2021-04-06 FKRW算法 | Infrared Small Target Detection Based on Facet Kernel and Random Walker

FKRW算法

[1] Y. Qin, L. Bruzzone, C. Gao, and B. Li, "Infrared Small Target Detection Based on Facet Kernel and Random Walker," Ieee Transactions on Geoscience and Remote Sensing, vol. 57, no. 9, pp. 7104-7118, Sep 2019.

基于分割来做小目标检测，原图做统计排序滤波、均值滤波 、facet kernel滤波得到候选种子点； 随机游走算法生成依据中心点分割得到的概率图，依据概率图计算NLCD新的局部对比度描述结果，NLCD图与Facet滤波图点乘得到最后结果。

---

RW+NLCD依据

• 目标特性：异质性heterogeneity + 紧密度compactness
• 杂波：方向一致性

我们采用RW算法实现目标分割,依据是:

1)它只需要一小组标记像素来获得稳定的分割结果;

2)利用图像强度的结构,利用目标区域的特征和集群的方向一致性;

3)它可以提供一个概率映射,并快速、快速地解决了一个封闭解决方案。

注意：RW算法对噪声敏感

算法流程

• step 1 统计滤波+均值滤波
• step 2 facet kernel 滤波
• step 3 阈值分割提取候选点
• step 4 RW算法分割目标与背景     NLCD 描述  异质性heterogeneity + 紧密度compactness 。   （参数设置 patch 11）
• step 5 NLCD图与Facet滤波图点乘得到最后权重结果图。

核心原理

对facet kernel的结果做阈值分割操作，完成后，提取出真实的目标像素(红色正方形)和背景簇(绿色圆形)[见图1(d)]。与背景聚类相比，目标区域内部相对平滑，而目标与相应背景杂波之间的差异相对较大。我们把这两个特征称为异质性和紧密度。此外，背景在局部小区域内倾向于沿一定方向扩散，表现出方向一致性[见图1(d)中的蓝色箭头]。因此，利用目标区域的异质性和紧凑性特征以及聚类的方向一致性，实现目标增强和聚类抑制是可行的。

在本文中，我们提取了11 × 11像素的正方形斑块。由于RW算法需要标记像素，所以我们采用如图3(a)所示的策略来实现图像分割。具体来说，每个区域的中心像素被标记为class 1，而周围的40个像素被标记为class 2。由于只有中心像素被标记为第一类，而RW算法利用了图像强度的空间结构，所以只有中心像素周围的图像强度接近中心像素的像素才会被分割为第一类。因此，如果不少于两个像素被分割为第一类(中心像素总是被分割为第一类)，就可以提取出紧凑的区域。而且，如果这些像素的图像强度大于周围的背景，就更有可能是目标像素。

RW算法得到的概率图：

从上述四个例子中，我们得到两个主要的观察结果：

• 首先，第一类概率图显示了中心像素和周围像素之间的紧致度。
• 其次，如果只将中心像素分割为第1类，则有可能是亮噪声造成，应该丢弃。

NLCDcp 描述 紧密度compactness

目标具有较高的NLCDcp值，而边缘背景的NLCDcp值较低。

 

NLCDhg 描述 异质性heterogeneity

图6显示了一个合成的背景示例，包括低图像强度的中心像素。得到的概率图与图4(b1) - (c1)中的目标实例的结果相似。这两个例子的主要区别在于，中心像素的图像强度比周围像素的图像强度高或低。因此，为了实现鲁棒目标检测，需要考虑图像强度。与[40]和[41]的工作类似，如果提取紧凑像素，我们定义三个区域，即内部(目标)区域，保护(中间)区域和外部(背景)区域。为了便于说明，将这三个区域分别表示为Rin、Rgd和Rex。Rin是ClsP占用的区域。由于目标像素通常比周围的背景像素有更高的强度，我们利用保护区域和外部区域的强度来消除中心像素强度较低的错误检测。

NLCD值

目标加权增强图最终结果 

优点

• 可除去边缘噪声

• 此种场景下  张量方法失效，但是他还可以检测出来

算法缺陷

• 多目标检测效果不佳

• 受NLCD描述子影响较大，一步错，就算前面对了最后结果都错，因为流程中是取的交集。

• 目标吃尺度过大，无法检测