局部对比度结合区域显著性红外弱小目标检测

《局部对比度结合区域显著性红外弱小目标检测》

作者提出了一种区域局部对比度算法，仅在图像的显著性区域中进行局部对比度计算，而非遍历整幅图像。

1. 首先进行基于图像信息熵和局部相似性的红外图像区域显著性度量，经二值化得到单帧图像显著性区域；
2. 在该区域中进行局部对比度数值计算，得到区域局部对比度图像；
3. 最后经过自适应阈值分割，得到弱小目标检测结果；

区域显著性度量

本文提出的方法主要针对弱小目标的红外图像，对于人眼而言，弱小目标是红外图像中显著性较高，信息量大的区域。

本文采用信息熵来度量图像区域信息量，图像中某一点$(x,y)$的信息熵被定义为$H(x,y)$：
$$H(x,y)=H(A(x,y))=-\sum _{b=1}^K{p}_b(x,y)lg{p}_b(x,y),$$
其中，$A(x,y)$表示像素点(x,y)周围的一个局部区域，将该局部区域内的像素值投影到K个区间上，$p_b(x,y)$表示像素值处于区间b的概率。设基于信息熵的显著性区域二值图像为$\hat{H}(x,y)$。

信息熵只考虑了每个区域的灰度统计分布，没有考虑像素的空间分布，实际红外图像中，背景往往呈现出一定的空间相似性，本文提出了一种方法去除图像中相似的区域。

由于在实际图像中，具有相似性的区域往往处于比较接近的位置，而非相隔较远。换言之，像素点的自相似性是由邻近区域决定的。首先，我们给出两个大小相同的区域$A_1,A_2$的相似性度量公式：
$${\rho }_{A_1,A_2}=\frac{1}{||A_1-A_2|{|}_2^2}.$$

整个图像的相似性判别过程分成了两部分：

1. 水平方向逐区域计算邻区域间相似度；
2. 垂直方向逐区域计算邻区域间相似度；

随后，如果相似度大于等于给定阈值；就认为两个区域相似性很强，这两个区域将被设定为0，即不显著，反之设定为1，即显著。由于有水平和垂直两个方法得到的相似性度量结果，因此最终两个部分将合取，以确定最终的显著性图$\hat{S}$。示意图如下：

最后再将基于熵的区域显著性图像和基于局部相似性的区域显著性图像融合（合取），最终就获得了图像的显著性区域$R_s$。虽然感觉显著性图计算方法过程简单，但有两个问题：1. 局部区域大小如何设定？2. 相似性阈值如何设定？文中并未给出这两个参数的设置方法。从上图也可以看出来，实际上该方法获得的显著性图效果不太好。

红外弱小目标检测算法

本文采用了一种局部对比度方法（LCM）来进行弱小目标检测。依据弱小目标区域与背景区域的差异性，利用每个像素点与其周围区域像素点的局部对比度值来描述该点。如下图所示：

对于当前帧w，设置滑动窗口为v，将v划分成3x3的更小的patch（图b）。LCM算法的过程如下：

1. 计算9个小patch中，0号单元所在patch的最大像素值$L_n$；
2. 分别计算1-8号单元的平均灰度值$m_i,i=1,...,8$;
3. 局部对比度数值为

$$C_n=\underset{i}{\min }\frac{L_n^2}{m_i},i=1,...,8$$

随后将0号单元的中心像素点灰度值用$C_n$代替，并计算出当前图像块v所对应的局部对比度数值。在整个图像中重复该过程，可得到与原图像相对应的局部对比度图像C。

LCM 方法是一种像素级操作, 通过计算每个像素点所在区域与周边区域的差异, 来突出弱小目标并抑制背景。 但弱小目标在图像中所占区域不超过0.15%, 如果在整幅图像中计算LCM, 计算量过大, 在不显著的背景区域处理中耗费了大量时间, 不利于实现高效、 准确的弱小目标检测。 研究发现,HVS 中存在注意力转移机制, 会对信息量大、 显著性强的区域进行优先处理。
因此, 提出一种结合区域显著性的局部对比度算法, 利用第1 节中提出的基于图像信息熵和局部相似性度量的方法剔除视觉冗余区域, 保留显著性高的区域, 在该区域中进行LCM 计算, 即区域LCM 策略(PLCM) 。
通过PLCM 的弱小目标检测流程为: 输入一幅待处理的红外图像I , 首先计算基于图像熵的区域显著性图像^H 以及基于局部相似性的区域显著性图像^S , 根据式(4) , 将二者进行融合, 得到最终的区域显著性图像RS ; 其次在区域显著性RS 的范围内计算区域 LCM, 就得到了 PLCM 图像; 最后进行自适应阈值分割, 阈值设定方法为
$$T=\bar{I}+\lambda {\sigma }_{\bar{I}}$$
其中$\bar{I}$为区域局部对比度图的均值，${\sigma }_{I\bar{I}}$表示对应的方差，$\lambda$是自适应调节因子，实验中一般取$[4.5,7]$。PLCM的过程如下图。