红外小目标检测NARM文献 | 方法对比 |数据集描述

对比基于目标与背景分离的典型方法特点

Methods	Advantages	Disadvantages
IPI	Works well with uniform scenes.	Over-shrinks the small targets, leaving residuals inthe target image, time consuming.
NIPPS	Works well when strong edges and non-target interferences are few.	Difficult to estimate rank of data, fails to eliminate strong edges and non-target interference.
ReWIPI	Works well when background changes slowly.	Sensitive to rare highlight borders, performance degrading with the increasing of complexity.
LRR	Works well with simple scenes.	Cannot handle complex backgrounds.
LRSR	Works well with homogeneous backgrounds.	Difficult to choose two dictionaries simultaneously, leaving noise in target component.
FBOD +GGTOD	Work well with sky background clutter.	Difficult to choose two dictionaries simultaneously, cannot handle other scenes well.
SMSL	Works well when the target is salient and the background is clean.	Sensitive to boundaries, poor at background suppression, loses target easily.
RIPT	Works well when the target is salient.	Does not work well when the targets are close to or on the boundaries, leaving much noise, loses target totally when target is not sufficiently salient.

Methods	Advantages	Disadvantages
IPI	适用于匀质场景。	过度收缩小目标，在目标图像中留下残差，耗时。
NIPPS	当强边缘和非目标干扰很少时，工作良好。	难以估计数据的秩，无法消除强边缘和非目标干扰。
ReWIPI	当背景变化缓慢时工作良好。	对部分高亮边框敏感，性能随着复杂性的增加而降低。
LRR	适用于简单的场景。	无法处理复杂的背景。
LRSR	适用于同质背景。	很难同时选择两个字典，在目标中留下噪声。
FBOD +GGTOD	很好地处理天空背景杂波。	很难同时选择两本词典，不能很好地处理其他场景。
SMSL	当目标明显，背景干净的时候效果很好。	对边界敏感，背景抑制差，易失去目标。
RIPT	当目标很突出时效果很好。	当目标在边界附近或边界上时不能很好地工作，留下大量的噪声，当目标不够突出时完全失去目标。

在简单的同质场景下，所列出的大多数方法都能取得较好的效果。从表中可以看出，在面对真实复杂场景或非目标干扰源产生的强边缘时，几乎所有方法的性能都很差。为了提高复杂背景下无目标干扰源的检测能力，提出了一种基于非凸秩近似最小化(NRAM)和加权l1范数的检测方法。图1分别为一个典型场景通过IPI、NIPPS、ReWIPI、SMSL、RIPT恢复的目标图像。考虑到目前最先进的方法所面临的共同挑战，即无法完全扫过强边和干扰，如图1所示，目标图像的剩余边缘相对于整个图像具有线性结构稀疏性，因为真实物体的流线型外观和大多数建筑包含垂直边缘[49]。l2,1范数可以识别样本异常值，其中大部分与稀疏结构有关。因此，为了更好地抑制强边，我们引入了额外的正则化项利用l2,1范数的残余强边。

数据集

l2,1 Norm Landan Zhang,
原文： Infrared Small Target Detection via Non-Convex Rank Approximation Minimization Joint l2,1 Norm Landan Zhang, Lingbing Peng, Tianfang Zhang, Siying Cao and Zhenming Peng *