应用于红外小目标检测的贝叶斯框架下鲁棒张量分解模型

摘要

红外成像技术的发展，加速了红外图像处理领域的发展与应用。其中，红外小目标检测是在军事，交通，监控等领域的热点问题。本文针对机载红外小目标图像序列进行研究，提出一种贝叶斯框架下的鲁棒性不完全张量分解模型。利用高维空间保持数据结构的优势，将红外小目标检测推广到三维空间上来。针对红外小目标检测，全文研究的内容主要分为以下三个方面：
　　（1）本文首先了介绍张量以及张量分解的基础知识。张量分解的两种基本方法包括CP分解和Tucker分解，针对这两种方法从基本概念到应用实例都做了详细介绍。为下文张量的应用做了铺垫。
　　（2）建立贝叶斯框架下鲁棒性张量分解的概率模型。总结了现有的结合了鲁棒性、不完全张量分解内容的概率模型主要存在的三个问题：第一，概率模型选择复杂的先验分布，导致收敛慢；第二，张量分解前需要预先指定张量的秩，且张量的秩计算是一个较难解决的NP-hard问题；第三，使用可调的参数建立预测模型，导致模型鲁棒性下降。本模型针对上述问题都予以改进。文章详细介绍了分层概率模型的建立过程，且说明了模型自动推断CP秩的原理。模型建立后，首次将该算法应用到红外小目标检测的领域。将不同背景下红外图片序列自然形成含行、列、时间维度的三阶张量作为输入，代入模型中求解，得到表示背景的低秩张量，表示前景的稀疏张量和噪声三部分。通过稀疏张量展示了前景目标在时间轴上形成的清晰轨迹线。再进一步对进行稀疏张量处理得到最终的检测目标，通过实验证明该模型适用于红外小目标的单目标及多目标的检测。
　　（3）定量分析本文模型的性能指标。首先在张量分解的方式与CP_ALS算法和Tucke_ALS算法比较，然后在检测方式上与传统的红外小目标检测类算法进行比较。采用主观的检测效果观察和客观的指标分析相结合的方式进行比较。定义了几种评价指标，检验使用本算法在张量分解进行红外小目标检测上的性能。

目录

声明

第1章 绪论

1.1 引言

1.2 课题研究背景及意义

1.3国内外研究现状

1.4论文主要工作和结构

1.5本章小结

第2章 张量分解及其在数据处理中的应用

2.1 引言

2.2 张量分解的基础知识

2.3 张量分解的应用实例

2.4 本章小结

第3章 贝叶斯框架下鲁棒性张量分解模型及应用

3.1 引言

3.2 图像及其噪声分析

3.3 贝叶斯框架下鲁棒性不完全张量分解模型

3.4 贝叶斯框架下鲁棒张量分解的单目标检测实验

3.5 贝叶斯框架下鲁棒张量分解的多目标检测实验

3.6本章小结

第4章 红外小目标检测算法的对比分析

4.1 引言

4.2 张量分解方式对比

4.3 与现有红外小目标检测算法的对比

4.4 本章小结

第5章 总结与展望

参考文献

附录

致谢