《表1 8种方法的客观指标值对比》

  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

《红外弱小目标检测算法综述》

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

注:加粗字体为每列最优值，“\\”表示无数据。

式中，S和C分别代表平均目标强度和背景杂波标准差，in和out代表输入和输出图像。基于滤波的方法选用以Top-Hat为代表的空域滤波和以NVMD为代表的频域滤波方法进行对比；基于HVS的方法也较为简单，选用局部对比度测量（LCM）和基于块的多尺度对比度测量（MPCM）这两种具有代表性的算法进行对比；而基于低秩稀疏恢复（尤其是块图像）的方法是近年研究最多的，因此，选用IPI模型、加权的块图像模型WIPI、稳定的多子空间学习模型SMSL和非凸秩逼近最小模型NRAM进行对比。即使用8种算法对SCR和BSF两个客观指标进行分析对比。图2为7种算法在5个复杂背景红外弱小目标图像检测结果，表1为客观指标评价结果，各算法的测试配置平台是在Windows7系统的MATLAB R2018a，英特尔赛扬2.90 GHz处理器，4 GB RAM内存。可以看出，总体而言，4种基于低秩稀疏恢复的方法在两种客观评价指标上的平均性能明显优于其他两类算法；基于滤波的Top-Hat变换算法的主要目的是抑制背景，因此其相比于以提高目标区域局部对比度为目的的LCM方法和MPCM方法在BSF指标上效果更好，但从SCR的角度来看，两种算法的性能较为接近，LCM算法存在明显的“块效应”，使得其效果最差；从图2也可以看出，NRAM代表的基于低秩稀疏恢复的方法在复杂背景的红外弱小目标检测中有明显优势。在时间消耗方面，仅对几种复杂背景下相关检测算法的时间消耗进行统计意义不大。综合众多文献对不同算法消耗时间的统计来看，本文在表2中对几种典型的单帧检测算法的计算复杂度进行了汇总（I为结构元素大小，K为处理窗口尺寸，M为图像的宽，N为图像的长），从表2中可以看出，以IPI为代表的基于图像低秩稀疏恢复的方法耗时最长，以LCM为代表的基于人类视觉系统的方法次之，而以Top-Hat为变换代表的基于滤波的方法耗时最短。