藺素珍，張海松，祿曉飛，李大威，李 毅

RBNSM：一種復(fù)雜背景下紅外弱小目標(biāo)檢測(cè)新方法

藺素珍1，張海松1，祿曉飛2，李大威3，李 毅2

（1. 中北大學(xué) 大數(shù)據(jù)學(xué)院，山西 太原 030051；2. 酒泉衛(wèi)星發(fā)射中心，甘肅 酒泉 735305；3. 中北大學(xué) 電氣與控制工程學(xué)院，山西 太原 030051）

弱小目標(biāo)檢測(cè)是紅外探測(cè)與跟蹤任務(wù)中的經(jīng)典難題。針對(duì)復(fù)雜背景下紅外弱小目標(biāo)普遍存在檢測(cè)率低、虛警率高的問題，提出一種基于區(qū)域雙鄰域顯著圖（Regional Bi-Neighborhood Saliency Map，RBNSM）的復(fù)雜背景紅外弱小目標(biāo)檢測(cè)新方法。利用弱小目標(biāo)的局部先驗(yàn)特性定義滑動(dòng)窗口并劃分為多個(gè)單元，計(jì)算中心單元前若干個(gè)最大灰度的均值來凸顯弱目標(biāo)；分別構(gòu)建中心單元的相接鄰域和相隔鄰域并計(jì)算各自的灰度均值，進(jìn)而，從不同方向上提取兩鄰域顯著圖并點(diǎn)乘二者以進(jìn)一步抑制雜波背景、增強(qiáng)弱小目標(biāo)；最后，通過自適應(yīng)提取準(zhǔn)確檢測(cè)目標(biāo)。多種典型紅外復(fù)雜背景圖像和SIRST數(shù)據(jù)集檢測(cè)結(jié)果表明：與7種代表性方法相比，RBNSM在復(fù)雜背景下具有更好的檢測(cè)性能與雜波抑制能力。

目標(biāo)檢測(cè)；紅外弱小目標(biāo)；鄰域顯著圖；相接鄰域；相隔鄰域

0 引言

紅外弱小目標(biāo)檢測(cè)是各種精確制導(dǎo)系統(tǒng)、安防系統(tǒng)和無(wú)人機(jī)巡檢等系統(tǒng)面臨的經(jīng)典難題之一[1-3]。這里的弱小目標(biāo)是指圖像信雜比小于5[4]且目標(biāo)尺寸在2×2～9×9像素之間[5]的目標(biāo)，該類目標(biāo)在空天目標(biāo)和海面目標(biāo)探測(cè)中極為常見。其檢測(cè)難點(diǎn)在于：1）成像距離遠(yuǎn)，目標(biāo)在圖像中呈點(diǎn)狀或近似點(diǎn)狀，不僅缺乏形狀、紋理和顏色特征信息而且極易于和噪點(diǎn)等混淆；2）空天和海面目標(biāo)探測(cè)中普遍存在云層、水面波光等復(fù)雜背景，易導(dǎo)致較多誤檢；3）弱小目標(biāo)與局部背景的對(duì)比度低，易造成漏檢[6-7]。因此，上述難點(diǎn)為紅外弱小目標(biāo)檢測(cè)帶來了極大挑戰(zhàn)。

目前，紅外小目標(biāo)檢測(cè)方法分為模型驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)兩種[7-9]。數(shù)據(jù)驅(qū)動(dòng)法通過設(shè)計(jì)網(wǎng)絡(luò)、訓(xùn)練模型和預(yù)測(cè)進(jìn)行目標(biāo)檢測(cè)，代表性的網(wǎng)絡(luò)模型有MdvsFA[10]、ACM[11]和DNANet[12]等。這些方法對(duì)特定對(duì)象效果較好，但大都使用人工合成數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)模型[13]，其結(jié)果是模型在真實(shí)復(fù)雜場(chǎng)景的效果難以保證。所以，模型驅(qū)動(dòng)法依然是目前紅外小目標(biāo)檢測(cè)的主要方法。模型驅(qū)動(dòng)法又可分為多幀與單幀方法[13]。由于技術(shù)所限，紅外成像儀還很難像可見光那樣能高速成像，這就使得以“建立運(yùn)動(dòng)模型預(yù)測(cè)軌跡”為核心的多幀方法效果欠佳[14]。因此，具有魯棒性的單幀方法更受關(guān)注。

從處理思路上看，單幀方法包含3種：首先是基于低秩和稀疏理論法，其核心是將小目標(biāo)檢測(cè)問題轉(zhuǎn)化為優(yōu)化求解問題[15]。這類方法一般可以有效分離目標(biāo)和背景，但基于核范數(shù)和秩函數(shù)等求解[16-17]時(shí)存在異常像素值敏感、耗時(shí)較長(zhǎng)等問題，并且對(duì)于復(fù)雜背景，易將角點(diǎn)等區(qū)域誤檢為目標(biāo)，導(dǎo)致虛警及漏檢[18]。其次是基于濾波的方法，使用如雙邊濾波等濾波技術(shù)來去除背景。該類方法對(duì)于均勻背景的抑制能力較好，但對(duì)如云層及建筑邊緣等復(fù)雜背景的邊緣抑制效果差，使得虛警增多。最后是基于人類視覺系統(tǒng)的方法，使用比值和差值等操作提取背景與目標(biāo)的局部對(duì)比度（Local Contrast Method，LCM）[19-20]來增強(qiáng)目標(biāo)。該類方法中多數(shù)研究者主要集中于改進(jìn)局部對(duì)比度特征提取方法，如多尺度塊局部對(duì)比度（Multiscale Patch-based Contrast Measure, MPCM）[21]、高提升多尺度局部對(duì)比度（High-Boost-Based Multiscale Local Contrast Measure, HBMLCM）[22]、相對(duì)局部對(duì)比度（Relative Local Contrast Measure, RLCM）[23]、基于局部能量因子的局部對(duì)比度（Local Energy Factor, LEF）[24]、基于三層窗的局部對(duì)比度方法（Tri-Layer Window Local Contrast Method，TLLCM）[25]及平均絕對(duì)灰度差分方法（Average Absolute Gray Difference, AAGD）[26]等。這些方法適用于變化平緩的紅外背景，但對(duì)復(fù)雜背景，不僅無(wú)法去除高對(duì)比度的邊緣，致使其誤檢率高，而且由于弱小目標(biāo)與局部背景的對(duì)比度低，導(dǎo)致漏檢率高。

為此，針對(duì)紅外弱小目標(biāo)檢測(cè)在復(fù)雜背景下虛警率和漏檢率高問題，提出一種基于區(qū)域雙鄰域顯著圖（Regional Bi-Neighborhood Saliency Map，RBNSM）的復(fù)雜背景下紅外弱小目標(biāo)檢測(cè)方法。先定義區(qū)域雙鄰域并根據(jù)其特性，不僅利用了弱小目標(biāo)與背景在不同方向上的差異信息，同時(shí)考慮了更多的局部信息，從而提取區(qū)域雙鄰域顯著圖；然后，點(diǎn)乘二者增大弱小目標(biāo)與局部背景的差距，最后通過自適應(yīng)提取技術(shù)實(shí)現(xiàn)復(fù)雜背景下紅外弱小目標(biāo)的高效準(zhǔn)確檢測(cè)。

1 基于區(qū)域雙鄰域顯著圖的紅外小目標(biāo)檢測(cè)

復(fù)雜背景下的紅外弱小目標(biāo)檢測(cè)存在以下幾個(gè)不失一般性的事實(shí)：1）局部背景邊緣與紅外小目標(biāo)特性不一致，前者具有各向異性，后者則相反；2）目標(biāo)較弱，導(dǎo)致局部背景與目標(biāo)的對(duì)比度低；3）增強(qiáng)目標(biāo)應(yīng)設(shè)計(jì)合理的對(duì)比度增強(qiáng)策略；4）顯著圖可能仍然存在雜波噪聲。

針對(duì)這些事實(shí)，模型必須兼顧以下幾方面：1）鑒于窗口中目標(biāo)與背景在特征上的差異性，應(yīng)將濾波窗口分為不同單元（cell）；2）使用弱目標(biāo)中前若干個(gè)灰度最大值的均值作為目標(biāo)區(qū)的均值有助于增大目標(biāo)與局部背景的對(duì)比度；3）利用所提相接與相隔鄰域的信息，不僅能夠減弱單一單元作用，而且可以從更多方向上提取更加差異化的信息，從而確立目標(biāo)邊緣；4）點(diǎn)乘兩顯著圖來進(jìn)一步去除雜波噪聲。所以，提出總體框架如圖1所示。

1.1 cell創(chuàng)建

定義一個(gè)大小為×的滑動(dòng)窗口并將該窗口細(xì)分為9個(gè)大小為×的cell，則＝3。假設(shè)中心單元cell0為目標(biāo)區(qū)，cell1～8是局部背景區(qū)，具體如圖2所示。

滑動(dòng)窗口如此劃分的原因是既考慮到不同方向上的差異信息又使窗口不過于復(fù)雜，從而影響時(shí)間效率。

1.2 cell亮度提取

1）cell0的顯著亮度

為了增強(qiáng)目標(biāo)亮度和簡(jiǎn)化計(jì)算，先對(duì)cell0中的像素值按降序排列，并計(jì)算前個(gè)值的均值，并用Max作為cell0的顯著亮度：

式中：(x, y)表示滑窗中心點(diǎn)位置；當(dāng)K值選取過小時(shí)，會(huì)引入較多虛警；當(dāng)K值選取過大時(shí)，會(huì)使得目標(biāo)縮小，甚至消失，導(dǎo)致漏檢；因此經(jīng)過多次試驗(yàn)選取K＝2，下文中將給出實(shí)驗(yàn)驗(yàn)證，Gj表示cell0中第j大的像素值（j＝1,2,…,K）。

圖2 目標(biāo)單元與背景單元分布

2）cell的池化亮度

為簡(jiǎn)化計(jì)算起見，所有cell的池化亮度分別用各單元灰度均值表示：

式中：G(,)代表第個(gè)cell的點(diǎn)(,)處的灰度值（＝0,1,…,8）

1.3 相接鄰域構(gòu)建

經(jīng)圖像處理領(lǐng)域的像素鄰域概念啟發(fā)，這里定義中心cell0相接鄰域的集合為：

式中：(,)形式表示由、兩個(gè)單元組成的cell0的相接鄰域。

計(jì)算其均值：

式中：p(,)和q(,)為相接鄰域?qū)?yīng)單元的池化亮度。

相接鄰域考慮相鄰的兩單元而非一個(gè)單元或三個(gè)單元是因?yàn)槠淠茉诳紤]更多方向差異信息的同時(shí)利用更多的局部信息。

1.4 相隔鄰域構(gòu)建

定義中心cell0相隔鄰域的集合為：

計(jì)算其均值：

式中：u(,)和v(,)為相隔鄰域?qū)?yīng)單元的池化亮度。

1.5 區(qū)域雙鄰域顯著圖提取

1）cell0相接鄰域顯著圖提?。ˋdjacent Neighborhood Saliency Map, ANSM）

其由cell0的顯著亮度Max(,)和相接鄰域的均值a進(jìn)行差平方計(jì)算得出：

當(dāng)滑動(dòng)窗口處于洞狀背景時(shí)，cell0的池化亮度小于其它單元的池化亮度，但經(jīng)公式(7)增強(qiáng)后會(huì)被誤檢為目標(biāo)。因此，使用判斷函數(shù)()來去除洞狀背景：

式中：(×)如公式(9)所示：

小目標(biāo)各向同性的性質(zhì)使得(8)式所得結(jié)果均較大。因此，將結(jié)果最小值作為該點(diǎn)ANSM的輸出值能夠區(qū)分雜波背景與小目標(biāo)：

2）cell0相隔鄰域顯著圖提?。⊿paced Neighborhood Saliency Map, SNSM）

類似(1)中，Max(,)和b的差分平方結(jié)果SNSM如下：

同理，將結(jié)果最小值作為該點(diǎn)SNSM的輸出值，如公式(12)所示：

3）RBNSM計(jì)算

區(qū)域雙鄰域顯著圖RBNSM在點(diǎn)(,)處的值由公式(13)得出：

RBNSM(,)＝ANSM(,)×SNSM(,) (13)

由于滑動(dòng)窗口逐像素對(duì)圖像進(jìn)行濾波，得到的是其中心點(diǎn)的新灰度值。因此無(wú)論滑動(dòng)窗口中存在幾個(gè)目標(biāo)，都會(huì)根據(jù)設(shè)計(jì)的局部對(duì)比度增強(qiáng)策略及窗口的局部信息逐像素計(jì)算。

本方法為了權(quán)衡檢測(cè)性能及時(shí)間效率，在僅利用灰度信息的情況下就能達(dá)到顯著的檢測(cè)效果。

1.6 目標(biāo)自適應(yīng)提取

如圖1所示，原始紅外圖像經(jīng)過RBNSM計(jì)算后得到的顯著圖的信雜比大大提升。此時(shí)，顯著圖中亮度最突出的部分即為目標(biāo)。因此，使用自適應(yīng)閾值分割法來提取出目標(biāo)，閾值計(jì)算過程如公式(14)所示：

Th＝＋×(14)

式中：和代表RBNSM顯著性圖的均值和標(biāo)準(zhǔn)差。值選取將在下文實(shí)驗(yàn)中給出。

1.7 RBNSM適用性分析

當(dāng)滑動(dòng)窗口逐像素對(duì)圖像進(jìn)行濾波時(shí)，可能產(chǎn)生以下幾種情況：

1）當(dāng)滑窗處于目標(biāo)中心區(qū)域時(shí)：只考慮目標(biāo)區(qū)前最大灰度值使得Max(,)≥0(,)。局部背景區(qū)考慮相接鄰域與相隔鄰域，使得a(,)，b(,)均小于各自單獨(dú)單元的亮度(,)，即Max(,)?a(,)，Max(,)?b(,)。據(jù)式(8)和(11)可知ANSM、SNSM值都較大。二者點(diǎn)乘會(huì)使RBNSM值更大。由此，目標(biāo)中心區(qū)域被顯著增強(qiáng)。

2）當(dāng)滑窗處于均勻背景區(qū)域時(shí)：Max(,)≈a(,)，Max(,)≈b(,)，導(dǎo)致ANSM、SNSM以及RBNSM的值都趨于0。因此，均勻背景被抑制。

3）當(dāng)滑窗處于高亮度背景邊緣時(shí)：Max(,)值較大，并且由于邊緣一般具有單邊對(duì)稱性，導(dǎo)致Max(,)≈max[a(,)]，Max(,)≈max[b(,)]，故ANSM、SNSM值都趨于0。點(diǎn)乘結(jié)果RBNSM值也趨于0，使得邊緣強(qiáng)度響應(yīng)被削弱。由此，高亮度復(fù)雜背景邊緣也被抑制。

4）當(dāng)滑窗處于目標(biāo)邊緣區(qū)域時(shí)：目標(biāo)邊緣區(qū)域的亮度值與局部背景更相近，因此目標(biāo)區(qū)只考慮前最大灰度值就使得Max(,)≥0(,)。同時(shí)，a(,)和b(,)略小于各自單獨(dú)單元的池化亮度(,)，從而ANSM、SNSM以及RBNSM的值均較大。因此，目標(biāo)邊緣區(qū)域也在一定程度上被增強(qiáng)。

2 實(shí)驗(yàn)及分析

2.1 實(shí)驗(yàn)設(shè)計(jì)與評(píng)價(jià)指標(biāo)

為全面評(píng)估本方法，我們?cè)诙喾N不同場(chǎng)景的復(fù)雜紅外圖像以及SIRST公開數(shù)據(jù)集上[11]測(cè)試了本文方法與7種代表性方法。這些方法包括：AAGD[26]，PSTNN[17]，LEF[24]，TLLCM[25]，HBMLCM[22]，RLCM[23]和ACM[11]。其中，PSTNN是基于低秩和稀疏矩陣恢復(fù)的方法，ACM是基于深度學(xué)習(xí)的方法。同時(shí)，采用本領(lǐng)域常用的信雜比增益（Signal Clutter Ratio Gain，SCRG）、背景抑制因子（Background Suppression Factor，BSF）、接收者操作特性（Receiver Operating Characteristic, ROC）曲線以及時(shí)間消耗來衡量方法的檢測(cè)性能。其中，SCRG用來評(píng)價(jià)目標(biāo)增強(qiáng)的程度，BSF用來評(píng)價(jià)算法抑制背景的能力，ROC通過曲線下的面積（Area Under Curve，AUC）值來評(píng)價(jià)最終的檢測(cè)效果[27]。SCRG和BSF值越大，目標(biāo)增強(qiáng)效果與背景抑制效果越好。在ROC坐標(biāo)空間中，曲線越接近左上角，則檢測(cè)性能越好。

為了更好地平衡數(shù)據(jù)驅(qū)動(dòng)方法和模型驅(qū)動(dòng)方法，文獻(xiàn)[11]提出了新的評(píng)價(jià)指標(biāo)nIoU。

所有實(shí)驗(yàn)在Intel(R) Core(TM) i5-7200U CPU，12G內(nèi)存的電腦上使用MATLAB R2019b編程進(jìn)行。

2.2 參數(shù)設(shè)置

本文通過實(shí)驗(yàn)方法確定參數(shù)和。首先，在SIRST數(shù)據(jù)集上測(cè)試不同值對(duì)應(yīng)的nIoU值。如表1所示，當(dāng)值取2時(shí)，nIoU值達(dá)到最大，因此取值為2。然后，再用相同方法選取值。當(dāng)值取2時(shí)，nIoU達(dá)到峰值，因此取值為2。后面所有實(shí)驗(yàn)均在該取值下完成。

表1 本方法在SIRST數(shù)據(jù)集上不同K值與l值的nIoU值

2.3 復(fù)雜背景下實(shí)驗(yàn)結(jié)果分析

2.3.1 定性分析

這里選取5種典型的紅外復(fù)雜場(chǎng)景圖像，通過展示8種方法得到的結(jié)果進(jìn)行定性評(píng)價(jià)。測(cè)試圖像的基本特征如表2所示。圖3是測(cè)試結(jié)果。為便于排版，圖3中所有圖像縮放至同一大小，從上至下依次為：測(cè)試圖像、原圖三維圖、各方法顯著性圖的三維圖，目標(biāo)用紅色方框標(biāo)出。

表2 測(cè)試圖像基本特征

通過圖3可看出，PSTNN和ACM方法未檢測(cè)到圖像b和c中的目標(biāo)；HBMLCM和RLCM方法未檢測(cè)到圖像c中的目標(biāo)。AAGD，LEF及TLLCM方法雖然檢測(cè)到了目標(biāo)，但同時(shí)存在大量背景雜波和噪聲；而本方法則目標(biāo)顯著、背景抑制效果好并且基本無(wú)噪聲引入?？傊?，本文方法明顯好于其它方法。

2.3.2 定量分析

表3給出7種方法在5種不同的復(fù)雜紅外場(chǎng)景圖像下的SCRG、BSF及時(shí)間消耗值，所有最優(yōu)值均用粗體標(biāo)出。需要說明的是：由于ACM方法的輸出為二值圖，傳統(tǒng)的SCRG與BSF指標(biāo)不再適應(yīng)，因此，這里未包括在內(nèi)。

由表3可以看出：本文方法的SCRG和BSF均明顯高于6種對(duì)比方法，值得一提的是對(duì)于圖像b，本方法得到的SCRG值是其它方法中最大值的8.5倍，說明本文方法的目標(biāo)增強(qiáng)能力顯著強(qiáng)于對(duì)比方法；對(duì)于圖像d，本方法得到的BSF值是其他方法最大值的5.6倍，說明本文方法的背景抑制能力極佳。在算法時(shí)間消耗方面，AAGD方法具有最佳的實(shí)時(shí)性；本方法與PSTNN方法所用時(shí)間相近，消耗時(shí)間遠(yuǎn)小于LEF，TLLCM和RLCM方法。考慮到我們的雙鄰域顯著圖模型有利于算法并行處理，所以本文方法的時(shí)間消耗有較大提升潛力。綜合考慮以上3方面，本文方法的優(yōu)勢(shì)顯而易見。

對(duì)于ROC曲線，7種方法的曲線如圖4所示，子圖(a)、(b)、(c)、(d)、(e)分別與前述的圖像a、b、c、d、e相對(duì)應(yīng)。從圖4可以看出：在這5種紅外場(chǎng)景中，本方法的ROC曲線均最接近左上角，且得到最大的AUC值，這表明本方法相較于其它對(duì)比檢測(cè)方法，具有更好的檢測(cè)性能。

2.4 魯棒性分析

2.4.1 一般場(chǎng)景實(shí)驗(yàn)

為了驗(yàn)證本方法在一般紅外場(chǎng)景下的檢測(cè)能力，在SIRST數(shù)據(jù)集上進(jìn)行了性能測(cè)試。SIRST數(shù)據(jù)集包含427張單幀紅外場(chǎng)景圖像。SCRG，BSF及時(shí)間消耗的平均值如表4所示。為了與深度學(xué)習(xí)方法對(duì)比，這里計(jì)算了8種方法在此數(shù)據(jù)集上的nIoU值。

由表4可知，本方法在SIRST公共數(shù)據(jù)集上的SCRG值與BSF值顯著優(yōu)于其它方法，表明本方法在一般紅外場(chǎng)景下卓越的目標(biāo)增強(qiáng)及背景抑制能力。對(duì)于nIoU值，本方法雖未取得最大值，但與最優(yōu)值相差較小并遠(yuǎn)大于其它方法，說明本方法比深度學(xué)習(xí)方法有更好的檢測(cè)性能。在時(shí)間消耗方面，本方法也基本滿足實(shí)時(shí)性要求。

2.4.2 多尺度及多目標(biāo)檢測(cè)性能測(cè)試

為進(jìn)一步驗(yàn)證本文方法的魯棒性，這里針對(duì)不同尺度和不同數(shù)量目標(biāo)進(jìn)行了檢測(cè)實(shí)驗(yàn)。

表3 5種不同場(chǎng)景紅外圖像的SCRG，BSF和時(shí)間消耗

表4 每種方法在SIRST數(shù)據(jù)集上的平均指標(biāo)

1）多尺度目標(biāo)檢測(cè)

圖5的目標(biāo)尺寸從左至右依次為3×3、5×9、7×7、6×13和9×12。圖中從上至下每行依次為紅外原圖、標(biāo)簽圖和本方法結(jié)果圖。結(jié)果表明本方法能穩(wěn)定檢出不同尺度的小目標(biāo)。

圖5 不同尺度目標(biāo)的紅外圖像原圖、標(biāo)簽圖及本方法結(jié)果

2）多目標(biāo)檢測(cè)

圖6從左至右的目標(biāo)個(gè)數(shù)依次為2、4、6和6。對(duì)于這些目標(biāo)，本方法均能盡數(shù)檢出。特別地，圖像(b)的中間兩目標(biāo)十分接近，本方法仍達(dá)到較好的檢測(cè)效果，說明本方法具有一定的多目標(biāo)檢測(cè)能力。

綜上，大量定性與定量實(shí)驗(yàn)證明：①本方法無(wú)論對(duì)于如建筑強(qiáng)邊緣、白色斑塊及弱目標(biāo)被淹沒等復(fù)雜背景或是一般紅外場(chǎng)景，還是對(duì)于多尺度多目標(biāo)檢測(cè)，均效果顯著，說明本方法具有良好的魯棒性。②本方法經(jīng)實(shí)驗(yàn)調(diào)優(yōu)的參數(shù)，一經(jīng)選定無(wú)需再對(duì)每一張圖像調(diào)整參數(shù)即可獲得較好的檢測(cè)效果，說明本方法泛化性好，能夠滿足多種場(chǎng)景檢測(cè)需要。

圖6 多目標(biāo)的紅外圖像原圖、標(biāo)簽圖及本方法檢測(cè)結(jié)果

3 結(jié)論

本文提出了一種復(fù)雜背景下紅外弱小目標(biāo)檢測(cè)新方法。其中，計(jì)算中心單元的前個(gè)灰度最大值能增大弱小目標(biāo)對(duì)比度；提取兩顯著圖時(shí)，將弱小目標(biāo)在各個(gè)方向上的對(duì)比度最小值作為輸出值，能有效抑制復(fù)雜背景；點(diǎn)乘操作可進(jìn)一步去除雜波噪聲。實(shí)驗(yàn)結(jié)果表明本方法在SCRG、BSF、ROC曲線、AUC值及nIoU值評(píng)價(jià)指標(biāo)上，均取得了較好的結(jié)果，顯示出本方法在復(fù)雜背景抑制及目標(biāo)增強(qiáng)能力上的優(yōu)越性。同時(shí)，本方法還具有一定的多尺度及多目標(biāo)檢測(cè)能力。由此可見，本方法是一種有效的復(fù)雜背景下紅外弱小目標(biāo)檢測(cè)方法。下一階段將重點(diǎn)進(jìn)行算法優(yōu)化和并行處理研究。

[1] GUAN X, ZHANG L, HUANG S, et al. Infrared small target detection via non-convex tensor rank surrogate joint local contrast energy[J]., 2020, 12(9): 1520.

[2] LU R, YANG Xiaogang, LI W, et al. Robust infrared small target detection via multidirectional derivative-based weighted contrast measure[J]., 2020, 1(1): 1-5.

[3] ZHANG L, LIN Z. Infrared small target detection based on anisotropic contrast filter[C]//20205th()., 2020: 70-73.

[4] SUN Y, YANG J, AN W. Infrared dim and small target detection via multiple subspace learning and spatial-temporal patch-tensor model[J]., 2020(99): 1-16.

[5] GAO C, MENG D, YANG Y, et al. Infrared patch-image model for small target detection in a single image[J]., 2013, 22(12): 4996-5009.

[6] 吳雙忱, 左崢嶸. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的紅外小目標(biāo)檢測(cè)[J]. 紅外與毫米波學(xué)報(bào), 2019, 38(3): 371-380.

WU Shuangchen, ZUO Zhengrong. Small target detection in infrared images using deep convolutional neural networks[J]., 2019, 38(3): 371-380.

[7] DAI Y, WU Y, ZHOU F, et al. Attentional local contrast networks for infrared small target detection[J]., 2021(99): 1-12.

[8] LIN S, HAN Z, LI D, et al. Integrating model-and data-driven methods for synchronous adaptive multi-band image fusion[J]., 2020, 54: 145-160.

[9] 趙興科, 李明磊, 張弓, 等. 基于顯著圖融合的無(wú)人機(jī)載熱紅外圖像目標(biāo)檢測(cè)方法[J/OL]. 自動(dòng)化學(xué)報(bào): 1-15. [2021-07-02]. http://kns.cnki.net/kcms/detail/11.2109.tp.20200421.1108.003.html.

ZHAO Xingke, LI Minglei, ZHANG Gong, et al. Object Detection Method Based on Saliency Map Fusion for UAV-borne Thermal Images[J/OL]., 1-15. [2021-07-02]. http://kns.cnki.net/kcms/detail/11.2109.tp.20200421.1108.003.html.

[10] WANG H, ZHOU L, WANG L. Miss detection vs. false alarm: Adversarial learning for small object segmentation in infrared images[C]///CVF, 2019: 8509-8518.

[11] DAI Y, WU Y, ZHOU F, et al. Asymmetric contextual modulation for infrared small target detection[C]///(). 2021: 950-959.

[12] LI B, XIAO C, WANG L, et al. Dense Nested Attention Network for Infrared Small Target Detection[J/OL].:2 106.00487, 2021.

[13] ZHAO M, CHENG L, YANG X , et al. TBC-Net: A real-time detector for infrared small target detection using semantic constraint[J/OL]., 2019. https://arxiv.org/ abs/2001.05852.

[14] NIE Y, LI W, ZHAO M, et al. Infrared small target detection in image sequences based on temporal low-rank and sparse decomposition[C]//,, 2021: 11720A.

[15] 薛錫瑞, 黃樹彩, 馬佳順, 等. 基于局部熵參考預(yù)處理的RPCA紅外小目標(biāo)檢測(cè)[J]. 紅外技術(shù), 2021, 43(7): 649-657.

XUE Xirui, HUANG Shucai, MA Jiashun, et al. RPCA infrared small target detection based on local entropy reference in preprocessing[J]., 2021, 43(7): 649-657.

[16] ZHANG T, WU H, LIU Y, et al. Infrared small target detection based on non-convex optimization with lp-norm constraint[J]., 2019, 11(5): 559.

[17] ZHANG L, PENG Z. Infrared Small Target Detection Based on Partial Sum of the Tensor Nuclear Norm[J]., 2019, 11(4): 382.

[18] ZHANG Tianfang, PENG Zhenming, WU Hao, et al. Infrared small target detection via self-regularized weighted sparse model[J]., 2021, 420: 124-148.

[19] CHEN C L P, LI H, WEI Y, et al. A local contrast method for small infrared target detection[C]//, 2014, 52(1): 574-581. Doi: 10.1109/TGRS.2013. 2242477.

[20] 劉松濤, 劉振興, 姜寧. 基于融合顯著圖和高效子窗口搜索的紅外目標(biāo)分割[J]. 自動(dòng)化學(xué)報(bào), 2018, 44(12): 2210?2221

LIU Songtao, LIU Zhenxing, JIANG Ning. Target segmentation of infrared image using fused saliency map and efficient subwindow search[J]., 2018, 44(12): 2210?2221

[21] WEI Y T, YOU X G, LI H. Multiscale patch-based contrast measure for small infrared target detection[J]., 2016, 58: 216-226.

[22] SHI Y F, WEI Y T, YAO H, et al. High-boost-based multiscale local contrast measure for infrared small target detection[J]., 2018, 15: 33-37.

[23] HAN JH, LIANG K, ZHOU B, et al. Infrared small target detection utilizing the multiscale relative local contrast measure[J]., 2018, 15: 612-616.

[24] XIA C, LI X, ZHAO L, et al. Infrared small target detection based on multiscale local contrast measure using local energy factor[J]., 2020, 17(1): 157-161.

[25] HAN J, Moradi S, Faramarzi I, et al. A local contrast method for infrared small-target detection utilizing a tri-layer window[J]., 2020, 17(10): 1822-1826

[26] DENG H, SUN X, LIU M, et al. Infrared small-target detection using multiscale gray difference weighted image entropy[J]., 2016, 52(1): 60-72.

[27] HUANG S, LIU Y, HE Y, et al. Structure-adaptive clutter suppression for infrared small target detection: chain-growth filtering[J]., 2020, 12(1): 47-69.

RBNSM: a New Method for Infrared Dim and Small Target Detection in Complex Backgrounds

LIN Suzhen1，ZHANG Haisong1，LU Xiaofei2，LI Dawei3，LI Yi2

(1. College of Big Data, North University of China, Taiyuan 030051, China;2. Jiuquan Satellite Launch Center, Jiuquan 735305, China;3. College of Electrical and Control Engineering, North University of China, Taiyuan 030051, China)

Infrared dim and small target (IRDST) detection is a longstanding and challenging problem in infrared search and track systems. To address the problems of a low detection rate and high false alarm rate for dim and small targets in complex backgrounds, a method is proposed for detecting IRDSTs using a regional bi-neighborhood saliency map (RBNSM). First, using the local a-priori property of the weak target, a sliding window is defined and divided into multiple cells before the mean value of the first maximum gray levels of the central cell is calculated to highlight the weak target. Then, the adjacent and spaced neighbors of the central cell are constructed and the mean value of their respective gray levels is calculated. Subsequently, the salient maps of the two neighbors are the extracted from different directions and multiplied point by point to further suppress the clutter background and enhance the weak target. Finally, the target is accurately detected by adaptive extraction. The detection results of various typical IR complex background images and SIRST datasets show that RBNSM has a better detection performance and clutter suppression ability in complex backgrounds than the seven representative methods.

target detection, infrared dim and small target, neighborhood saliency map, adjacent neighborhood, spaced neighborhood

TP751.1

A

1001-8891(2022)07-0667-09

2021-10-10；

2021-12-08.

藺素珍（1966-），女，教授，博士，碩士生導(dǎo)師，主要從事圖像處理、紅外小目標(biāo)檢測(cè)和多波段圖像融合領(lǐng)域研究。E-mail：lsz@nuc.edu.cn。

山西省自然科學(xué)基金項(xiàng)目（201901D111151）；中北大學(xué)第十七屆研究生科技立項(xiàng)項(xiàng)目（20201737）。