1.一种螺旋梯度优化估计的弱小目标检测方法，其特征在于包括以下步骤：A、获取灰度原始图像，建立螺旋运动模型，设定宽、高为w×h的数据块作为螺旋运动范围；

B、对原始图像中各像元点，以该像元点为中心像元点，获取宽、高为w×h的数据块f0，设定该中心像元点坐标为(x0,y0)，依照螺旋运动模型对其周围位于数据块f0内的像元点进行坐标编号，并将各个像元点的编号存放到一个数组中，数组记为C、将各个数组的中各个像元点中各个坐标的按照螺旋运动顺序排序，各组数组序号记为k(k＝1,2,…,i)；然后设定X向和y向的移动步长，对中心像元点进行移动，获得移动后的中心像元点，然后以移动后的中心像元点(row,col)为中心，获取宽、高为w×h的数据块fk；

D、以移动后的中心像元点(row,col)为螺旋运动范围的中心像元点，依照步骤A建立的螺旋运动模型对其周围位于数据块fk内的像元点进行坐标编号，并将各个像元点的编号存放到一个数组中，数组记为E、数据块f0中各个像元点与数据块fk中各个像元点依照螺旋运动顺序一一对应，求取各组对应点的梯度差，通过构造梯度优化模型来获取其中的梯度最小值，并将该梯度最小值所对应的像元点为中心像元点(x′0,y′0)，获取宽、高为w×h的数据块fk′；求取数据块fk′的均值Fmin1；

F、数据块fk中各个像元点与数据块fk′中各个像元点依照螺旋运动顺序一一对应，求取各组对应点的梯度差，通过构造的梯度优化模型来获取其中的梯度最小值，并将该梯度最小值所对应的像元点为中心像元点(x″0,y″0)，获取宽、高为w×h的数据块fk″；求取数据块fk″的均值Fmin2；

G、基于Fmin1和Fmin2构建梯度优化背景估计模型并求解获得背景图像，原始图像减去背景图像得到的差分图，即为最终输出轮廓图像。

2.如权利要求1所述的螺旋梯度优化估计的弱小目标检测方法，其特征在于：所述的步骤C过程对应的公式如下

其中，num为数组编号；(row,col)代表移动后的中心像元点；step为中心像元坐标点的步长，fk表示新获取的数据块，宽、高为w×h。

3.如权利要求2所述的螺旋梯度优化估计的弱小目标检测方法，其特征在于：所述的步骤E中，获取中心像元点(x′0,y′0)后，将其带入公式(1)，获得宽、高为w×h的数据块fk′；

所述的步骤F中，获取中心像元点(x″0,y″0)后，将其带入公式(1)，获得宽、高为w×h的数据块fk″。

4.如权利要求1所述的螺旋梯度优化估计的弱小目标检测方法，其特征在于：所述的步骤E中，求取数据块f0与数据块fk梯度差、梯度最小值、均值Fmin1的公式如下：其中，L*L为邻域的范围大小，取值为3*3,5*5,7*7,…；Fk(row,col)为中心像元数据块与新获取的数据块fk的梯度差值；(x′0,y′0)为梯度最小值所对应的中心点坐标记；Fmin1为(x′0,y′0)中心像元的数据块的均值。

5.如权利要求4所述的螺旋梯度优化估计的弱小目标检测方法，其特征在于：所述的步骤F中，求取数据块与数据块fk′梯度差、梯度最小值、均值Fmin2的公式如下：其中，L*L为邻域的范围大小，取值为3*3,5*5,7*7,…；Fk′(row1,col1)为中心像元数据块与新获取的数据块fk′的梯度差值；(x″0,y″0)为梯度最小值所对应的中心点坐标记；Fmin2为(x″0,y″0)中心像元的数据块的均值。

6.如权利要求5所述的螺旋梯度优化估计的弱小目标检测方法，其特征在于：所述的步骤G中，构建梯度优化背景估计模型公式如下：

其中，f′(i,j)为背景估计结果，(i,j)为图像中像元点的坐标。