TRGS 2024 | 用于红外小目标检测的可分离时空块-张量对补全方法

点击下方“ReadingPapers”卡片，每天获取顶刊论文解读

论文信息

摘要

红外小目标检测（IRSTD）任务由于信号杂波比（SCR）低、背景复杂和强干扰而面临重大挑战。虽然张量理论在检测性能上显示出了希望，但在损坏张量构建、不准确的张量模型和高计算复杂性这三个问题上仍然存在。本研究通过引入独立的时空视角，提出了一种快速且可分离的时空张量补全模型。提出了一种新的张量结构，名为可分离的时空块-张量对（SSPP），以缓解在构建图像张量时保持邻域结构和时间一致性的困境。通过将空间和时间维度视为独立，SSPP能够在每个维度中灵活地分布假设和表示。设计了两个张量模型：空间模型专注于空间维度中的目标增强，而时间模型则集中在时间维度上抑制强干扰。进一步引入长期记忆正则化到时间模型中，以感知目标运动，增强其对干扰的鲁棒性。通过结合这些张量模型并采用粗到细的检测策略，我们的方法为IRSTD提供了有效的解决方案。在实际数据集上的广泛实验已经证明了所提方法在目标增强、背景抑制（BS）和检测效率方面的优越性。

关键词

粗到细检测，独立时空视角，红外小目标检测（IRSTD），长期记忆正则化，时空块-张量对

分离式时空块-张量对

A. SSPP的空间块张量

IPI衍生模型[11]的研究已经验证了块相关性对于区分均匀背景和稀疏目标的重要性。红外块张量（IPT）模型[40]通过将遍历的块堆叠成块张量来扩展IPI。然而，IPI和IPT结构并不了解邻域结构，而LCM衍生模型[7]已经证明这是目标增强的关键属性。考虑到块相关性和邻域结构，设计了空间块张量以强调邻接块的相关性。给定一个红外图像，一个尺度为的块图像表示为，满足。类似于LCM，以为中心的块邻域定义为

其中表示的相邻块。如图4(a)所示，空间块张量是从九宫格块结构派生出来的，通过堆叠的块得到

的优势可以概括为两个方面。首先，通过引入适当的约束，能够继承LCM的局部表示能力。本质上，LCM理论是从背景成分高度相关而目标成分不相关的假设中推导出来的。通过开发特定的转换函数，LCM及其变体可以通过下式概括

其中和分别表示目标和背景成分，是残差参数，对应于[7]中的目标阈值。同样，转换函数可以被表述为空间块张量的低秩估计。另一个优势是的模式-2和模式-3展开矩阵允许张量模型从不同角度分析块相关性。这样，空间块张量适用于表征邻接块相关性。

B. SSPP的时间块张量

假设成像传感器在短时期内轻微移动，重杂波和结构噪声在几幅连续图像中几乎保持不变。相反，由于运动，目标在连续图像中的位置发生了变化。上述现象表明，块张量的时间一致性对于抑制重杂波和结构噪声等强干扰至关重要。SSPP的时间块张量技术上是顺序图像张量的块版本，如图4(b)所示。在时间戳，给定时间窗口内的连续图像帧，尺度为的时间块张量表示为

其中是时间戳的图像切片。在[41]中研究，不同维度上的平移不变结构可以使用特定的张量秩来捕获，例如，Tucker秩。得益于时间块张量的时间一致性，使用适当的低秩约束来维持时间平移干扰是可行的。假设和的交互块为，目标、背景和噪声分量可以通过下式推导出

和的分解分量通过以下方式获得

其中、和、是特定的低秩和噪声约束。注意，从(9)中可以看出，SSPP允许在空间块张量和时间块张量上进行独立的张量分析。换句话说，空间和时间维度的可分离视角使得对不同分量进行单独决策成为可能，而不是统一决策。可分离分析已经在计算机视觉[42]、[43]、[44]领域被证明是一种有前景的提高性能的机制。此外，SSPP将大张量简化为小的块张量，从而大大降低了计算复杂性，并且能够进行并行处理。本节的主要贡献有两个方面。1）提出了SSPP，这是红外图像序列的一种新的张量构建机制。2）将空间和时间维度视为独立的是一种创新的观点。可分离的张量不仅使得不同维度的灵活张量分析成为可能，而且还降低了计算复杂性。

SSPPC理论

第二节中提出的SSPP结构解决了IRSTD方法的第一个问题。本节提出了一种快速且SSPPC理论来解决其他问题，即强干扰抑制和检测效率。第三节A和B部分介绍了SSPPC的空间和时间模型，以及一个特定设计的长期记忆正则化。第三节C部分提出了一个两阶段检测策略，并提供了一个基于SSPPC的IRSTD框架。

A. 空间块张量补全

1）模型公式化：空间块张量补全模型的目标是将小目标从均匀背景和高斯噪声中分离出来。如上所述，均匀背景块显示出高度的邻域相关性，即空间块张量前切片的高度相关性。现有的基于张量分析的IRSTD方法采用原始的Tucker秩来表示切片相关性。由于模式展开的切片连接，原始Tucker秩破坏了切片结构的独立性。为了明确模拟结构相关性，我们通过向量化模式展开修改了Tucker秩

其中，是通过按顺序连接矢量化切片获得的矢量化模式-k展开矩阵。由于保留了矢量化操作的块结构，修改后的Tucker秩能够强调具有高块相关性的不同邻域结构。约束指导空间张量秩强调前切片相关性。此外，张量L1范数用于近似张量L0范数以约束目标，张量Frobenius范数被用作高斯噪声约束。因此，空间块张量补全模型由下式给出

其中是正则化系数，，和分别是矩阵核范数、L1范数和Frobenius范数。

2）空间模型的解：使用高效的交替方向乘子法（ADMM）[45]来解决空间块张量补全问题(11)。首先，我们在(11)中引入辅助变量

B. 时间块张量补全

1）模型公式化：由于强干扰的稀疏结构，空间模型分解的目标成分仍然存在干扰残余。时间块张量补全模型的目标是将移动目标从重杂波和结构噪声中分离出来，关键在于时间一致性表示。重杂波的稀疏结构通常在时间维度上保持稳定或缓慢移动，这被称为时间一致性。根据[42]，Tucker秩在不同维度上理论上是平移不变的。该属性源于对水平切片相关性和侧切片相关性的认识。幸运的是，我们在(10)中开发的Tucker秩明确地用和表示了水平切片相关性和侧切片相关性。为了强调时间一致性，我们将时间块张量秩公式化为

结构噪声，如红外图像中的死像素和条带噪声，在时间维度上表现出结构一致性。众所周知，管状L1,1,2范数是有效的结构范数[46]，因此被用作结构噪声正则化。与强干扰不同，目标在时间维度上表现出运动不一致性。

为了使模型具有目标运动感知能力，我们在稀疏目标项中引入长期记忆权重。因此，时间块张量补全模型由下式给出：

其中是L1,1,2范数。

IV. 实验结果

‍‍