一种基于自适应时空张量与加权张量平均秩近似的红外弱小目标检测方法

1.一种基于自适应时空张量与加权张量平均秩近似的红外弱小目标检测方法，其特征在于，执行如下步骤：S1.在服务器中获取红外序列变化的数据，并建立ASTIT模型，SSIM定义如下：其中x,y表示两幅图像，μ x ,μ y ,σ x ,σ y 分别表示图像x,y的均值和方差；系数C 1 ＝(K 1 H) 2 ,C 2 ＝(K 2 H) 2 ，K1和K2设置为K 1 ＝0.01,K 2 ＝0.03，H表示像素的动态范围，对于红外图像为255；S2.建立WPTAR-ASTIT模型；对于红外子张量D∈R m×n×L ，将其分解为低秩背景和稀疏目标成分：S3.优化求解过程；将 简化为：其中D,B,T∈R m×n×L 分别表示原始红外张量、背景张量和目标张量；L表示时间长度维度；a k 表示不同转置分量的加权系数，且满足 p是Schatten p范数的关键参数；S4.对数据进行求解，获得结果。 2.如权利要求1所述的一种基于自适应时空张量与加权张量平均秩近似的红外弱小目标检测方法，其特征在于，S21.构建ASTIT结构：通过结合SSIM度量来描述背景杂波的变化程度，原始输入红外图像序列O 1 ,...,O P 被自适应地转换为多个红外子张量D∈R m×n×L ，确保每个子张量中的低秩先验条件得到满足。 3.如权利要求2所述的一种基于自适应时空张量与加权张量平均秩近似的红外弱小目标检测方法，其特征在于，在步骤S2中，所提出模型中的L是根据数据特性动态调整的，而不是预先固定的值。 4.如权利要求3所述的一种基于自适应时空张量与加权张量平均秩近似的红外弱小目标检测方法，其特征在于，S22.分解背景和目标成分：通过WPTAR-ATSIT模型将转换后的子张量分解为低秩背景成分和稀疏目标成分。 5.如权利要求4所述的一种基于自适应时空张量与加权张量平均秩近似的红外弱小目标检测方法，其特征在于，S23.重建目标图像：通过逆操作从获得的目标张量中重建目标图像。 6.如权利要求5所述的一种基于自适应时空张量与加权张量平均秩近似的红外弱小目标检测方法，其特征在于，S24.分离真实目标：通过自适应阈值进一步分离真实目标。