文献精讲—改进局部对比度算法（ILCM）原理

分享一下个人对于近期读过的一篇英文文献《A Robust Infrared Small Target Detection Algorithm
Based on Human Visual System》的理解，文献的链接放在文章最后。侵权请联系删除。

一、文章目的：

由于LCM算法是逐像素计算，时间消耗很大。LCM对PNHB进行了过度增强，导致了较高的误报率。因此，文章提出了一种改进的局部对比度算法(ILCM)，能够在增强目标，抑制背景的同时实现对于目标的平滑作用。

二、文章中提到的关键词解释：

PNHB：高亮度像素化噪声。

TB：指包含小目标的子块。

BB：完全是背景的子块。

PB：在TB周围与TB有部分重叠包含目标的部分信息的子块。

三、原理精讲：

1.整个过程

  首先，我们来梳理一下文章对于检测部分的框架。文章将检测过程分为两大模块，预检测阶段和检测阶段。下面我来对于这两个阶段分别谈一下我的理解。

2、预检测

  以子块作为单位来对于灰度值进行的计算是这个方法的一大亮点，由于LCM算法是对于像素点进行灰度值的计算，检测速度会相对较慢。因此ILCM算法中对于图像在预检测阶段进行分块，求取子块的灰度平均值，使用mb*nb（子块大小）作为分母，pix(i, j)是相应的像素点，I是指像素点的灰度值。之后，再把子块的灰度值m形成一个新的矩阵M。原文献给出的公式如下图所示：

3、检测阶段

第二步就是对于小目标进行检测。首先，需要计算出子块中像素点的灰度最大值Ln的值。其次，原文章使用在图像取的图像补丁的方法，巧妙设计了边长为子块边长3倍的图像补丁，以此来取sblk(s, t)为中心子块，并由此产生了背景块1~8，之后利用原文中给出的求平均灰度值（m）的公式求出该补丁的8个相邻子块的灰度均值m1 ~ m8。最后，对于矩阵M的每个元素使用原文提出的ILCM公式求出ILCM值由此获得显著图。原文献给出的公式如下图所示：

和LCM算法相似之处是，如果该子块含有目标（TB），则它的最大灰度值Ln>mi,那么他俩的比值一定大于1，乘以m0之后的ILCM值>m0,实现对于目标的增强。反之如果子块不含有目标（BB），同样实现了对背景的抑制。而当子块为（PB）时，由于PB仅在TB周围出现，显然对于同一目标ILCM（PB）

我个人理解的ILCM算法设计的亮点在于能够平滑目标，而平滑目标的关键就在于原文献所提出的ILCM这个式子中的分母m0,让我们来一起回顾一下LCM算法的公式：

经典的LCM算法的分母设置的是Ln²，会对于亮目标产生一个很大的增强效果，同时对于背景中存在的噪点也进行了增强，而ILCM算法中将其改进为m0*Ln,这样能够很好的对于目标进行平滑作用，就对于背景中存在的噪点干扰也能起到抑制作用。 

四、阈值分割

最后，让我们一起来看一下原文中使用到的阈值分割方法。μ和σ分别是SM的平均值和标准偏差，k是一个参数取10~20。为了避免重复检测，一旦检测到TB，TB及其相邻的重叠PB都将被抑制。原文献给出的公式如下图所示：

 

原文献链接： 

J. Han, Y . Ma, B. Zhou, F. Fan, K. Liang, and Y . Fang, “A robust infrared small target detection algorithm based on human visual system,” IEEE Geosci. Remote Sens. Lett., vol. 11, no. 12, pp. 2168–2172, Dec. 2014.