红外小目标检测-阈值分割

前言

随着传统红外小目标检测方法的不断研究，算法方面改进优化的同时，后期分割也直接影响到检测率。本文就几种红外小目标检测文章中的分割方法作出了总结和分析。

---

一、基于灰度分布的阈值分割

基于二阶梯度的红外小目标检测方法,激光与红外，December,2021,Val.51.No.12.

基本步骤：
1）将显著图归一化
2）计算归一化图像直方图
3）建立灰度分布查找表：
M为3行N列的表格，第一行存储灰度级，第二行存储灰度级的数量，第三行存储不为零的灰度级和前一个不为零的灰度级的差
4）遍历M的第三行，如果M(3,i)>5,则令阈值Th=M(1,i)
分析：

1. 在红外小目标过程中很多方法特征图会出现与小目标相近像素值的像素值，这种情况不太适用
2. 如果是双目标，两个目标亮度相差比较大的话，会将另一个目标排除在外。

二、局部对比度阈值分割方法

C.L.Philip Chen etc. A Local Contrast Menthod for small Infrared Target Detection,IEEE TRASACTIONS ON GEOSCIENCE AND REMOTE SENSING.VOL.52,NO1,JANUARY 2014.

表示对比度图的平均值
表示对比度图的方差
取3~5之间
分析：对于背景复杂的情况下，分割效果不是很好。

三、 双阈值分割法

Chenqiang Gao, Deyu Meng, Yi Yang, Yongtao Wang, Xiaofang Zhou,，Infrared Patch-Image Model for Small Target Detection in a Single Image，IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 22, NO. 12, DECEMBER 2013

其中v_max，V_min是实验测得的常数，为了删除错误的目标，k也是实验常数。

文章中提出了双阈值分割，其中tup针对明亮目标，tdown针对暗弱目标，当检测像素值大于tup或者小于tdown时，可以被判定为目标，否则被判定为背景。

分析：1）这个方法类似于方法二，但是由于IPI算法检测出来的目标点比较少，可能会导致u+k*q比较小（大），所以要加一个V_max，V_min常数，减少误检测。
2）这个方法有两个实验常数需要确定，所以在使用这个阈值分割要达到比较好的效果有些困难。

总结

其实到现在，面对不同的红外小目标场景都很难有一个效果很好的阈值分割标准。一方面，如果检测算法优秀可以减少分割难度；另一方面，分割阈值恰当能够更好的提升最后的检测效果。总的来说，针对于现有的传统小目标检测方法，如何在不同复杂场景下达到比较好阈值分割效果是一个难题。