红外弱小目标检测：常见的评价指标

最新推荐文章于 2025-04-24 00:30:00 发布
最新推荐文章于 2025-04-24 00:30:00 发布
阅读量1.6w 收藏 217
点赞数 29
分类专栏： 红外弱小目标检测 图像处理 文章标签： matlab 机器学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34554039/article/details/110673918
版权

本文总结红外弱小目标检测领域论文中经常出现的算法评价指标，并对部分评价指标用MATLAB实现。

目前总结的评价指标最为常见，像检测率、ROC曲线这些都要基于大量的实验才能得到数据，进而绘制表格或曲线对算法进行客观评价。（所以，有好的idea,一定要尽快做实验呀！）

本文代码全部原创，若有不足之处，欢迎指正。

常见的评价指标（evaluation metrics)

一、检测率P_d与虚警率F_a

检测率P_d与虚警率F_a的定义如图1.

                                                                                 图1 检测率P_d与虚警率F_a，摘自[1]

关于检测率P_d的理解：

  1. 单帧图像中，拍摄到M个目标，正确检测出N个目标，则P_d=\frac{N}{M};
  2. 图像序列中，拍摄到多个目标或目标出现多次，假设目标共出现M次，目标被正确检测出N次，则P_d=\frac{N}{M}。

关于虚警率F_a的理解：

  1. 单帧图像中，若所有目标被正确检出，则虚警率为0；
  2. 图像序列中，图像共N帧，检测出的误检的数量为F，则F_a=\frac{F}{N}。 

怎样的检测结果才可以被看作是“true detection“？

必须同时满足两个条件：

  1. 检测结果与图像中的真实目标有重叠（have overlap pixels）；
  2. 检测结果的中心像素位置与真实目标的中心像素位置相差不超过一定的范围，文献[1]中阈值为4 pixels。

二、信噪比（Signal-to-Clutter Ratio,  SCR)

2.1 SCR定义

SCR=\frac{ |\mu_t-\mu_b|}{ \sigma_b}  ……………… 公式（1）

式中，\mu_t表示目标的像素平均值，\mu_b, \quad \sigma_b分别表示目标周围背景的像素平均值和像素标准差。

                                                                图2 目标及其邻域示意图，摘自[1]，其中d的大小不超过20个像素

2.2 MATLAB 计算SCR

2.2.1 绘制弱小目标的三维灰度图

在阅读文献时，经常可以看到目标的三维灰度图，作者通过展示目标增强前与增强后，或背景抑制前和抑制后的三维灰度图来直观地向读者呈现其算法的效果。

此外绘制目标的三维灰度图也可以直观的感受目标的SCR。所以，我们先来学习如何绘制目标的三维灰度图。

补充说明，绘制目标的三维灰度图有两种选择：

（1）有些文章会选择绘制整张图的三维灰度图，然后用箭头—>标示出目标的“峰值”；

（2）也可以选择绘制目标的局部区域，观察目标的局部对比度是否得到了增强。

这里给出分别给出两种方式的MATLAB代码与图例。

%% 绘制图像的三维灰度图
img1 = imread('images/1.jpg');
if (size(img1,3) > 1)
    img1 = rgb2gray(img1);
end
subplot(221)
imshow(img1);title('原图');
sub_img1 = img1(68:88,99:119);   % 这里需要人工选择目标区域位置及大小
subplot(222)
imshow(sub_img1);title('目标局部图像 20*20');

subplot(223)
[y,x] = size(img1);
[X,Y] = meshgrid(1:x, 1:y);
surf(X, Y, img1);title('全局三维灰度图');
shading interp;

subplot(224)
[sub_y, sub_x] = size(sub_img1);
[sub_X, sub_Y] = meshgrid(1:sub_x, 1:sub_y);
surf(sub_X, sub_Y, sub_img1);title('局部三维灰度图');
shading interp;

                                                                         图3 含弱小目标的红外图像的全局三维灰度图与局部三维灰度图

2.2.2 求目标的SCR

  1. 本文给出的代码只适用于灰度图；
  2. 参考计算模型如图2.
function scr = CalculateSCR(img, pos, t_size, d)
%% 功能说明：计算弱小目标的SCR
%% 参数说明： img -- 原图像
%            pos -- 目标在原图像中的位置
%            t_size = [a,b]-- 目标尺寸
%            d -- 目标邻域半径，最终计算的目标及其局部区域的大小为(2d+a)*(2d+b)
   
    % 1. 转灰度图
    if(size(img,3)>1)
        img = rgb2gray(img);
    end
    
    % 2. 目标大小为a*b
    a = t_size(1);
    b = t_size(2);
    T = img(ceil(pos(1)-b/2):ceil(pos(1)+b/2), ceil(pos(2)-a/2):ceil(pos(2)+a/2));
    
    % 3. 目标与其周围邻域，大小为（a+2d)*(b+2d) 
    B = img(ceil(pos(1)-b/2-d):ceil(pos(1)+b/2+d), ceil(pos(2)-a/2-d):ceil(pos(2)+a/2+d));
    B(d:d+b,d:d+a) = 0;
    
    % 4. 分别显示目标图与背景图
    figure
    imshow(T);title('Target');
    figure
    imshow(B);title('Background');
    
    % 5. 分别计算目标的灰度均值、背景的灰度均值与标准差
    T_avg = mean(T(:));
    B_avg = sum(B(:)) / ((a+2*d)*(b+2*d) - a*b);
    size(B)
    B_1 = B(1:d,:);
    B_2 = B(a+d+1:a+2*d,:);
    B_3 = B(d+1:d+a, 1:d);
    B_4 = B(d+1:d+a, d+b+1: 2*d+b);
    
    B_final = [B_1(:)',B_2(:)',B_3(:)',B_4(:)'];
    size(B_final);
    B_std = std(double(B_final));
    
    % 6. 计算SCR
    scr = abs(T_avg - B_avg)/B_std;
end

                                                                图4 原图、目标图与局部背景图，

                              这里原图大小为(150，200)，手动选择的目标位置为pos=(80，108)，目标尺寸为t_size=(4，4)，d = 10.

三、平均信噪比（Average SCR, \overline{SCR})

当（1）一张图中含有多个目标；（2）图像序列中含有多个目标时，目标的平均信杂比来评估多目标检测的难度与算法的性能。

平均信杂比的定义为：      \overline{SCR} = \frac{1}{N} \sum^{N}_{i=1}{ SCR_i}   ……………………公式（2）

式中，N表示目标的数量；SCR_i表示第i个目标的信杂比。

文献[1]中，还使用\overline{SCR_d},\quad\overline{SCR_l} 分别表示被检测的真实目标与未被检测出的真实目标的平均信杂比。通常，在检测虚警率确定的情况下，\overline{SCR_d},\quad\overline{SCR_l}越小，算法的检测性能越好。

四、ROC曲线

弱小目标检测中的ROC曲线与机器学习中的ROC曲线定义略微不同。

弱小目标检测中的ROC曲线，以虚警率（false-rate, FA)为横轴，以检测率(Probability of detection, PD)为纵轴（FA，PD的定义见第一部分）。

通常，虚警率相同的情况下，检测率越高，则算法的性能越好。

                                                                                               图5 不同算法的ROC曲线对比，摘自[1]

绘制ROC曲线并不难，难点在于需要通过实验获取数据——不同算法的在相同虚警率下的检测率。

这里给出MATLAB绘制折线图的简单示例，包含一些小技巧：设置x, y轴的间隔；设置线宽与线的样式；设置x, y坐标轴描述

x = 0:0.5:15;

%% 这里需要替换为实验结果
Pd_1 = 1 - exp(-x) ;
Pd_2 = 1 - exp(-1/2*x);

% 设置显示样式与线宽LineWidth
plot(x, Pd_1, '-ob', 'LineWidth', 2);
hold on
plot(x, Pd_2, '-*r', 'LineWidth', 1);

% 设置坐标轴范围
axis([0,15,0,1]);
% 设置坐标轴范围及间隔
set(gca, 'XTick', [0:5:15]);
set(gca, 'YTick', [0:0.1:1]);

% 显示图例
legend('method_1', 'method_2');

% 显示坐标轴描述与标题
xlabel('False-rate, F_a');
ylabel('Probability of detection, P_d');
title('不同算法的ROC曲线');

                                                                                                      图6 ROC示例图

参考文献

[1]   C. Gao et al., “Infrared Patch-Image Model for Small Target Detection in a Single Image,” vol. 22, no. 12, pp. 4996–5009, 2013.

目标检测YOLO实战应用案例100讲-复杂背景下的红外弱小目标检测方法研究
qq_36130719的博客
05-21 1716
弱小红外目标检测中的“弱”指的是在背景较为复杂时，目标与背景特征相似，易被淹没在背景中，一般对比度小于15%，且在远距离成像中耗散了较多能量以致其信杂比(Signal-to-Clutter Ratio, SCR)不大于3；“小”是指远距离的成像造成了成像大小在2×2−9×9 像素之间[2]，目标缺乏可区分的形状和纹理信息，因此，由远距离红外成像系统所得图像中的目标呈现“弱”和“小”的特点；另一方面，小目标所处的背景多变且复杂，通常是无人机所拍摄的空对地场景，包。
目标检测YOLO实战应用案例100讲-复杂背景下的红外弱小目标检测方法研究（续）
qq_36130719的博客
04-18 642
近年来，得益于红外成像技术的蓬勃发展，红外弱小目标检测技术被广泛应用于各种预警系统和民用安防系统等。本章在阐述红外成像过程的基础上，充分把握红外单帧和序列图像中的背景、弱小目标和噪声的内在特性并进行细致分析，最后讨论了红外弱小目标检测效果评价方法，为接下来的研究提供理论基础。在对高强度杂波边缘类复杂背景下的弱小目标检测时，极易产生大量虚警。因此，针对上述问题，本章根据背景与目标特性提出一种基于区域双邻域显著图（Regional。
红外弱小目标检测算
09-05
目标检测是计算机视觉领域中的一个重要任务，它旨在从图像或视频中自动检测出目标物体的位置、大小，并进行分类或识别。以下是对目标检测及计算机视觉的详细解析： 一、目标检测的基本概念 定义：目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置。这包括解决“是什么？”（分类问题）和“在哪里？”（定位问题）两个核心问题。 基本框架：目标检测的基本框架通常包括目标定位、目标分类和目标框回归三个部分。目标定位负责在图像中精确定位目标的位置和大小；目标分类则是将该目标与预先定义的种类进行匹配；目标框回归则是根据预测的位置偏移量修正目标框的位置和大小，以提高检测精度。 二、目标检测的分类 目标检测算法大致可以分为以下几类： 基于传统机器学习的目标检测算法：这类算法主要通过手动提取图像的特征，如颜色、形状、边缘等，然后使用传统的机器学习方法，如支持向量机（SVM）、决策树等进行分类。然而，这类算法需要人工设计特征提取器，且难以适应不同形态的物体检测，因此逐渐被深度学习方法所取代。 基于深度学习的目标检测算法：随着深度学习技术的发展，基于神经网络的目标检测算法逐渐成为主流。这类算法可以自动学习图像的特征，无需人工干预，大大提高了检测的准确率和效率。深度学习目标检测算法主要分为两类：Two-stage和One-stage。 Two-stage算法：先进行区域生成，再通过卷积神经网络进行样本分类。常见的Two-stage算法有R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法：直接在网络中提取特征来预测物体分类和位置，无需区域生成步骤。常见的One-stage算法有YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）等。 三、目标检测在计算机视觉中的应用 目标检测在计算机视觉领域有着广泛的应用，包括但不限于以下几个方面： 智能交通：在交通监控系统中，目标检测可用于车辆、行人等目标的检测，帮助交通系统更好地进行交通管理和安全控制。此外，在自动驾驶领域，目标检测也是实现自主驾驶的关键技术之一。 安防监控：在安防领域，目标检测可用于人脸识别、行为分析等方面，提高安防监控的效率和精准度。例如，通过对监控视频中的行人、车辆等进行目标检测，可以实现对安防事件的及时预警处理。 医学影像分析：在医学影像分析领域，目标检测可用于识别CT、MRI等影像数据中的病变区域，辅助医生进行疾病的诊断和治疗。 农业自动化：在农业领域，目标检测可用于果
红外小目标：评价指标
lfcgimini的博客
10-21 5345
红外小目标的评价指标 为了评价不同红外小目标检测方法的背景抑制和增强目标效果，通常采用**信杂比（SCR）、信杂比增益(SCRG)、背景抑制因子(BSF)**作为评价指标。 小目标的SCR越高，越容易被检测到，SCRG反映了目标的输入输出相对于背景的增强程度，也可以用来描述小目标检测的难度。 SCR=∣μt−μb∣σbS C R=\frac{\left|\mu_{t}-\mu_{b}\right|}{\sigma_{b}}SCR=σb​∣μt​−μb​∣​, SCRG=SCRoutSCRinS C R G=
激光雷达弱小目标识别国内外最新研究成果与进展2025.2.26
sinat_34897952的博客
02-26 1108
激光雷达通过发射激光脉冲并测量其返回时间来计算目标的距离。通过扫描机制，激光雷达可以获取周围环境的三维点云数据。点云数据由大量的点组成，每个点包含三维坐标和反射强度等信息。弱小目标通常指在激光雷达点云中反射点数量较少、特征不明显的目标。这类目标可能包括行人、自行车、小型动物，无人机、鸟类甚或者其他漂浮在空中的物体等。由于点云数据稀疏，弱小目标的识别难度较大。
《融合视觉显著性和局部熵的红外弱小目标检测》论文复现
anbuqi的博客
12-22 1982
复现的论文为《融合视觉显著性和局部熵的红外弱小目标检测》（赵鹏鹏，李庶中等，中国光学2022，以下简称论文）。论文提出了一种基于视觉显著性和局部熵的红外弱小目标检测方法。该方法首先利用融合局部熵的方法提取包含目标的感兴趣区域，对红外弱小目标实现粗定位。然后再利用改进的视觉显著性检测方法在感兴趣区域计算局部对比度，获得感兴趣区域的显著图。最后利用阈值法分割显著图像提取红外弱小目标，实现红外弱小目标的检测。
目标检测基础知识
章鱼、不嚎
11-02 3343
1、目标检测评价指标： 准确率 （Accuracy），混淆矩阵 （Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交并比（IoU），ROC + AUC，非极大值抑制（NMS） 假设原始样本中有两类，其中： 总共有 P 个类别为 1 的样本，假设类别 1 为正例。 总共有 N 个类...
基于YOLO格式的红外弱小目标检测数据集
ZSW1218的博客
01-06 411
图片数量: 总计：4207张。训练集 3125 张, 验证集 893 张, 测试集 447 张 标注文件格式: YOLO的txt格式可以直接用于模型训练。
红外小目标检测指标（Infrared Small Target Detection Evaluation Metrics）学习心得
Hilaryw的博客
03-03 1308
它通过描绘不同阈值下的真正例率（True Positive Rate，TPR）和假正例率（False Positive Rate，FPR）来展示分类器的表现。此外，ROC曲线下的面积（Area Under the Curve，AUC）可以量化分类器的整体性能，AUC值越接近1，表示分类器的性能越好。曲线上的每一个点都对应着一个特定的分类阈值，从而反映出分类器在不同阈值下的敏感性和特异性。是真正例率（TPR）：表示检测到的真目标是实际目标的可能性，称为虚警比。描述算法处理后目标增强的显著性；
【目标检测】红外弱小目标检测方法的目的、意义及应用（含matlab案例）
G_redsky的博客
02-23 5078
视频序列读取: 从视频文件中逐帧读取红外图像数据。背景建模与抑制: 建立背景模型，并在每一帧中抑制静态背景。运动检测: 使用背景抑制后的图像序列来检测运动目标。目标跟踪与验证: 对检测到的目标进行跟踪，并通过多帧数据验证目标的稳定性和一致性。性能评估: 对检测到的目标进行分析，计算指标如准确率、召回率和F1得分。
【CVPR小目标检测】- ISNet红外小目标检测
qq_44859533的博客
04-01 1万+
红外小目标检测是指从模糊背景中提取弱小目标。红外目标由于信噪比低、对比度低，容易淹没在强噪声和杂波背景中。本文提出了一种新的红外形状网络（ISNet），其中设计了泰勒有限差分（TFD）启发的边缘块和双向注意力聚集（TOAA）块来解决这一问题。TFD启发的边缘块从不同层次聚合和增强综合边缘信息，以提高目标与背景的对比度，同时也为数学解释的形状信息提取奠定基础。TOAA模块利用注意机制计算目标行、列方向的低层信息，并与高层信息融合，实现目标形状特征的捕获和噪声抑制。
图像质量评价指标-EME\EMEE（熵增强度量）
AomanHao的博客
03-11 2745
数值越大，表示图像对比度越高。从EME指标来看，HE的EME\EMEE指标都很大，表示对比度很强，但是图像来看有过增强现象，ADPHE算法的EME指标也有提升，增强后图像更自然。EME指标将图像分为多个图像块，统计图像块内的像素值，根据像素块内最大最小值的关系评价对比度。在实验的客观评价时，取k1、k2为16，即把图像分成16x16个块。感兴趣的可以找论文复现或者看一下链接，可以试试EMEE指标。其中，k1、k2是图像横纵方向的分块数量，1、《对数图像处理新模型及应用研究》其中，c表示不为零的很小的常数。
目标检测算法——小目标检测
热门推荐
TigerZ*的博客
07-01 3万+
一、定义 1、以物体检测领域的通用数据集COCO物体定义为例，小目标是指小于32×32个像素点（中物体是指32*32-96*96，大物体是指大于96*96）。 2、在实际应用场景中，通常更倾向于使用相对于原图的比例来定义：物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标。 二、难点 coco上面： 1、包含小目标的样本数量较少，这样潜在的让目标检测模型更关注中大目标的检测。 2、由小目标覆盖的区域更小，这样小目标的位置会缺少多样性。我们推测这使得小目标
给定平均虚警率的峰值和阈值 SNR：确定在特定检测概率和白噪声脉冲持续时间下实现所需虚警率所需的峰值 SNR-matlab开发
05-29
给定平均虚警率 (FAR)、脉冲持续时间 (tau) 和所需的检测概率 (Pd)，此例程将确定达到所需 Pd 所需的峰值信噪比 (SNR) 和阈值 SNR。白噪音。 输出已根据 1975 年出版的 RCA 光电手册进行了验证。 代码被向量化以提高速度，因此所有输入都可以是多维的，只要它们可以使用 [.] MATLAB 符号相乘。
基于matlab实现的文档+程序 红外弱小目标检测
05-02
红外弱小目标检测是计算机视觉领域的一个重要课题，特别是在军事、安防、无人驾驶等场景中具有广泛应用。本项目基于MATLAB编程环境，提供了完整的文档和程序，帮助用户理解并实现这一功能。MATLAB作为一种强大的数学...
目标检测YOLO实战应用案例100讲- 基于深度学习的红外小目标检测关键算法研究(续)
最新发布
qq_36130719的博客
04-24 19
上节阐述的共生滤波可以平滑纹理方面处理的更加优秀，同时清晰保留了纹理之间的边 界。本小节介绍基于金字塔共生特征架构的红外小目标检测算法，算法的整体框架如图3.2 所示。 首先，定义自适应结构元素。因为不同的结构元素对最终的平滑效果影响很大，而红外 小目标的所占像素相对于背景而言是很少的，所以结构元素的尺寸不易过大。考虑到本文所 使用的数据集中，小目标所在区域的长宽都不超过7个像素点，所以采用7×7的菱形结构元 素，结构元素如图3.3所示。图中标红的为结构元素中心位，通过这个结构元素对原图进行 遍历，获得当
目标检测YOLO实战应用案例100讲-基于双模特征融合的目标检测
qq_36130719的博客
12-31 1577
近年来，随着人工智能（Artificial Intelligence,AI）逐渐成为时代趋势，计算机视觉 （Computer Vision,CV）作为其中的一种重要前沿技术，受到了研究者们广泛的关注。使用计算机达到人类那样“看”的技术，不仅在很多行业的应用场景中大放异彩，在生 产和生活中也得到了大规模的应用。通过摄像机或成像仪捕获现实世界的图片或视频帧 信息，计算机通过算法提取出高级语义信息，以此辅助人完成一些高级任务。下面介绍几种计算机视觉包括的基本任务，具体如图1.1所示。
小目标检测算法的评估指标有哪些？
2301_78829506的博客
07-15 557
小目标检测算法的评估指标有哪些？
红外线热像仪的热成像质量介绍
weixin_44906759的博客
11-15 2724
任何阅读过消费者报告及其对数位相机的详细评估的人都会明白，相机性能包括对像素数之外的仔细分析。因为热像仪基本上是一个图像转换器（将辐射热能转换为可见图像），你只需要了解决定热图像质量的几个属性；分辨率、热灵敏度和固定模式噪声。通常，热像仪手册会提供你，作为使用者可能永远无法确认，甚至无法理解的列表规格。本文的目的是帮助你简化对如何确定图像质量的理解。
红外图像的三维图像如何绘制代码
01-16
### 使用Python绘制红外图像的三维可视化 为了实现红外图像的三维可视化，在Python中通常会利用`matplotlib`库中的`mpl_toolkits.mplot3d`模块以及NumPy来进行操作。下面是一个具体的例子，假设已经有一个表示温度分布的二维数组作为输入。 ```python import numpy as np from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt # 假设infrared_data是从文件或其他方式获取到的红外热成像数据矩阵 infrared_data = np.random.rand(100, 100) * 50 + 273.15 # 随机生成模拟的数据集，范围设定在绝对温标下 fig = plt.figure() ax = fig.add_subplot(111, projection='3d') X = np.arange(0, infrared_data.shape[1], 1) Y = np.arange(0, infrared_data.shape[0], 1) X, Y = np.meshgrid(X, Y) surf = ax.plot_surface(X, Y, infrared_data, cmap='hot', linewidth=0, antialiased=False) plt.colorbar(surf, shrink=0.5, aspect=5) # 添加颜色条说明温度变化 plt.title('3D Visualization of Infrared Image') plt.xlabel('Pixel X Position') plt.ylabel('Pixel Y Position') plt.show() ``` 这段代码创建了一个基于随机数生成的假定红外图像，并将其转化为三维表面图显示出来。实际应用时应替换`infrared_data`变量的内容为真实的测量值或读取自特定设备/传感器的实际红外图像数据[^1]。 对于MATLAB而言，同样可以通过内置函数轻松完成这项工作： ```matlab % 加载红外图像数据至workspace环境内，这里用magic函数制造一个测试样本代替真实加载过程 infraredData = magic(100); figure; surfc(infraredData); title('3D Surface Plot with Contour'); xlabel('Column Index'); ylabel('Row Index'); zlabel('Temperature Value'); colorbar; % 显示色彩条辅助解释高度对应的颜色意义 colormap hot; % 设置绘图使用的配色方案 shading interp; % 平滑着色效果 view(-38, 36); % 调整视角角度获得更好的观察体验 ``` 上述两段脚本分别展示了如何使用两种不同工具来构建红外图像的三维视图。值得注意的是，具体细节可能会依据所处理的具体情况和个人偏好有所不同，比如调整坐标轴标签、改变图形外观样式等。
评论 39
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值