阅读说明：本技术 一种暗弱目标红外微分探测方法 (Infrared differential detection method for dark and weak targets ) 是由 饶鹏 陈略 贾良杰 于 2021-07-15 设计创作，主要内容包括：本发明公开了一种暗弱目标红外微分探测方法,包括建立不同的红外微分探测模型,如典型目标和背景的光谱特性模型、偏振特性模型和运动特性模型,通过在不同维度的微分探测区间内对目标特性模型的比较分析,在物理因素层面筛选探测维度；提出微分探测因子选择优化方法,对筛出的维度进行优化,选出最优的红外微分维度和区间作为微分探测因子,使得输出的微分探测因子流中目标分量与杂波、噪声分量差异最大。红外微分探测方法为解决对暗弱目标检测效果差和难以识别的难题提供基础。(The invention discloses a dark and weak target infrared differential detection method, which comprises the steps of establishing different infrared differential detection models, such as a spectral characteristic model, a polarization characteristic model and a motion characteristic model of a typical target and a background, and screening detection dimensions on the level of physical factors by comparing and analyzing the target characteristic models in differential detection intervals with different dimensions; and (3) providing a differential detection factor selection optimization method, optimizing the screened dimensions, and selecting the optimal infrared differential dimensions and intervals as differential detection factors so as to enable the difference between target components in the output differential detection factor flow and clutter and noise components to be maximum. The infrared differential detection method provides a basis for solving the difficult problems of poor detection effect and difficult identification of the dark and weak targets.)

一种暗弱目标红外微分探测方法

技术领域

本发明属于红外遥感和红外空间技术领域，特别是涉及一种暗弱目标红外微分探测方法。

背景技术

当前，天基红外探测主要为对地复杂背景下的暗弱目标探测，存在图像信噪比/信杂比低等局限，导致该类目标的感知仅停留在检测和跟踪层面，且极易因为噪声和杂波造成虚警、漏检和误跟踪，难以保证系统稳定性，无法满足天基红外探测的能力需求。红外微弱目标的有效探测是一个亟待突破的技术瓶颈，实现红外微弱目标的探测对天基红外探测系统发展具有重大价值和现实意义。在现有红外成像体制下，多维度信息融合在一定程度上能够提高探测和感知能力，但由于采用传统的基于能量积分方法，无法有效区分目标与背景的差异。具体表现为在对各维度信号进行采集、放大和量化过程中，会引入较多的噪声和量化误差，对信噪比产生影响甚至造成严重衰退，这种无法对红外目标信号与噪声、背景杂波的选择性放大导致了数字融合信息处理难以达到预期，严重制约了红外探测能力。该问题也被称红外目标的非选择性感知缺陷。上述缺陷的解决的思路就在于寻找红外目标与背景在不同维度信息的差异并加以区分实现选择性放大，从根本上实现目标的选择性感知。

发明内容

为了克服上述问题，本发明提供了一种暗弱目标红外微分探测方法。

本发明所采用的技术方案是：

一种暗弱目标红外微分探测方法，包括以下步骤：

步骤一：构建红外信号统计模型：

为分析筛选红外微分探测因子，针对典型目标，对遥感探测的作用因子开展研究，构建典型目标和背景的光谱特性模型L(λ，l，T)、偏振特性模型P(θ，l)和运动特性模型G(x，y，t)；

在构建目标和背景光谱模型的基础上，开展噪声-杂波联合统计特性分析，构建运动特性模型G(x，y，t)，统计目标在探测系统上的响应与空间位置和时间的规律；

利用辐射传输模式分别模拟计算目标和背景的红外微分探测量；对模拟探测量用传统探测方法和红外微分探测方法进行目标检测，计算二者的区分系数；最后对区分系数进行比较，对典型目标和场景确定其可用的红外微分探测维度信息；

通过红外微分探测机理模型和目标特性模型的比较分析，在物理因素层面筛选探测维度；

步骤二：红外微分探测模型构建和微分探测因子的选择：

根据步骤一输出的探测维度，选出最优的红外微分维度和区间作为微分探测因子，并对所获因子进行优化，使得输出的红外信号中暗弱目标分量与杂波、噪声分量差异最大；

红外微分探测模型其数学模型由下式概括：

其中，步骤一中遥感探测的作用因子包括波段、偏振态和时空特性。

其中，步骤一中G为灰度值，P为偏振度，L为光谱强度，λ为波长，l为探测距离，T为辐射源温度，(x,y)为图像坐标，t为成像时刻。

其中，步骤二中F为求差异的方法，y₁,y₂,…,y_m是在不同维度x上的响应，x₁，x₂，…，x_n为x维度上的n个不同红外微分区间，表示最优的红外微分因子集。

本发明的优点如下：

红外微分探测通过多模探测数据的变化率构建区分因子，通过简单分析可知，红外微分探测的最大优势在于对单模探测时目标和背景接近的场景提高了区分能力，因此以单模探测时目标区分度为0时作为比较基准，建立红外微分探测的数值化分析，确定可使红外暗弱目标与背景、噪声之间差异最大的维度和微分区间，为红外暗弱目标探测的实践应用指导。

附图说明

图1为本发明的实现流程框图；

图2为本发明的分析筛选可用红外微分因子流程图。

具体实施方式

下面对本发明作进一步的说明，但本发明并不局限于这些内容。

一种暗弱目标红外微分探测方法，包括以下步骤：

步骤一：构建红外信号统计模型：

为分析筛选红外微分探测因子，针对典型目标，对遥感探测的作用因子包括波段、偏振态和时空特性等开展研究，构建典型目标和背景的光谱特性模型L(λ，l，T)、偏振特性模型P(θ,l)和运动特性模型G(x,y,t)，其中G为灰度值，P为偏振度，L为光谱强度，λ为波长，l为探测距离，T为辐射源温度，(x,y)为图像坐标，t为成像时刻；

在构建目标和背景光谱模型的基础上，开展噪声-杂波联合统计特性分析，构建运动特性模型G(x,y,t)，统计目标在探测系统上的响应与空间位置和时间的规律；

利用辐射传输模式分别模拟计算目标和背景的红外微分探测量；对模拟探测量用传统探测方法和红外微分探测方法进行目标检测，计算二者的区分系数；最后对区分系数进行比较，对典型目标和场景确定其可用的红外微分探测维度信息；

通过红外微分探测机理模型和目标特性模型的比较分析，在物理因素层面筛选探测维度；

步骤二：红外微分探测模型构建和微分探测因子的选择：

根据步骤一输出的探测维度，选出最优的红外微分维度和区间作为微分探测因子，并对所获因子进行优化，使得输出的红外信号中暗弱目标分量与杂波、噪声分量差异最大；

红外微分探测模型其数学模型由下式概括：

F为求差异的方法，y₁,y₂,…,y_m是在不同维度x上的响应，x₁,x₂,…,x_n为x维度上的n个不同红外微分区间，表示最优的红外微分因子集。

基于选择性的红外微分探测机理模型的构建过程，是对公式(1)具体推导和优化，确定微分因子集的过程。具体推导与优化过程如下：

目标在某一维度维度的响应积分满足：

式中，y(x)是遥感仪器对此维度信息的响应关系，根据步骤一中的信号统计模型获得，对于小目标探测来说，目标响应积分R_AIM和背景积分R_BG分别有：

其中y_AIM(x)和y_BG(x)分别是遥感仪器对谱段维度中目标和背景信息的响应。为了区分目标，显然R_AIM和R_BG要有所区别。假设采用差分模式，令

当R_AIM和R_BG差别较大，即响应维度内目标和背景差别较大时，无论是ΔR还是ΔK方式，都可以明显区分目标和背景，难点在于当R_AIM和R_BG差别较小时，通过ΔR还是ΔK都无法进行区分。

本发明引入红外微分探测概念，红外微分公式表示为：

公式从理论层面指出红外微分探测放大了目标和背景的差别。对于红外微分探测公式来说，其区分系数ΔK'和传统探测区分系数ΔK进行比较，显然当目标R_AIM和背景R_BG差别较小时，ΔK≈1，因此当双模红外微分探测时，需要ΔK'<<1或者ΔK'>>1，此时与传统探测区分系数相比，新的区分系数区分作用明显。

在因子集求解方面，初步拟用一种可行的方法“基于序优化理论”。主要步骤如下：

1)依照均匀分布从解集中抽取N个可行解；

2)利用欧式距离对可行解进行评价，构造可行解序曲线(OPC)；

3)根据OPC曲线类型确定探测集S；

4)利用优化模型从S中选取最优解，并得到相应的适应度误差值；

实施例

仿真环境：Matlab2020b；

测试输入：不同类型红外目标的基本参数，不同类型背景的辐射参数，模拟探测系统的轨道高度、读出噪声、量化位数和波段范围等参数以及不同背景参数。

指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。