基于多向梯度局部对比度的红外弱小目标检测算法（MDWCM）解析及代码（2021年IEEE GRSL 论文）

该论文是< IEEE GEOSCIENCE AND REMOTE SENSING LETTERS >期刊2020年录取的一篇较新的一篇论文《Robust Infrared Small Target Detection via Multidirectional Derivative-Based Weighted Contrast Measure》，目前网上下载地址为：https://www.researchgate.net/publication/344529590_Robust_Infrared_Small_Target_Detection_via_Multidirectional_Derivative-Based_Weighted_Contrast_Measure

探测器距离目标较远的时候，由于目标的尺寸小、亮度弱，场景中由存在较大的背景干扰，使得复杂场景下的弱小点目标检测成为计算机视觉领域一项极具挑战的研究任务。虽然弱小目标亮度较弱，但在局部区域仍然是有一定的对比特性，为此，该论文在分析弱小目标空间分布的基础上，设计了一种基于多向梯度特性与局部对比度的红外弱小点目标检测算法，通过Facet模型实现对图像的多梯度方向的分析，构建了多梯度方向置信图，然后设计了一种加权的局部对比度量算法，有效的区分了目标和背景杂波，最后通过阈值分割实现了对目标的有效检测。算法的流程框架如图1所示。

                                                                          

一、多方向梯度特性计算

由于红外弱小目标可看作图像中的孤立奇异点，相比于较为平坦的背景区域（B）、具有特定方向的边缘文理（E）和噪声（PNHB）等干扰，小目标在各个方向上的梯度特性具有自身明显的特点，论文中利用Facet模型来设计图像的多向梯度滤波器，实现对小目标的多方向分析。

Facet小面模型最早是由Robert M.Haralick提出，该模型提供了一种对邻域图像快速而准确的拟合方法。经典的Haralick Facet小面模型认为图像中每个Facet区域R的灰度分布可由一组双三次多项式基函数的线性组合逼近，逼近函数为：

                                                                                                           （1）

通常采用最小二乘方法计算加权系数，但是通过公式(1)求得的解是病态的，而且计算量很大。为此，一般考虑采用2个一维离散chebyshev多项式集合构造二维离散正交多项式基以减少运算量，降低计算过程的病态程度：