基于张量分解的红外弱小目标检测算法研究
发布时间：2021-08-12 20:28
红外弱小目标检测是军事、交通、监控等领域的热点研究问题之一,但由于成像距离远,目标呈现出微弱的点状特性,没有明显的纹理和边缘信息,给目标检测带来了很大的难题。目前,针对不同背景下的红外弱小目标图像,学者们提出了不同的检测算法,但鲁棒、通用的红外小目标检测算法一直是本领域追求的目标。以不同背景下的机载红外弱小目标图像序列为研究对象,论文应用张量分解理论研究红外弱小目标检测方法及算法,主要工作如下:介绍了张量的基本理论,利用其高阶结构能够保存数据的原有特征,将红外视频转化为三阶张量以表征目标的空间相关性和时间连续性。分析了红外弱小目标图像序列的特性,可将其分为目标、背景、噪声三部分张量,其中背景张量表现出低秩性,目标张量表现出稀疏性。张量分解可以准确挖掘出数据的隐含信息,进而辅助从原始图像序列中分离出目标,因此将红外弱小目标检测问题转换为张量的低秩稀疏分解问题。提出了基于带权重的张量鲁棒性主成分分析（Weighted Tensor Robust Principal Component Analysis,WTRPCA）的红外弱小目标检测算法。用基于张量t积的张量核范数描述背景张量的低秩性,带...
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
三阶张量列、行、管纤维（3）切片（slice）：张量的切片是固定除两个维度以外的所有指标62，三阶张
图 2-2 三阶张量的水平、侧面、正面切片（4）秩一张量：如果 N 维张量 能表示为 N 个向量外积的和，我们称此张量为秩一张量。三阶秩一张量如图 2-3 所示。Xabc图 2-3 秩一张量示意图（5）因子矩阵（factor matrices）：任意 N 阶张量都可以表示为 R 个 N 阶秩一张量的和，如图 2-4。将分解得到的秩一张量在同一个方向上的向量排列成矩阵的形式，该矩阵称为张量的因子矩阵，如图 2-4 中的 ( ) ( ) ( ) 。N 阶张量有 N 个方向的因子矩阵。R
= 的形式，其中 1× 1× 3 ， 2× 2× 3 为正交张量， 1× 2× 3为 F 对角张量。根据（3）中 t 积的特性，三阶张量的 t-SVD 算法流程图 2-2 所示：表 2-2 张量的 T-SVD 分解流程图SVD入： × × .计算 = ( )，由 计算 , , 的每一块正面切片：For = do[ ( ) ( ) ( )] = ( ( ));End forFor = do ( )= ( ( )); ( )= ( ); ( )= ( ( ));End for计算 = ( ), = ( ), = ( )出：张量 的 T-SVD 分解结果 ， ，
【参考文献】：
期刊论文
[1]基于改进张量分解模型的个性化推荐算法研究[J]. 陈梅梅,薛康杰. 数据分析与知识发现. 2017(03)
[2]基于SVD背景抑制和粒子滤波的弱小目标检测[J]. 崔丽洁,郑江滨,李秀秀. 计算机应用研究. 2011(04)
[3]基于人工神经网络的红外小目标检测[J]. 焦建彬,杨舒,刘峰. 控制工程. 2010(05)
[4]红外弱小目标检测中的特征选择性滤波方法[J]. 曹琦,毕笃彦. 光学学报. 2009(09)
[5]基于Tophat变换的复杂背景下运动点目标识别算法[J]. 张文超,王岩飞,陈贺新. 中国图象图形学报. 2007(05)
硕士论文
[1]基于张量分解的脑部图像病变识别算法研究[D]. 胡自强.曲阜师范大学 2015
[2]复杂条件下基于阈值分割的红外弱小目标检测和跟踪[D]. 潘东杰.西安电子科技大学 2010
本文编号：3339018
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
三阶张量列、行、管纤维（3）切片（slice）：张量的切片是固定除两个维度以外的所有指标62，三阶张
图 2-2 三阶张量的水平、侧面、正面切片（4）秩一张量：如果 N 维张量 能表示为 N 个向量外积的和，我们称此张量为秩一张量。三阶秩一张量如图 2-3 所示。Xabc图 2-3 秩一张量示意图（5）因子矩阵（factor matrices）：任意 N 阶张量都可以表示为 R 个 N 阶秩一张量的和，如图 2-4。将分解得到的秩一张量在同一个方向上的向量排列成矩阵的形式，该矩阵称为张量的因子矩阵，如图 2-4 中的 ( ) ( ) ( ) 。N 阶张量有 N 个方向的因子矩阵。R
= 的形式，其中 1× 1× 3 ， 2× 2× 3 为正交张量， 1× 2× 3为 F 对角张量。根据（3）中 t 积的特性，三阶张量的 t-SVD 算法流程图 2-2 所示：表 2-2 张量的 T-SVD 分解流程图SVD入： × × .计算 = ( )，由 计算 , , 的每一块正面切片：For = do[ ( ) ( ) ( )] = ( ( ));End forFor = do ( )= ( ( )); ( )= ( ); ( )= ( ( ));End for计算 = ( ), = ( ), = ( )出：张量 的 T-SVD 分解结果 ， ，
【参考文献】：
期刊论文
[1]基于改进张量分解模型的个性化推荐算法研究[J]. 陈梅梅,薛康杰. 数据分析与知识发现. 2017(03)
[2]基于SVD背景抑制和粒子滤波的弱小目标检测[J]. 崔丽洁,郑江滨,李秀秀. 计算机应用研究. 2011(04)
[3]基于人工神经网络的红外小目标检测[J]. 焦建彬,杨舒,刘峰. 控制工程. 2010(05)
[4]红外弱小目标检测中的特征选择性滤波方法[J]. 曹琦,毕笃彦. 光学学报. 2009(09)
[5]基于Tophat变换的复杂背景下运动点目标识别算法[J]. 张文超,王岩飞,陈贺新. 中国图象图形学报. 2007(05)
硕士论文
[1]基于张量分解的脑部图像病变识别算法研究[D]. 胡自强.曲阜师范大学 2015
[2]复杂条件下基于阈值分割的红外弱小目标检测和跟踪[D]. 潘东杰.西安电子科技大学 2010
本文编号：3339018
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3339018.html
