紅外弱小目標檢測是軍事、交通、監(jiān)控等領域的熱點研究問題之一,但由于成像距離遠,目標呈現(xiàn)出微弱的點狀特性,沒有明顯的紋理和邊緣信息,給目標檢測帶來了很大的難題。目前,針對不同背景下的紅外弱小目標圖像,學者們提出了不同的檢測算法,但魯棒、通用的紅外小目標檢測算法一直是本領域追求的目標。以不同背景下的機載紅外弱小目標圖像序列為研究對象,論文應用張量分解理論研究紅外弱小目標檢測方法及算法,主要工作如下:介紹了張量的基本理論,利用其高階結(jié)構(gòu)能夠保存數(shù)據(jù)的原有特征,將紅外視頻轉(zhuǎn)化為三階張量以表征目標的空間相關性和時間連續(xù)性。分析了紅外弱小目標圖像序列的特性,可將其分為目標、背景、噪聲三部分張量,其中背景張量表現(xiàn)出低秩性,目標張量表現(xiàn)出稀疏性。張量分解可以準確挖掘出數(shù)據(jù)的隱含信息,進而輔助從原始圖像序列中分離出目標,因此將紅外弱小目標檢測問題轉(zhuǎn)換為張量的低秩稀疏分解問題。提出了基于帶權(quán)重的張量魯棒性主成分分析（Weighted Tensor Robust Principal Component Analysis,WTRPCA）的紅外弱小目標檢測算法。用基于張量t積的張量核范數(shù)描述背景張量的低秩性,帶... 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

三階張量列、行、管纖維（3）切片（slice）：張量的切片是固定除兩個維度以外的所有指標62，三階張

圖 2-2 三階張量的水平、側(cè)面、正面切片（4）秩一張量：如果 N 維張量 能表示為 N 個向量外積的和，我們稱此張量為秩一張量。三階秩一張量如圖 2-3 所示。Xabc圖 2-3 秩一張量示意圖（5）因子矩陣（factor matrices）：任意 N 階張量都可以表示為 R 個 N 階秩一張量的和，如圖 2-4。將分解得到的秩一張量在同一個方向上的向量排列成矩陣的形式，該矩陣稱為張量的因子矩陣，如圖 2-4 中的 ( ) ( ) ( ) 。N 階張量有 N 個方向的因子矩陣。R

= 的形式，其中 1× 1× 3 ， 2× 2× 3 為正交張量， 1× 2× 3為 F 對角張量。根據(jù)（3）中 t 積的特性，三階張量的 t-SVD 算法流程圖 2-2 所示：表 2-2 張量的 T-SVD 分解流程圖SVD入： × × .計算 = ( )，由 計算 , , 的每一塊正面切片：For = do[ ( ) ( ) ( )] = ( ( ));End forFor = do ( )= ( ( )); ( )= ( ); ( )= ( ( ));End for計算 = ( ), = ( ), = ( )出：張量 的 T-SVD 分解結(jié)果 ， ，

【參考文獻】：
期刊論文
[1]基于改進張量分解模型的個性化推薦算法研究[J]. 陳梅梅,薛康杰.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2017(03)
[2]基于SVD背景抑制和粒子濾波的弱小目標檢測[J]. 崔麗潔,鄭江濱,李秀秀.  計算機應用研究. 2011(04)
[3]基于人工神經(jīng)網(wǎng)絡的紅外小目標檢測[J]. 焦建彬,楊舒,劉峰.  控制工程. 2010(05)
[4]紅外弱小目標檢測中的特征選擇性濾波方法[J]. 曹琦,畢篤彥.  光學學報. 2009(09)
[5]基于Tophat變換的復雜背景下運動點目標識別算法[J]. 張文超,王巖飛,陳賀新.  中國圖象圖形學報. 2007(05)

碩士論文
[1]基于張量分解的腦部圖像病變識別算法研究[D]. 胡自強.曲阜師范大學 2015
[2]復雜條件下基于閾值分割的紅外弱小目標檢測和跟蹤[D]. 潘東杰.西安電子科技大學 2010



本文編號：3339018