基于多尺度相对局部对比度的红外小目标检测（RLCM）

基于多尺度相对局部对比度的红外小目标检测（RLCM）

第一次写博客，就是把最近读的文献记录一下~

文献：Han J , Liang K , Zhou B , et al. Infrared Small Target DetectionUtilizing the Multiscale Relative Local Contrast Measure[J]. IEEE Geoence and Remote Sensing Letters, 2018:1-5.

摘要：红外小目标检测具有检测率高、虚警率低、检测速度快等特点，具有重要的应用价值，但由于小目标通常很暗，容易淹没在各种干扰中，检测难度很大。现有的算法不能有效地增强真实目标，同时抑制所有类型的干扰。本文提出了一种利用相对局部对比度(RLCM)的多尺度检测算法。该算法结构简单，首先对原始红外图像的每个像素计算多尺度RLCM，以增强真实目标，同时抑制各种干扰；然后采用自适应阈值提取真实目标。实验结果表明，该算法能够处理复杂背景下不同大小的小目标，与现有算法相比具有更好的有效性和鲁棒性。此外，该算法具有并行处理的潜力，对提高检测速度非常有用。
红外小目标检测在精确制导和预警中发挥着重要作用[1]、[2]。然而，由于以下原因，红外弱小目标往往很难检测出检测率高、虚警率低、检测速度快的目标。
1)由于目标与探测器之间的距离较远，目标在原始红外图像中通常具有暗淡的灰度[3]。
2)原始红外图像中通常存在不同类型的干扰，如高亮度背景、复杂的背景边缘和像素大小的高亮度噪声(PNHB)[4]。
3)在实际应用中，目标尺寸通常是未知的，因此通常需要多尺度检测[5]。
近年来，基于鲁棒人类视觉系统(HVS)特性的检测算法得到了广泛的研究，它们通常可以取得比传统算法更好的检测性能，因为它们是根据局部对比度而不是亮度来提取目标[4]-[12]。然而，如何计算局部对比度是基于人眼视觉系统(HVS)算法的关键问题之一，它直接决定了检测性能。
到目前为止，关于如何计算局部对比度还没有达成共识，不同的研究人员倾向于使用不同的局部对比度定义。现行的定义大体上可以分为两类：差异式定义和比率式定义。差分形式的定义包括高斯拉普拉斯(LOG)滤波器[5]、高斯(DOG)滤波器的差分[6]、Gabor滤波器的改进差分[7]、累积中心-周围差测度[8]和多尺度基于斑块的对比度测度(MPCM)[9]，将局部中心和局部环境之间的差作为局部对比度。这些算法能有效消除高亮度背景，但不能有效增强小目标。
比率形式定义包括局部对比度(LCM)[10]、改进的局部对比度(ILCM)[4]、新的局部对比度(NLCM)[11]和加权局部差度量(WLDM)[12]，首先计算局部中心与局部环境之间的比率作为增强因子，然后将增强因子与局部中心值的乘积作为局部对比度。这些算法可以有效地增强目标，但它们使用的是绝对的局部对比度，不能有效地消除高亮度背景。一种改进是与预处理相结合，如DOG或LOG[4]、[11]。然而，由于任何算法中的任何错误都会干扰结果，因此检测的鲁棒性可能会受到损害。
本文提出了一种基于多尺度相对局部对比度(RLCM)的红外弱小目标检测算法。该算法可以有效地处理复杂背景下不同大小的小目标，且不需要预处理算法来消除高亮度背景，从而保证了其鲁棒性。此外，该算法具有并行处理的潜力，对提高检测速度非常有用。

2 提出的算法

所提算法的流程图如图1所示。该算法结构简单，首先对原始红外图像的每个像素计算多尺度RLCM，以增强真实目标，同时抑制所有类型的干扰(包括高亮度背景、复杂背景边缘和PNHB)；然后，应用自适应阈值提取真实目标。

A.RLCM计算
在这封信中，受LCM[10]的启发，我们使用9个单元的图像修补窗口(如图1的左上角所示，单元大小应接近或略大于目标)来计算原始IR图像的每个像素的RLCM，即在原始图像上从左到右和从上到下逐个像素滑动图像修补窗口；在每个位置，中心单元的中心像素的RLCM定义为：


要获得更大的FI，建议将K2设置为略大于K1的值。
如图1所示，原始图像中通常存在不同类型的干扰，如高亮度背景、复杂背景边缘和PNHB（像素大小的高亮度噪波）。我们将讨论不同类型像素的RLCM结果。
1)对于目标像素(用T表示)，由于真实的小目标通常是局部显著的，我们可以很容易地得到：

2)对于背景像素(用B表示)，由于背景通常很大且连续，我们很容易得到

比较(5)和(7)可以看出，使用RLCM可以在去除背景(包括高亮度背景)的同时增强小目标。实际上，RLCM可以理解为根据(1)的增强小区(0)和原始小区(0)之间的差值，这就是它被命名为RLCM的原因。差分运算的优点是可以有效去除高亮度背景，不需要DOG或LOG等预处理算法。
3)对于背景边缘像素(表示为E)，由于背景边缘通常分布在局部小区域内的特定方向，因此(1)中不同方向的最小运算保证了RLCM能够有效地抑制复杂的背景边缘，并且存在

4)对于PNHB，即使它的灰度值接近或略大于真实目标，当我们将K1设置为大于1的值时，它的Ime0值仍然小于真实目标的灰度值，所以

通过以上讨论，我们可以得出结论，经过RLCM计算后，真正的小目标将是最突出的，所有类型的干扰都将被抑制。

B.多尺度RLCM计算
式(2)和(3)中的K1和K2是该算法中的两个关键参数。为了对真实的小目标进行更好的增强，需要根据目标的大小自动调整K1和K2。然而，在实际应用中，目标尺寸通常是未知的，这意味着需要进行多尺度的RLCM计算。多尺度RLCM计算过程如下所示：

可以很容易地证明，经过多尺度RLCM计算后，(5)和(7)-(9)中的结论仍然成立。此外，该算法还具有并行处理的潜力，这对于提高检测速度非常有用：不同尺度的计算可以并行进行；对于每个尺度，不同像素的计算可以并行进行；对于每个像素，不同方向的计算可以并行进行。
C.阈值分割
在SM中，真正的小目标是最突出的，可以通过阈值操作来提取。在该字母中，阈值Th自适应地定义为：

其中μSm和σSm是Sm的均值和标准差，而Kth是给定的参数。我们的实验表明，KTH的最佳范围是2到9。RLCM值大于Th的像素将作为目标像素输出，而其他部分将被丢弃。

3 总结
本文提出了一种基于多尺度RLCM的红外弱小目标检测算法。它能有效地增强真实小目标，抑制所有其他干扰。实验结果表明，该算法能够处理复杂背景下不同大小的小目标，具有较好的有效性和鲁棒性。此外，该算法具有并行处理的潜力，有利于提高检测速度。