文章目录[隐藏]
红外弱小目标检测算法综述
——————
参考文献：
李俊宏,张萍,王晓玮,黄世泽.红外弱小目标检测算法综述[J].中国图象图形学报,2020,25(09):1739-1753.
——————
依据是否利用帧间相关信息分为：
1、 基于单帧红外图像的弱小目标检测
由于不同红外图像中的小目标具有不同的外观、形状和姿态，加之噪声杂波的干扰遮挡，经过单帧检测后,除了真实目标外,图像中可能有虚假目标和一些强噪声。
2、 基于红外序列的弱小目标检测
虽然近年来计算机的性能得到了很大的发展，但一些计算量较大的基于序列图像的算法仍然受到计算机计算能力的限制。另外，在进行基于序列图像的算法研究及应用的过程中也需要采用许多基于单帧图像算法中的关键步骤，因此基于单帧图像算法的研究将是近年来的热点。
一 基于单帧红外图像
1、 基于滤波的方法
整体而言，计算量小，但是效果较差，只能在一定程度上起到抑制均匀背景的作用，不能解决复杂背景的问题，且检测率低，算法的鲁棒性较差。
| 基于滤波 | 特点 | 不足 |
|---|---|---|
| 基于空域滤波的算法 | 计算量较小，复杂度较低 | 该方法使小目标和孤立的噪声点均可以通过，导致检测率低。 |
| 基于频域滤波的算法 | 检测效果有明显提升 | 计算复杂度较高 |
1） 空域滤波：
主要思路为：先通过滤波对背景进行估计，然后将原始图像与滤波得到的背景图像进行差分以突出小目标，最后对差分图像进行阈值分割，实现对小目标的检测。
此种方法的重点在于通过滤波实现背景抑制。
2） 频域滤波：
基本思路为：首先通过相应的变换得到频域信息，然后对频域信息进行处理，最后通过反变换将其变换回空间域，实现对红外弱小目标的检测。
2、 基于人类视觉系统(human visual system，HVS)
基于HVS的方法通过目标与背景的局部差异 构建可以突出目标的显著图，进而实现对目标的检测。
该方法的关键在于显著图的获取。
| 基于人类视觉系统 | 特点 | 不足 |
|---|---|---|
| 基于频谱残差的算法 | 算法简单、易于实现 | 不能很好地抑制背景杂波 |
| 基于局部对比度的算法 | 不丢失小目标特征 | 不适合检测暗目标 |
1） 基于频谱残差的算法
该算法仅对无需先验信息，纹理、形状等特征不明显的红外弱小目标检测效果较好，且算法简单、易于实现，但算法不能很好地抑制背景杂波。
2） 基于局部对比度的算法
其基本原则是利用小目标区域与周围相应区域的差异进行对比度测量。但该算法不适合检测暗目标。
3、 基于低秩稀疏恢复的方法
基于稀疏矩阵和低秩矩阵恢复的方法对于普通红外图像具有优异的稳定性能。但是在某些情况下也存在一些缺点，首先在计算上很耗时，因为需要进行多次矩阵分解和优化迭代操作。此外，大多数算法虽然可以通过施加一定的约束来提高检测精度，但是对于目标较暗且背景复杂的红外图像，一些强杂波信号可能会像目标信号一样稀疏，导致虚警率增高。
| 基于低秩稀疏恢复 | 特点 | 不足 |
|---|---|---|
| 基于稀疏表示的算法 | 在环境迅速变化时的检测效果较好；在强噪声背景条件下有较高的检测性能，有较低的虚警率和更好的鲁棒性 | 背景抑制效果欠缺 |
| 基于块图像的算法 | 保持空间相关性； 对边缘较强的图像有很好的效果 | 计算速度慢； 复杂背景下检测效果欠佳。 |
1） 基于稀疏表示的算法
稀疏表示之前主要应用于分类任务，主要是利用频率特征差异实现目标检测。根据调研，红外弱小目标往往呈现稀疏特征，背景由于重复元素多，从而使其有低秩特性，使检测变成一个分类任务。对红外图像进行稀疏表示非常适合。
2） 基于块图像的算法
红外图像块模型通过“滑窗”方式分块，分离出每个块的稀疏的目标特征，实现检测任务。该思想通过对输入数据进行重新排布，来增强图像中各个部分的性质，很好地保持空间相关性。
4、总结
| 基于单帧 | 特点 | 不足 |
|---|---|---|
| 基于滤波的方法 | 思路简单、计算量小 | 效果较差，只能在一定程度上起到抑制均匀背景的作用，不能解决复杂背景的问题，且检测率低，算法的鲁棒性较差。 |
| 基于人类视觉系统的方法 | 算法简单、易于实现 | 较局限、效果较差 |
| 基于低秩稀疏恢复的方法 | 能够适应信噪比较低的图像； 对于比较复杂的异构背景同样有较高的可靠性。 | 计算上很耗时； 对于目标较暗且背景复杂的红外图像，虚警率高。 |
基于滤波的方法主要适用于单一、均匀的连续背景以及目标尺寸较小的场景中;基于 HVS 的检测方法主要适用于目标亮度相对较大，与周围的背景呈现较为明显差异的场景中;基于低秩稀疏恢复的方法明显适用于几乎各种复杂、迅速变化的背景，但在实际使用中需要 GPU 等进行加速来使其满足实际监控等场景的实时性。
总体而言，基于低秩稀疏恢复的方法在两种客观评价指标上的平均性能明显优于其他两类算法。在时间消耗方面综合众多文献对不同算法消耗时间的统计来看，基于低秩稀疏恢复的方法耗时最长，基于人类视觉系统的方法次之，基于滤波的方法耗时最短。
二 基于红外序列
小目标的形状、灰度变化在时间上的连续性，以及运动轨迹的连续性等先验信息是有效分割红外图像中噪声与小目标的关键。根据这些先验信息使用的先后顺序分为：
1、 DBM(Detect Before Motion)检测方法
核心思想：首先在单帧中检测目标，然后，再根据单帧检测结果在序列中对目标进行跟踪，判断是否为前景目标，排除虚假目标。
由于其计算量小，故适合于信噪比较高的图像。
| DBM | 特点 | 不足 |
|---|---|---|
| 基于匹配滤波器的算法 | 依据目标和背景的频率差异 | 要前景的先验信息，否则 会导致设计出来的滤波器性能低; |
| 基于小波分析的算法 | 可分离出图像细节信息 | 想要的目标信息需筛选 |
| 基于神经网络的算法 | 较强的鲁棒性，在强噪声环境中也可以达到较高的分类精度 | 训练数据缺乏 |
| 基于DBM 显著性的算法 | 复杂系统中快速定位 | 背景复杂时鲁棒性较差 |
2、 MBD检测方法
先不检测目标，先不进行判断是否为真正小目标，而是先进行目标的轨迹搜索以及运动能量的累积。
适用于复杂背景下红外图像信噪比较低时的红外运动小目标检测，解决了噪声干扰目标检测的问题。
该类方法主要包含3个步骤:
-
利用频率差异将红外图像中的高低频分离，尽可能地抑制平滑的低频背景;
-
利用运动信息得到感兴趣区域，并筛选少量的候选区域;
3)进行小目标检测。
| MBD | 特点 | 不足 |
|---|---|---|
| 基于高阶相关的算法 | 快速锁定目标 | 计算量大，实时性差 |
| 基于粒子滤波的算法 | 改善了传统粒子滤波——检测精度低、运算量大和粒子质量差的问题 | 仍需优化 |
| 基于 MBD 显著性的算法 | 鲁棒性增强 | 误检率较高 |
3、总结
| 基于序列 | 特点 | 不足 |
|---|---|---|
| DBM检测方法 | 原理简单、耗时短、实时检测、便于应用； 计算量小，适合信噪比高的图像。 | 在低信噪比条件下容易在阈值低时将背景判别为目标；或在阈值高时目标丢失，导致算法失效 |
| MBD检测方法 | 在低信噪比的情况下，小目标检测性能明显更优 | 计算流程相对复杂，要求的硬件系统配置更高，难以实时应用 |
DBM 方法原理简单、耗时短、实时检测便于应用。该类方法在低信噪比条件下由于小目标灰度与背景的灰度值接近，容易在阈值低时将背景判别为目标或在阈值高时目标丢失，导致算法失效。但在信噪比大于10dB 时具有较好的检测效果。
MBD 方法的计算流程相对复杂，要求的硬件系统配置更高，难以实时应用。但在低信噪比的情况下，小目标检测性能明显更优。在实际的军事领域中，红外成像系统一般较远，目标尺寸小、背景复杂且目标容易被杂波干扰，使得信噪比低。因此，人们较多地采用 MBD 方法来检测红外图像中信噪比低的弱小目标。
总之，应满足实际应用，结合不同方法各自的优点，设计出计算量小、性能优、鲁棒性强、实时性好和便于硬件实现的红外弱小目标检测算法。
版权声明：本文为CSDN博主「流浪的Mook」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/m0_51625082/article/details/118963429
暂无评论