2020-12-17 Scopus文献检索 TargetDetection|Dim|Infrared Image

scopus 网页

链接: link.

顶尖作者

• An, Wei 国防科大 链接: link.
  
• Zhou, Huixin 西电 链接:link.
  
• Peng, Zhenming 电科 链接:link.
• Qin, Hanlin 西电 链接:link.
• Lin, Zaiping 国防科大:link.

代表性文献

Infrared dim target detection based on visual attention

• 作者：Xin Wang 河海大学 被引67次 2012年

• Keywords: Infrared image, Dim target detection, Visual attention, Saliency map, Difference of Gaussians filter

• 方法：基于人类视觉注意机制， 使用DoG滤波器计算显著图,然后，通过显著性图搜索，以赢者通吃(WTA)和返回抑制(IOR)为控制机制，提取潜在目标存在的显著区域。最后，利用红外弱小目标的特征识别出这些区域，从而检测出真实目标，剔除虚假目标。

the method firstly designs Difference of Gaussians (DoG) filters to compute the saliency map. Then the salient regions where the potential targets exist in are extracted by searching through the saliency map with a control mechanism of winner-take-all (WTA) competition and inhibition-of-return (IOR). At last, these regions are identified by the characteristics of the dim IR targets, so the true targets are detected, and the spurious objects are rejected.

• step1 基于组合DoG带通滤波器的显著性图计算
  通常，原始IR图像I可以写成：
  
  对于现实生活中的红外图像，当弱小目标出现时，目标周围像素点的灰度值会突然波动，所以目标可以看作是具有较高频率的瞬态信号。由于背景$I_B(i,j)$的灰度变化缓慢，所以我们通常将其作为低频部分。红外图像中$I_N(i,j)$中的噪声大多来自传感器或电路，其频率总是最高的。
  通过以上分析，可以明显看出，在频域抑制背景和噪声可以增强微弱目标存在的显著区域。因此，我们从频域开始计算显著性映射。
  差分高斯滤波器是一种常见的带通滤波器
  
  为了获得包含广泛频率范围的原始红外图像显著性图，我们考虑组合几个窄带通DoG滤波器:
  
  把这些带通滤波器的输出加在几个图像尺度上。令${\theta }_2^{n-1}$，等于${\theta }_1^n$则Eq.(5)可简化为:
  
  将该组合DoG带通滤波器与原始红外图像I进行卷积，输出为显著性图s，可表示为:
  
  $I_{f_{low}}$是由邻域平均法计算得到，$I_{fhigh}$是对原图高斯模糊去除噪声(使用5*5二项式内核)。
  

• step2 显著性区域提取（二值化分割）
  不选择固定阈值或自适应阈值分割的方法，使用一种更为复杂的阈值计算方法。
  让一个大小为WH的滑动窗对显著图从左至右,从上向下,计算窗口中的像素值的总和作为窗口的“显著度”。显著度S为:
  阈值为以下算式，k在[2,7]之间：
  
  需注意，WH是由现实生活中的红外图像中探测目标的大小决定。在现实应用中，小目标的尺寸一般小于100像素，所以在实验中指定WH的大小为1111。此外，在每次窗口移动时，我们设置一个略小于窗口大小的扫描区间来计算显著度。

• step3 红外弱小目标识别
  在获得显著性区域后，我们按照一定的机制依次选择每个显著性区域。然后剔除特征与弱红外目标不一致的显著区。最后，剩余显著区是真正的弱红外目标存在的区域。
  显著区域的选择可以利用赢者通吃竞争和抑制返回的视觉注意机制。前者用于控制注意力的焦点，使其在整个显著区域之间转移。具体而言，我们选择的第一个关注焦点是显著度最大的显著性区域。然后，根据每个显著性区域的显著程度，将注意焦点由大到小进行转移。同时，后者是用来确保已经被关注的区域不会再次成为关注的焦点。
  在选定一个突出区域后，应判断该区域是否属于目标区域。因此，我们在这里提出了一种新的方法。假设显著性区域为目标区域，P表示目标区域的像素集合。$N_P$和$M_P$分别表示显著区域的像素个数和像素平均值。然后我们可以得到:
  
  随后，我们以显著区域的中心为中心，沿周向(不超出图像边界)展开窗口，得到更大的区域。如图3所示，小窗口为显著区域，大窗口为扩展区域。这两个窗口之间的区域可以作为背景。设B为背景的像素集合，我们可以得到该区域的平均像素值:
  

Let $C_{PB}$ denote the gray contrast between the target and the background:


其中$C_{Th}$是对比阈值，它决定了检测概率和虚警概率.在我们的实验中，当$C_{Th}$为0.05时，我们可以得到满意的检测结果。
在第一种情况下，显著区域的平均灰度值大于背景区域的平均灰度值。它们之间的灰度对比度也大于对比度阈值。它符合弱红外目标的特性，因此将突出区域作为真实目标区域。在第二种情况下，虽然显著区域的平均灰度值大于背景区域的平均灰度值，但两者之间的差异不显著。在这种情况下，我们认为这两个区域是齐次的。由于待检测目标非常小，我们认为突出区域不是真正的目标区域。在第三和第四种情况下，显著区域的平均灰度值小于背景区域的平均灰度值。在这两种情况下，根据弱红外目标的特点，将显著区视为非目标区。

• 实验对比
  采用单帧检测概率Pd和虚警概率Pf来衡量性能
  
  其中$N_d$为检测到的真实目标数量，$N_t$为对应图像中总的目标数量。￥P_d$表示检测方法的检测率，反应有效性。
  

其中$N_f$为虚警数，$N_r$为检测器检测到的目标数，为$N_d$与$N_f$之和。$P_f$是虚警率，反映了检测方法的鲁棒性。

[7] J.F. Khan, M.S. Alam, Target detection in cluttered forward-looking infrared imagery, Opt. Eng. 44 (2005) 076404.
[9] Y.Q. Sun, J.W. Tian, J. Liu, Novel method on dual-band infrared image fusion for dim small target detection, Opt. Eng. 46 (2007) 116402.
[14] W. Li, Saliency-based automatic target detection in forward looking infrared images, Proc. IEEE Conf. Image Process. (2009) 957–960.

• 数据集
  
  在不同的条件下聚搜集。在这些图像中，总共有282个不同类型的目标需要被检测，如游艇、卡车、坦克、飞机和导弹。

A Local Contrast Method for Small Infrared Target Detection（LCM）

作者

C. L. Philip Chen, Fellow, IEEE 澳门大学 被引310次 2014年

Keywords

Derived kernel (DK), infrared (IR) image, local contrast, signal-to-noise ratio (SNR), target detection.

introduction

光学仪器工程师学会从成像的角度定义了小目标。小目标被定义为小于80像素的目标。这类目标包括:点源目标、小扩展目标、点源目标簇和小扩展目标簇[34]。输入图像大小为256×256时，小目标所占比例小于0.15%。这个标准通常与输入图像的大小无关。

• 传统的小目标检测方法，如中值减法滤波器[12]、顶帽滤波器[13]、最大均值/最大中值滤波器[14]等被广泛应用于降低背景杂波。
• 采用遗传算法和形态滤波器相结合的方法检测小目标[21]。
  • 小波在不同尺度下生成的图像信息提供了区分目标和背景的特征信息。基于这一思想，提出了多种基于小波变换的杂波环境下小目标检测方法。
• 分形方法已广泛应用于红外目标检测中。然而，它们有时是不准确的和耗时的。
• 一些基于统计回归的方法，通过回归模型对复杂背景杂波进行预测和消除。
• 基于稀疏环表示的小目标检测方法[25]。SRR是一种有效的图像结构，能够描述背景与目标之间的差异。
• 还有很多其他的目标检测算法，如基于流形学习的方法，经验模式分解的方法，以及神经网络[8]，[15]，[26]的方法。然而，复杂背景下的小目标检测仍然是一个难题。

贡献

1. 提出了一种受生物视觉机制启发的有效对比测量方法。它能同时增强目标和抑制背景杂波。
2. 设计了一种红外小目标检测算法。实验结果表明，该方法在提高检测精度方面简单有效。特别地，它能显著地提高图像的信噪比。
3. 给出了一个数学框架。这个框架可以为理解所建议的方法和指导未来的发展提供有用的基础。

方法

本文受人类视觉系统对比机制的启发，提出并推导了核模型（DK）,DK模型从数学的角度研究了分层算法的理论特性。

• 注意到小目标与相邻区域具有不连续特征，集中在一个相对较小的区域，可以认为是一个均匀致密区域，背景与相邻区域是一致的。因此，我们设想，经过一些目标增强操作后，在一定尺度下对比度大于给定阈值的局部区域可能就是目标出现的位置。
• 算法1
  
  

1. 首先，利用所提出的局部对比度度量方法获得输入图像的局部对比度映射，该方法度量当前位置与其邻域之间的不相似度;该方法同时实现了目标信号增强和背景杂波抑制。
   
   
   图像小块可以由9个单元格给出(图2)。值得注意的是，中心单元格“0”表示的是目标可能出现的区域。第i个单元格的灰度均值用$m_i$表示(i = 1,2，…8),也就是说：
   
   其中$N_u$是第i个单元格的像素个数，$I_j^i$ 是第i个单元格第j个像素的灰度级。在本文中，窗口v的宽度和高度都是窗口u的3倍，因此，中心单元与周围第i个单元的对比度定义为:
   
   其中Ln为大小为v的第n个图像patch中中心单元格灰度值的最大值。
   此外，红外图像中只有小目标的视觉亮度通常大于其邻域的视觉亮度，尽管目标与邻域的区分度通常很小。为了提高目标，LCM定义如下:
   
   这个定义意味着$C_n$越大，就越有可能出现目标。如果$\frac{L_n}{m_i}$ = $\frac{L_n^{‘}}{m_i^{‘}}$,$L_n$和$L_n^{’}$中较大的一个，更可能对应于一个目标。
2. 第二阶段采用自适应阈值分割目标。

• 算法2——MLCM
  事实上，小目标的大小是不断变化的。在理想情况下，窗口u的大小应该与目标大小相同。为了解决这个问题,一个有效的方法由算法2给出,$\hat{C}$是最后的对比图,$l_{max}$是最大尺度,p1和q1的分别是对比度图的行和列。该算法采用了多尺度上的最大池化操作。通过这种方式，可以实现尺度不变性。
  
  -算法3——基于LCM的小目标检测方法
  因此，我们可以设想，如果得到最终的对比度图，场景中最显著突出的点很有可能就是目标。因此，基于LCM的目标检测方法可以用算法3描述，其中$\overline{I^c}$和${\sigma }_{I^c}$分别是最终对比度图的均值和标准差。在实践中，k通常在3到5之间。

对比实验

• detection rate (DR) | DR =$\frac{N_C}{N_T}$ × 100% ,$N_C$ 正确检测到的目标数，$N_T$ 真实目标数
• false alarms (FAs) per image | FA = $\frac{N_{IC}}{N}$ ，$N_{IC}$是检测道德虚警数，$N$是序列长度（序列图像数量）
  
  
  

数据集