基于视觉显著性的红外弱小目标检测-王警予 | 阅读笔记
第四章 基于稀疏低秩分解的红外弱小目标检测
key 视觉注意力机制 稀疏低秩分解
针对人类视觉显著性是基于人类视觉注意的特点,将红外图像中显著性部分的求解,转化为红外图像对应灰度矩阵的稀疏部分求解问题。我们将包含弱小目标的红外图像按列组合成对应的矩阵,对得到的矩阵进行稀疏低秩分解,通过对构建的稀疏矩阵进行求解得到显著性图,对显著性图进行阈值分割得到红外弱小目标。
- 自顶向下视觉注意机制是由人类自主意识支配,依赖于特定的命令,主要影响因素是高层语义,包括:前景和背景,通过视觉关注的相关实验,我们发现人眼视觉往往在前景区域寻找目标,并且忽略背景区域的内容。
- 利用矩阵稀疏低秩分解的手段,构造红外弱小目标检测在特定任务下的人眼视觉显著性过程的计算模型。将计算红外图像中的显著性部分转化为计算红外图像稀疏矩阵。
将计算红外图像中的显著性部分转化为计算红外图像稀疏矩阵。
红外图像序列中,每一帧红外图像的背景都有很强的相似性,因此,图像背景所构成的矩阵具有低秩性,而目标是不断变化的,在每一帧红外图像中的位置都是不同的,因此,由**目标构成的矩阵具有稀疏性**。
矩阵低秩分解
矩阵低秩分解又被称为鲁棒主成分分析(RPCA)。
基本思想:
假设输入矩阵为两个数据构成,且这两个数据具有显著特征,这当中某一个数据矩阵符合稀疏特性,另一个符合低秩特性,那么就可以利用这一特性通过凸优化方法复原出这个矩阵的低秩以及稀疏成分。
针对红外弱小目标:
经过稀疏低秩的处理把图像中的背景区域用低秩矩阵来简单表达,弱小目标用稀疏矩阵来表达,来实现背景和目标的分离。
矩阵稀疏低秩分解方法
奇异值阈值法(Singular Value Thresholding,SVT)
加速近端梯度算法(AcceleratedmProximalGradient,APG)
增广的拉格朗日乘子法(Augmented Lagrange Multiplier,ALM)
非精确的增广拉格朗日乘子法(InexactAugmentedLagrangeMultiplier,IALM)