摘要：本文詳細介紹了一種基于人類視覺系統特性的紅外弱小目標檢測算法——Multiscale patch-based contrast measure (MPCM)。該算法通過增強目標與背景的對比度，有效檢測紅外圖像中的弱小目標，并在MATLAB環境中進行了復現與實驗驗證。

關鍵詞：紅外檢測、弱小目標、圖像處理、模式識別、自適應檢測

參考文獻：Y. Wei, X. You, and H. Li, “Multiscale patch-based contrast measure for small infrared target detection,” Pattern Recognit., vol. 58, pp. 216–226, 2016. 本文是對上述文獻中的Multiscale patch-based contrast method, MPCM算法的詳細解析與MATLAB復現，并給出實驗結果。

1. 引言

傳統的紅外目標檢測算法存在一些局限性，如不能有效抑制背景、只能檢測亮目標、平滑目標或耗時等問題。針對這些缺陷，本文提出了MPCM算法，旨在提高檢測率和實時性，同時降低虛警率。

1. MPCM算法的創新點

1、提出了一種新的衡量目標局部對比度的方法，能夠同時增強亮目標和暗目標，并抑制背景。

2、算法設計易于并行化，具有較好的實時性，適用于高檢測率和低虛警率的應用場景。

1. 相關工作

3.1 Local Contrast Method (LCM)

LCM是最經典的基于人類視覺對比度機制的算法，通過計算目標區域與局部背景區域的對比度，增強目標并抑制背景。然而，LCM存在易受高亮點噪聲干擾和算法實時性差的問題。

3.2 算法原理

LCM使用滑動窗口和子窗口結構來計算局部對比度，假設目標的灰度比鄰域高，以此來增強目標區域的像素值。

1. MPCM算法詳解

這是一個Multiscale Patch-Based Contrast Measure (MPCM)算法的原理框圖。圖中包括以下組件：輸入紅外圖像、多尺度補丁提取、對比度計算、目標增強和輸出檢測目標。箭頭指示了這些組件之間的流程。背景簡單干凈，以突出過程。

4.1 算法構成

MPCM算法主要包括兩部分：目標增強和閾值分割。

4.2 目標增強

滑動窗口：使用滑動窗口將圖像分為目標區域和背景區域。滑動窗口逐像素遍歷圖像，確定每個位置上的局部區域。

均值濾波：對滑動窗口內的目標區域和背景區域分別進行均值濾波，計算目標區域的均值和背景區域的均值。

顯著性對比度圖構造：利用均值濾波結果和特定濾波器構造顯著性對比度圖。顯著性對比度圖突出目標區域的像素值，使其在背景中更為顯著。

4.3 閾值分割

顯著性對比度圖：利用MPCM算法得到的顯著性對比度圖，目標區域在對比度圖中具有更高的對比度值。

經驗閾值：結合經驗閾值對顯著性對比度圖進行分割。閾值分割用于將顯著性對比度圖中的目標區域與背景區域分離出來，實現目標檢測。

4.4 算法步驟

? 計算目標區域的均值：

• 使用滑動窗口將圖像分割為多個局部區域。
• 對每個滑動窗口內的目標區域和背景區域分別計算其灰度均值。

? 構造特定濾波器并進行濾波處理：

• 設計特定的濾波器，用于增強目標區域的顯著性。
• 對滑動窗口內的目標區域應用特定濾波器，得到濾波后的目標區域圖像。

? 計算局部對比度：

• 計算目標區域和背景區域的灰度差異，得到局部對比度值。
• 局部對比度值反映了目標區域在背景中的顯著性。

? 遍歷圖像，輸出顯著性對比度圖：

• 將滑動窗口移動到圖像的每個位置，計算局部對比度值。
• 將所有局部對比度值組合起來，形成最終的顯著性對比度圖。

通過上述步驟，MPCM算法能夠在紅外圖像中有效地檢測出目標區域。該算法結合多尺度補丁提取和顯著性對比度計算，提高了目標檢測的準確性和魯棒性。顯著性對比度圖使得目標區域在復雜背景中更加突出，便于后續的閾值分割和目標檢測。

1. MATLAB復現

為了在MATLAB中實現Multiscale Patch-Based Contrast Measure (MPCM) 算法，我們將按照算法的步驟進行復現，包括圖像的預處理、多尺度補丁提取、對比度計算、目標增強和閾值分割。以下是詳細的步驟和代碼示例。

讀取和預處理圖像

多尺度補丁提取

計算局部對比度

目標增強

閾值分割

六、算法測試及實驗結果

參考文獻：

1. Y. Wei, X. You, and H. Li, “Multiscale patch-based contrast measure for small infrared target detection,” Pattern Recognit., vol. 58, pp. 216–226, 2016.
2. C. L. P. Chen, et al., “A local contrast method for small infrared target detection,” IEEE Trans. Geosci. Remote Sens., vol. 52, no. 1, pp. 574–581, 2014.
3. K. Zhang, et al., “A Difference-Based Local Contrast Method for Infrared Small Target Detection under Complex Background,” IEEE Access, vol. 7, pp. 105503–105513, 2019.
4. J. Han, et al., “A robust infrared small target detection algorithm based on human visual system,” IEEE Geosci. Remote Sens. Lett., vol. 11, no. 12, pp. 2168–2172, 2014.

最后，有相關需求歡迎通過公眾號“320科技工作室”與我們聯絡。