CN119445090A 基于非对称惩罚稀疏度的红外弱小目标检测方法及装置 （浙江越达图谱科技有限公司）

基于非对称惩罚稀疏度的红外弱小目标检本发明公开了一种基于非对称惩罚稀疏度造目标的非对称惩罚稀疏度估计函数g(I)；4）构造基于Laplace算子的张量核范数2步骤2对三维时空张量开展主成分分析，利用奇异值分解确定待保留的主成分个步骤4对主成分张量中所包含的背景张量进行快速傅里叶变换，并计算所得到的张量中所有的正面切片的奇异值的拉普拉斯函数的数值和，构造基于Laplace算子的张量核步骤5结合目标的非对称惩罚稀疏度估计函数和基于Laplace算子的张量核范数，建步骤6利用基于ADMM的优化求解算法，求解步骤5）中所构建的基于非对称惩罚稀疏步骤7将目标检测结果张量转化为目标检测结果序列T，作为红外弱小目标检测结2.根据权利要求1所述的基于非对称惩罚稀疏度的红外弱小目标检测方法，其特征在时张量，D的尺寸大小为1XZX13，表示D的宽度，nz表示D的高度，ng表示的厚度。3.根据权利要求2所述的基于非对称惩罚稀疏度的红外弱小目标检测方法，其特征在将三维空时张量D展开为二维矩阵D=reshape(D,[n1nz,n3J)，reshape(')表示展开操阵，表示D的奇异值矩阵；oi表示的第i个奇异值，定义p表示对比系数，从索引列表[2,min(n1n2,n3)]中从小到大遍历i，当首次满足时，确定主成分个数0为的i；DT=C.SDpca(:,i)=s(:,i)·c(:,i)"（2）其中，S(:,i)表示第i个主成分对应的得分向量，C(:,i)T表示第i个主成分对应的系数向4.根据权利要求1所述的基于非对称惩罚稀疏度的红外弱小目标检测方法，其特征在非对称惩罚函数g(x)定义为：35.根据权利要求3所述的基于非对称惩罚稀疏度的红外弱小目标检测方法，其特征在6.根据权利要求5所述的基于非对称惩罚稀疏度的红外弱小目标检测方法，其特征在7.根据权利要求6所述的基于非对称惩罚稀疏度的红外弱小目标检测方法，其特征在4j表示迭代次数u和v均为酉矩阵，E表示奇异值矩拉格朗日乘子M,MZ的迭代公式为5a-B-T-NIIf/IIDpcallf<x，或相邻8.根据权利要求1所述的基于非对称惩罚稀疏度的红外弱小目标检测方法，其特征在将最终获得的目标张量重构为红外目标检测9.一种实施权利要求1所述方法的基于非对称惩罚稀疏度的红外弱小目标检测装置，第二设计模块，用于对主成分张量中所包含的背景张量所得到的张量中所有的正面切片的奇异值的拉普拉斯函数的数值和，构造基于Laplace算基于非对称惩罚稀疏度的模型建立模块，用于建立基于非对称6检测方法和基于深度学习的检测方法。传统检测方法通过利用红外图像的先验特性以稀疏分解的方法、基于局部对比度度量的方法等。基于深度学习的方法依赖于大规模数据得最优表现，因此，开发具有更高鲁棒性和泛化能力的红外弱小目标检测方法依然是一个重要的研究方向。于非对称惩罚稀疏度的红外弱小目标检测方法在提高检测性能和背景抑制方面的优异效7DDg(T)[0009]步骤2对三维时空张量开展主成分分析，利用奇异值分解确定待保留的主成g(T)[0011]步骤4对主成分张量中所包含的背景张量进行快速傅里叶变换，并计算所得到的张量中所有的正面切片的奇异值的拉普拉斯函数的数值和，构造基于[0012]步骤5结合目标的非对称惩罚稀疏度估计函数和基于Laplace算子的张量核范TTTT[0014]步骤7将目标检测结果张量[0015]本发明还公开了一种实施所述方法的基于时空背景重构的红外弱小目标检测装DpcaDpcag(T)g(T)计算所得到的张量中所有的正面切片的奇异值的拉普拉斯函数的数值和，构造基于DpcaDpca8[0029]图4为热红外图像序列的示例帧经过本发明提出的方法所得到的热红外弱小目标为三维空时张量，D的尺寸大小为n1xnzxn3，nu表示D的宽度，nz表示D[0039]利用奇异值分解确定主成分个数，D=UEVT，其中，U和V表示奇异值分解得到表[2,min(n1n2,nz)]中从小到大遍历i，当首次满足时，确定主成分个数0为此时的i；9[0042]其中，为前o+1个主成分的系数矩阵，为得分矩[0045]其中，S(:,i)表示第i个主成分对应的得分向量，C(:,i)T表示第i[0060]步骤5：结合目标的非对称惩罚稀疏度估计函数和基于Laplace算子的张量核范[0063]引入稀疏度重加权策略，稀疏度重加权张量计算为W=1.(ITI+S)-1，其中，o表示哈达玛积。j表示迭代次数u和v均为酉矩阵，E表示奇异a-B-T-NIIf/IIDpcallf<x2）相邻两次迭代过程中不变化；[0093]具体到实施例中A=2.5，umax=100，[0095]与前述的一种基于非对称惩罚稀疏度的红外弱小目标检本发明还提供了一种基于时空背景重构的红外弱小目标检测装置的实[0096]图2为根据一示例性实施例示出的一种基于非对称惩罚稀疏度的红外弱小目标检计算所得到的张量中所有的正面切片的奇异值的拉普拉斯函数的数值和，构造基于[0111]为更加客观地验证本发明方法的有效性，选取6个热红外弱小目标检测方法与本为使用对比方法和本发明方法开展红外弱小目标检测结果的3D_ROC评价体系的指标情况，粗体数值和下划线数值分别表示对应的最优表现和次优[0112]AGPCNet出自ZhangT,CaoS,PuT,etal.AGPCNet:Attention_guidedpyramidcontextnetworksforinfraredsmalltargetdetection.arXiv2021[J].arXivpreprintarXiv:2111.03580.[0113]AMFUNet出自ChungWY,LeeIH,ParkCG.Lightweightinfraredsmalltargetdetectionnetworkusingfull_scaleskipconnectionU_Net[J].IEEEGeoscienceandRemoteSensingLetters,2023,20:1_5.[0114]GSWLCM出自QiuZ,MaY,FanF,etal.Globalsparsity_weightedlocalcontrastmeasureforinfraredsmalltargetdetection[J].IEEEGeoscienceandRemoteSensingLetters,2022,19:1_5.[0115]MDWCM出自LuR,YangX,LiW,etal.Robustinfraredsmalltargetdetectionviamultidirectionalderivative_basedweightedcontrastmeasure[J].IEEEGeoscienceandRemoteSensingLetters,2020,19:1_5.[0116]IPCE出自ZhangC,HeY,TangQ,etal.Infraredsmalltargetdetectionviainterpatchcorrelationenhancementandjointlocalvisualsaliencyprior[J].IEEETransactionsonGeoscienceandRemoteSensing,2021,60:1[0117]FGLR_MCP出自LiuT,LiuY,YangJ,etal.GraphLaplacianregularizationforfastinfraredsmalltargetdetection[J].PatternRecognition,2