联合γ-范数和TV-稀疏约束的红外弱小目标检测

TJ760%TN911.73; 针对基于传统块图像模型的红外弱小目标检测算法对背景杂波抑制能力不强的问题,提出了一种联合γ-范数和全变分正则化与稀疏约束建模的红外弱小目标检测模型(γ-TSIPI).首先,将原始红外图像转化为红外块图像,然后,采用γ-范数和全变分正则化对背景块图像进行约束,以更好地减少目标图像中的残留噪声,同时保留图像的边缘信息,避免恢复的背景图像过度光滑.此外,考虑到传统红外块图像模型中的L1范数会过度缩小弱小目标,引入了加权的L1范数,以提升γ-TSI-PI模型对目标图像的恢复能力.最后,应用Lagrange乘子法求解γ-TSIPI模型.实验结果表明,所提方法可以更好地抑制...

Full description

Saved in:
Bibliographic Details
Published in航空兵器 Vol. 29; no. 2; pp. 30 - 38
Main Authors 王孝文, 李乔, 薛伟, 钟平
Format Journal Article
LanguageChinese
Published 安徽工业大学 计算机科学与技术学院,安徽 马鞍山 243032%安徽工业大学 计算机科学与技术学院,安徽 马鞍山 243032 2022
国防科技大学 ATR重点实验室,长沙 410073%国防科技大学 ATR重点实验室,长沙 410073
Subjects
稀疏
γ-范数
红外块图像模型
全变分
红外
弱小目标检测
单帧图像
Online AccessGet full text
ISSN1673-5048
DOI10.12132/ISSN.1673-5048.2021.0200

Cover

More Information
Summary:TJ760%TN911.73; 针对基于传统块图像模型的红外弱小目标检测算法对背景杂波抑制能力不强的问题,提出了一种联合γ-范数和全变分正则化与稀疏约束建模的红外弱小目标检测模型(γ-TSIPI).首先,将原始红外图像转化为红外块图像,然后,采用γ-范数和全变分正则化对背景块图像进行约束,以更好地减少目标图像中的残留噪声,同时保留图像的边缘信息,避免恢复的背景图像过度光滑.此外,考虑到传统红外块图像模型中的L1范数会过度缩小弱小目标,引入了加权的L1范数,以提升γ-TSI-PI模型对目标图像的恢复能力.最后,应用Lagrange乘子法求解γ-TSIPI模型.实验结果表明,所提方法可以更好地抑制背景杂波,降低虚警率,有效地提高了检测性能.
ISSN:1673-5048
DOI:10.12132/ISSN.1673-5048.2021.0200