本發(fā)明涉及基于多尺度低秩結(jié)構(gòu)表征的深空目標數(shù)據(jù)融合增強方法，屬于深空探測。

背景技術(shù)：

1、傳統(tǒng)的深空目標數(shù)據(jù)融合技術(shù)是一種將深空目標探測中得到的可見光圖像、紅外圖像和紅外光譜儀數(shù)據(jù)進行融合的方法?？梢姽獬上窦夹g(shù)通過天文望遠鏡等光學系統(tǒng)捕捉可見光波段（通常為400nm至700nm）的輻射來生成圖像，這種技術(shù)為深空探測提供了高分辨率的圖像信息，廣泛應(yīng)用于天文學、航天探索、衛(wèi)星導航等領(lǐng)域。紅外成像技術(shù)通常由紅外傳感器和光學系統(tǒng)組成，通過探測物體發(fā)出的紅外輻射（波長通常在0.75微米到1000微米之間）來獲取圖像。這些圖像不僅能揭示物體的可見特征，還能提供關(guān)于物體溫度、物質(zhì)組成等關(guān)鍵信息。而紅外光譜儀技術(shù)基于紅外輻射的吸收和發(fā)射特性，通過探測物體在紅外波段的反射、吸收或發(fā)射光譜，得到物質(zhì)的分子結(jié)構(gòu)、化學組成、溫度等信息。

2、傳統(tǒng)的深空目標數(shù)據(jù)融合技術(shù)在多尺度多模態(tài)數(shù)據(jù)處理方面存在一定的缺陷，傳統(tǒng)的處理方法往往是把多模態(tài)數(shù)據(jù)分別處理后直接融合，這種處理方式可能會導致關(guān)鍵信息的丟失，進而影響數(shù)據(jù)融合的效果。由于紅外、可見光圖像數(shù)據(jù)和非圖像紅外光譜數(shù)據(jù)在時間、空間以及尺度方面都缺乏同步性，傳統(tǒng)融合技術(shù)可能無法處理這種數(shù)據(jù)不一致性，從而導致融合數(shù)據(jù)中的信息丟失。并且，由于空間目標的暗弱特性，傳統(tǒng)方法得到的融合數(shù)據(jù)往往無法充分利用多光譜數(shù)據(jù)之間的跨模態(tài)相關(guān)性進行特征增強，從而產(chǎn)生信息丟失。另外，傳統(tǒng)數(shù)據(jù)融合方法在處理多模態(tài)數(shù)據(jù)時往往涉及到大量的對齊、插值和配準等操作，從而增加計算和存儲的負擔。

3、低秩特征表示方法可以在多模態(tài)數(shù)據(jù)融合時有效地學習不同模態(tài)之間的關(guān)聯(lián)性，從而實現(xiàn)更全面的信息整合，并且能夠有效減少數(shù)據(jù)的冗余信息，使得計算更加高效?；诘椭忍卣鞅硎镜纳羁漳繕藬?shù)據(jù)融合技術(shù)有更強的噪聲去除能力、更高的融合精度、魯棒性和靈活性，能夠?qū)崿F(xiàn)多模態(tài)深空目標數(shù)據(jù)的多尺度融合和特征增強，同時滿足深空目標探測任務(wù)對實時性和準確性的要求。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供基于多尺度低秩結(jié)構(gòu)表征的深空目標數(shù)據(jù)融合增強方法。

2、為了實現(xiàn)上述目的，本發(fā)明提供基于多尺度低秩結(jié)構(gòu)表征的深空目標數(shù)據(jù)融合增強方法，包括如下步驟：

3、step?1、采集來自同一空間目標在不同時序條件下的多光譜數(shù)據(jù)，包括可見光圖像、紅外圖像和紅外光譜數(shù)據(jù)；

4、step?2、對step?1中采集的可見光和紅外圖像數(shù)據(jù)通過均值濾波去噪和自適應(yīng)直方圖均衡化(ahe)的方法進行預(yù)處理，對紅外光譜數(shù)據(jù)通過高斯平滑去噪和多項式基線校正的方法進行預(yù)處理；

5、step?3、采用高斯金字塔方法將step?2中得到的多源數(shù)據(jù)分解表示為多尺度矩陣的形式，采用交替最小二乘優(yōu)化算法進行低秩稀疏矩陣分解(lrasmd)的求解，對多時序多光譜數(shù)據(jù)進行共享特征提??；

6、step?4、采用跨模態(tài)注意力機制的方法融合多尺度的低秩結(jié)構(gòu)特征，得到完整的融合特征數(shù)據(jù)；

7、step?5、對step?4中得到的融合特征數(shù)據(jù)進行去噪和圖像銳化的數(shù)據(jù)后處理，得到最終的多源融合特征數(shù)據(jù)。

8、進一步地，所述step?2中對采集的可見光和紅外圖像數(shù)據(jù)通過均值濾波去噪和自適應(yīng)直方圖均衡化的方法進行預(yù)處理，對紅外光譜數(shù)據(jù)通過高斯平滑去噪和多項式基線校正的方法進行預(yù)處理的步驟為：

9、step?2.1-1、讀入可見光和紅外圖像數(shù)據(jù)，采用基于均值濾波的去噪方法對圖像進行去噪操作，均值濾波（mean?filtering）是一種常見的圖像去噪方法，通過將每個像素的值替換為其鄰域像素的平均值來平滑圖像，去除噪聲，設(shè)表示圖像中位置的像素值，表示圖像中以為中心的濾波器鄰域。選擇5×5大小的濾波器，并通過復制邊緣進行圖像邊界處理。均值濾波器的輸出用以下公式表示：

10、；

11、將計算得到的均值賦值給當前像素，從而平滑圖像。

12、step?2.1-2、采用自適應(yīng)直方圖均衡化方法對可見光和紅外圖像進行圖像增強，自適應(yīng)直方圖均衡化（adaptive?histogram?equalization,?ahe）是一種圖像增強方法，旨在通過調(diào)整圖像的對比度來改善局部細節(jié)，將整個圖像劃分為8×8大小的窗口，對于每個局部窗口，計算其直方圖歸一化累積分布函數(shù)，計算公式如下：

13、；

14、其中，是局部窗口在像素值上的歸一化直方圖頻率，是窗口的像素數(shù)量，l是圖像數(shù)據(jù)的灰度級數(shù)；

15、對于圖像中的每個原始像素，根據(jù)其所在的局部窗口的直方圖歸一化累積分布函數(shù)值，更新該像素的值為，計算公式為：

16、；

17、step?2.2-1、采用高斯平滑方法對紅外光譜數(shù)據(jù)進行去噪處理，高斯平滑（gaussian?smoothing）是一種常見的圖像去噪方法，通過應(yīng)用高斯濾波器來平滑圖像，去除噪聲，高斯濾波器基于高斯函數(shù)（正態(tài)分布函數(shù)），其權(quán)重隨著距離中心點的增大而逐漸減小，因此可以有效地平滑圖像中的細節(jié)和噪聲，同時保留圖像的主要結(jié)構(gòu)和邊緣信息，對于每個像素點，使用高斯濾波器對其周圍的鄰域進行加權(quán)平均，得到平滑后的像素值，計算公式如下：

18、；

19、step?2.2-2、采用多項式基線校正的方法對紅外光譜數(shù)據(jù)進行預(yù)處理，多項式基線校正（polynomial?baseline?correction）是一種用于去除信號中基線漂移或背景噪聲的技術(shù)，廣泛應(yīng)用于光譜數(shù)據(jù)處理中，該方法通過擬合信號的多項式曲線（通常為低階多項式，如一次或二次多項式）來表示信號的基線部分，然后將該基線部分從原始信號中去除，從而校正信號的真實信息，假設(shè)原始數(shù)據(jù)是一個包含個波長值和對應(yīng)吸收強度的數(shù)組：

20、；

21、其中，是波長，是對應(yīng)的吸收強度；

22、隨后，識別光譜數(shù)據(jù)中的基線漂移區(qū)域，選擇一定階數(shù)的多項式函數(shù)，通過最小二乘法對光譜中的基線漂移進行擬合，得到的基線漂移多項式形式為：

23、；

24、通過擬合出的基線漂移多項式，可以從原始光譜中去除基線漂移，得到去基線漂移后的光譜數(shù)據(jù)，計算公式為：

25、；

26、進一步地，所述step?3中采用高斯金字塔方法將step?2中得到的多源數(shù)據(jù)分解表示為多尺度矩陣的形式，采用交替最小二乘優(yōu)化算法進行低秩稀疏矩陣分解(lrsmd)的求解，對多時序多光譜數(shù)據(jù)進行共享特征提取的步驟為：

27、step?3.1、為了提取多源數(shù)據(jù)的主要成分，采用高斯金字塔分析方法將數(shù)據(jù)進行多尺度分解，高斯金字塔（gaussian?pyramid）分析方法是一種多尺度圖像處理技術(shù)，通過連續(xù)地對圖像應(yīng)用高斯濾波并逐步下采樣，生成一系列不同分辨率的圖像；

28、將預(yù)處理過的深空目標多源數(shù)據(jù)表示為矩陣，作為金字塔的第1層，即高斯金字塔的底層；

29、首先對第一層數(shù)據(jù)應(yīng)用高斯濾波，濾波器計算公式為：

30、；

31、其中，是標準差，決定了濾波器的寬度，控制了平滑的程度；

32、對高斯濾波結(jié)果進行下采樣，即得到第二層數(shù)據(jù)；

33、隨后對第二層數(shù)據(jù)繼續(xù)應(yīng)用高斯濾波和下采樣，即得到第三層數(shù)據(jù)，從而得到了三個不同尺度下的多源數(shù)據(jù)信息，高斯金字塔的每一層代表了數(shù)據(jù)在不同尺度上的特征；

34、step?3.2-1、為了提取多源多尺度數(shù)據(jù)的共享特征，采用交替最小二乘優(yōu)化算法對數(shù)據(jù)進行低秩稀疏矩陣分解(lrasmd)，該方法旨在從給定的矩陣中同時恢復其低秩部分和稀疏部分，以去除噪聲并提取主要結(jié)構(gòu)信息；

35、設(shè)為各個尺度的數(shù)據(jù)，低秩稀疏矩陣分解的目的是將分解為和兩個部分的矩陣之和，其中是低秩矩陣，表示數(shù)據(jù)的主要結(jié)構(gòu)或趨勢，是稀疏矩陣，表示數(shù)據(jù)中的異常值、噪聲或稀有特征，本方法采用交替最小二乘優(yōu)化方法對低秩稀疏矩陣分解進行優(yōu)化，即在每一步中固定一個矩陣，最小化另一個矩陣，從而逐步逼近最優(yōu)解；

36、在初始時，需要對矩陣和進行初始化，將初始化為矩陣m的奇異值分解低秩近似矩陣，矩陣則初始化為零矩陣，低秩稀疏矩陣分解的優(yōu)化過程即為最小化低秩矩陣和稀疏矩陣的分解誤差，誤差公式為：

37、；

38、其中，代表范數(shù)，rank表示矩陣秩，card表示矩陣分量個數(shù)，r表示低秩背景矩陣秩的最大值，k表示稀疏矩陣的稀疏度，反映了圖像中的稀疏分量，通常將其定義為的范數(shù)；

39、step?3.2-2、對低秩矩陣和稀疏矩陣進行交替優(yōu)化，通過交替優(yōu)化的過程逐漸縮小低秩矩陣和稀疏矩陣的分解誤差；

40、首先固定稀疏矩陣，優(yōu)化低秩矩陣，優(yōu)化過程的計算公式為：

41、；

42、其中，t為數(shù)據(jù)矩陣的維數(shù)；

43、隨后，固定低秩矩陣，優(yōu)化稀疏矩陣，優(yōu)化過程的計算公式為：

44、；

45、隨著迭代次數(shù)的增加，分解誤差會單調(diào)減少；當（為選定的容錯系數(shù)）時，判斷優(yōu)化過程收斂，得到對應(yīng)背景信息的低秩矩陣和對應(yīng)異常目標信息的稀疏矩陣；

46、進一步地，所述step?4中采用跨模態(tài)注意力機制的方法融合多尺度的低秩結(jié)構(gòu)特征，得到完整的融合特征數(shù)據(jù)的步驟為：

47、通過跨模態(tài)注意力機制自適應(yīng)地學習不同模態(tài)和不同尺度之間的關(guān)系，可以使模型自動聚焦于重要特征，抑制冗余或不相關(guān)的信息，從而有效地將多源信息融合在一起，具體地，為圖像特征和非圖像特征分別定義查詢（query）、鍵（key）和值（value），計算公式為：

48、；

49、其中，,,是學習得到的權(quán)重矩陣，分別用于映射查詢、鍵和值；

50、通過計算查詢和鍵的點積，得到注意力權(quán)重，計算公式為：

51、；

52、其中，是鍵的維度，用于縮放點積，防止梯度爆炸；

53、通過特征拼接將圖像特征和非圖像特征融合，得到融合特征，計算公式為：

54、；

55、進一步地，所述step?5中對step?4中得到的融合特征數(shù)據(jù)進行去噪和圖像銳化的數(shù)據(jù)后處理，得到最終的多源融合特征數(shù)據(jù)的步驟為：

56、采用低秩恢復算法對融合特征信息進行去噪操作，通過低秩恢復算法將數(shù)據(jù)矩陣分解為低秩矩陣和稀疏矩陣的和，低秩矩陣代表了數(shù)據(jù)的主要模式和結(jié)構(gòu)，而稀疏矩陣包含噪聲或異常值，從而達到去噪的效果，具體地，首先對step?4中得到的融合特征矩陣f進行svd分解得到：

57、；

58、其中，和是奇異向量，是奇異值矩陣；

59、隨后，對奇異值矩陣進行閾值化，即將小于某個閾值的奇異值設(shè)為零，得到：

60、；

61、其中，是閾值參數(shù)，控制奇異值的壓縮程度；

62、最后，通過矩陣重建得到低秩矩陣：

63、；

64、通過上述去噪操作，得到了去除噪聲并保留原矩陣主要結(jié)構(gòu)的低秩矩陣；

65、采用拉普拉斯濾波方法對特征數(shù)據(jù)進行銳化增強，具體地，在應(yīng)用過程中，首先對原始特征數(shù)據(jù)進行拉普拉斯濾波，得到數(shù)據(jù)的二階導數(shù)（即變化率），然后，通過將拉普拉斯濾波后的結(jié)果與原始數(shù)據(jù)進行加權(quán)疊加（通常是將加權(quán)系數(shù)設(shè)為正值）來增強圖像或信號中的邊緣部分，從而提高細節(jié)對比度和結(jié)構(gòu)信息，達到特征增強的效果；

66、設(shè)表示處理前的矩陣數(shù)據(jù)，拉普拉斯濾波方法的計算公式為：

67、；

68、其中，是控制銳化強度的參數(shù)。

69、經(jīng)過上述后處理操作后，得到了最終的深空目標多尺度融合增強圖像數(shù)據(jù)。可滿足后續(xù)的深空目標探測等任務(wù)的需求。

70、有益效果：解決了多光譜數(shù)據(jù)的冗余、噪聲及尺度差異的問題，能充分利用多源深空目標圖像和光譜數(shù)據(jù)，提高數(shù)據(jù)融合效果和融合圖像質(zhì)量，具有較強的魯棒性和穩(wěn)健性，有效減少冗余和噪聲干擾，提高數(shù)據(jù)融合的準確性，同時能夠降低計算和存儲的復雜度，實現(xiàn)低秩結(jié)構(gòu)表征的多源數(shù)據(jù)的高效融合，適用于深空暗弱目標物體的檢測和識別任務(wù)中。