结合本地和非本地先验的重加权红外补丁张量模型在单帧小目标检测中的应用

本文提出了一种新的红外补丁张量模型，用于单帧小目标检测。该模型同时利用本地先验和非本地先验，解决了传统方法在高度异质背景下的检测问题。该模型首先采用新的红外补丁张量（IPT）模型来表示图像，并保留其空间相关性。然后，利用目标稀疏先验和背景非局部自相关先验，将目标背景分离建模为鲁棒的低秩张量恢复问题。最后，借助结构张量和权重思想，设计了一种局部局部自适应和稀疏性增强权重来代替全局常数加权参数。实验结果表明，该模型优于其他最新技术，特别是对于图像质量非常高的图像昏暗的目标和沉重的杂物。 知识点1：红外补丁张量模型（Infrared Patch-Tensor Model） 红外补丁张量模型是一种基于红外图像的补丁张量模型，用于表示图像并保留其空间相关性。该模型可以捕捉到图像中的局部结构信息，从而提高目标检测的准确性。 知识点2：本地先验（Local Prior） 本地先验是指在图像中的某个局部区域内的先验信息。该先验信息可以捕捉到图像中的局部结构信息，例如边缘、角点等特征。 知识点3：非本地先验（Nonlocal Prior） 非本地先验是指在图像中的某个非局部区域内的先验信息。该先验信息可以捕捉到图像中的全局结构信息，例如背景、目标的相互关系等。 知识点4：目标稀疏先验（Target Sparse Prior） 目标稀疏先验是指目标的稀疏性先验信息，即目标在图像中的稀疏分布。该先验信息可以帮助检测算法更好地检测目标。 知识点5：背景非局部自相关先验（Background Nonlocal Self-Correlation Prior） 背景非局部自相关先验是指背景的非局部自相关先验信息，即背景在图像中的非局部相关性。该先验信息可以帮助检测算法更好地分离目标和背景。 知识点6：结构张量和权重思想（Structure Tensor and Reweighted Idea） 结构张量和权重思想是指在检测算法中使用结构张量和权重思想来代替全局常数加权参数。该方法可以使检测算法更好地适应图像中的局部结构信息。 知识点7：重加权高阶稳健主成分分析（Reweighted Higher Order Robust Principal Component Analysis） 重加权高阶稳健主成分分析是指在检测算法中使用重加权高阶稳健主成分分析来实现分解。该方法可以使检测算法更好地检测目标。 本文提出的红外补丁张量模型可以解决传统方法在高度异质背景下的检测问题，提高目标检测的准确性和鲁棒性。