效果。结合图2与图3，证明本方法对较复杂背景下的红外小目标具有较好的检测能力。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭示的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内。本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。