算法来自文献：[1] S. Qi, G. Xu, Z. Mou, D. Huang, and X. Zheng, "A fast-saliency method for real-time infrared small target detection," Infrared Phys Techn, vol. 77, pp. 440-450, Jul 2016.
本文阐述了单帧红外图像中小目标快速检测的研究。针对各种复杂背景下的红外图像，提出了一种计算效率高的快速显著性算法。它来源于最近的一项关于视觉显著性检测的研究，表明通过结合高斯平滑的梯度增强操作可以很好地检测出小的显著信号。受此启发，本文提出的方法只包含四个简单的步骤，即梯度运算、平方计算、高斯平滑和自动阈值。在关键步骤中，在梯度操作中创新性地提出了facet核算子，这是小目标与背景分离的关键。同时，在快速显著性中也没有敏感参数。对覆盖典型场景的真实红外图像进行了实验测试，验证了该方法在检测精度和计算效率方面的有效性。因此，该技术在机载预警和末制导等实时ATR（自动目标识别）系统中具有广泛的应用前景。对于各种背景，如天空、海洋和地面杂波，它都是稳健的。
一、文献笔记
1. 核心思想
- 视觉显著性检测：小的显著性信号可以被 梯度增强算子 + 高斯平滑 检测出。
- fast-saliency 步骤：梯度算子（高通滤波） + 平方操作（目标增强） + 高斯平滑（噪声抑制） + 自适应阈值分割（目标分割）
- 5*5 facet kernel operator
- 检测准确度高，速度快
红外小目标检测难点：
- 由于红外图像的距离较远，目标在红外图像中所占像素非常少，且通常存在随机噪声和非平稳杂波，缺乏足够的结构信息来进行检测和匹配。
- 突出的目标 + 抑制背景。
方法分类
- 空域处理
- 频率分析
- 形态学操作
- 显著性计算
PFT-saliency method（follow work）
视觉显著性建模的研究表明，自然图像的傅里叶变换(PFT)相位谱中包含了丰富的引人注意的显著信号的位置信息[37-39]。Hou和Zhang[38]在早期的研究中认为，光谱残差决定了图像的显著性程度。它模拟了从自然图像统计原理推导出的预先注意视觉搜索行为。然而，在继续研究的过程中，Guo等人[39]认为，是相位谱而不是谱残差在大量比较试验的支持下起了作用。为了阐明这一理论，Li等[37]分析了相位谱与图像高频信息的关系，从而验证了相位谱的有效性。随后，Qi等[3]通过他们的研究证明了PFT-saliency对于红外图像中的小目标突出和背景抑制是有效的。
不足
PFT-saliency显著性方法在红外小目标检测中会产生不希望产生的杂波，在某些情况下会失效。
[3] S. Qi, J. Ma, H. Li, S. Zhang, J. Tian, Infrared small target enhancement via phase spectrum of quaternion Fourier transform, Infrared Phys. Technol. 62 (2014) 50–58.
proposed fast-saliency method
假设：目标高频明显，背景低频均匀
fast-saliency 步骤：
梯度算子（高通滤波） + 平方操作（目标增强） + 高斯平滑（噪声抑制） + 自适应阈值分割（目标分割）
- step1 可滤掉均匀背景（低频）保留明显的小目标（高频）
- step2 进一步增强目标
- step3 对分散的噪声进行平滑处理，得到最终的高信杂比的图
- step4 最后确认目标区域
在我们的工作中，我们首先采用传统的拉普拉斯核来完成这项任务，然后，为了获得比PFT更好的检测精度和计算效率，我们进一步提出了一种新的基于facet模型的核。
很明显传统的拉普拉斯核，相对于中心最远的四个角的权重值要高于四个边的中点。而对于红外小目标而言，像素离中心越远，对比度应该越高。因此，这种掩模不太适合增强小目标。尽管如此，传统的拉普拉斯核函数还是非常有利于获得较高的计算效率。
传统的拉普拉斯核函数在目标表征和噪声抑制方面存在固有缺陷，其检测结果比PFT差，如图3所示。因此，我们下一步的工作是提供一个基于facet模型[15]的图像梯度幅值的“井”核轮廓，该模型用于拟合图像斑块的底层强度表面。当然，我们的工作目标是通过使用新的算子，提出检测精度和计算效率都应该超过pft的显著性方法。
facet模型[15]使用一个二元三次函数来近似其邻域内每个像素的底层灰度强度表面。
优点：
- 我们用一个简单的卷积（高通梯度核）来代替计算复杂的PFT
1018
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
