基于压缩感知的背景杂波量化方法

摘要

本发明公开了一种基于压缩感知的背景杂波量化方法，主要解决现有杂波尺度不能充分体现人眼视觉感知特性的问题。其实现步骤是：将背景图像分割成若干个大小相等的小单元，组合成背景矩阵；提取目标向量和背景矩阵的主要特征，得到目标特征向量和背景特征矩阵；随机组合目标特征和背景特征，分别得到目标测量矩阵和传感矩阵；对目标测量矩阵和传感矩阵进行归一化处理；由归一化目标测量矩阵和归一化传感矩阵重构稀疏信号；将求得的稀疏信号的绝对值总和作为整幅图像的背景杂波尺度。本发明充分利用了人眼搜索时的三大感知特性，提高了预测目标探测概率与主观实际目标探测概率的一致性，可用于光电成像系统目标获取性能的预测和评估。

主权项

1.一种基于压缩感知的背景杂波量化方法，包括如下步骤：(1)将二维的目标图像列向量化，得到目标向量x；(2)将背景图像分成N个大小相等的小单元，每个背景小单元水平和垂直方向的大小均与目标相应尺寸的大小相等；(3)将每个二维的背景小单元列向量化，并组合成背景矩阵Ψ；(4)借助主成分分析PCA对目标向量x和背景矩阵Ψ降维，分别得到目标特征向量和背景特征矩阵Φ；(5)构造改进的高斯随机矩阵φ，并用改进的高斯随机矩阵φ左乘目标特征向量和背景特征矩阵Φ，随机组合目标特征和背景特征，分别得到目标测量向量和传感矩阵Ω：$\hat{x}=\phi \tilde{x},$Ω＝φΦ；(6)对目标测量向量进行归一化处理，得到归一化目标测量向量ν：$\nu =\hat{x}/{\left|\right|\hat{x}\left|\right|}_2,$其中‖·‖₂表示向量的l²范数；(7)将传感矩阵Ω中每个列向量进行归一化处理得到的结果Θ_i，按下标序号从小到大的顺序，构成归一化传感矩阵Θ，Θ_i＝Ω_i/‖Ω_i‖₂，i＝1，2，…，N，其中，Ω_i和Θ_i分别为传感矩阵Ω和归一化传感矩阵Θ的第i个列向量；(8)借助压缩感知理论，由归一化目标测量向量ν和归一化传感矩阵Θ重构稀疏信号，获得相似向量是由求最小l⁰范数解实现：$\hat{s}=\arg \min {\left|\right|s\left|\right|}_0$其中，s表示所有满足等式：ν＝Θs的N×1维列向量，argf(y)表示取满足函数f(y)的变量y的值，min‖s‖₀表示s的最小l⁰范数；(9)取相似向量中所有元素绝对值的总和，作为背景杂波量化尺度：$\mathrm{CSC}=\underset{i=1}{\overset{N}{\Sigma }}\left|{\hat{s}}_i\right|.$