《表1 不同场景下的GSCR与BSF》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于视觉对比度机制的红外弱小目标检测算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

文中算法与几种常用的算法:max-mean算法、max-median算法、top-hat算法以及传统的LCM算法进行对比的结果如图6所示，真实目标在原图和结果图均用方框标出，虚假目标由椭圆标出，可以看到max-mean算法和max-median算法虽然在多数情况下能够检测到目标，但仍存在较大的误检与漏检，检测率较低。对于top-hat算法，其检测准确率稍好于前两种算法，但受边缘形态影响较大，抗干扰能力较弱。传统的LCM算法在高亮度背景、低亮度目标、强边缘等情况下有较强的检测能力，但是在检测过程中容易产生过大的块效应[28]，形成误检，降低检测率。同时，针对像素点噪声存在的情况，这4种算法均未能完成准确检测，表明其对于噪声干扰的鲁棒性较弱。通过与上述方法的实验对比可以看出，本文提出的算法可以很好地抑制包括像素点噪声在内的各种干扰，从而检测出真实目标，具有较高的检测率。在不同场景下应用top-hat算法、LCM算法以及本文算法对弱小目标检测所得到的定量对比结果如表1所示，通过信杂比增益（signal-to-clutter ratio gain，GSCR）和背景抑制因子（background suppress factor，BSF）来定量评价各算法的性能。表中p1、p2、p3分别代表图4（b）～图4（d）的第二行，通过式（17）和式（18）计算图像信杂比增益GSCR和背景抑制因子BSF，GSCR越大，表示目标越容易被检测到，BSF越大，表示对背景的抑制能力越强。