文献精讲-弱小目标检测-ADMD方法

分享一下个人对于近期读过的一篇文献《Fast and robust small infrared target detection using absolute directional mean difference algorithm》的理解，文献的链接放在文章最后。侵权请联系删除。

一、算法优势

文章提出的ADMD方法是基于AAGD方法，在其基础上进行改进完成的。文章对于AAGD算法的优缺点进行了相应的总结，之后对于文章提出的ADMD方法的优势进行了总结。

平均绝对灰度差（AAGD）算法利用两个嵌套窗口逐像素滑动。有效地抑制了背景噪声（使用局部平均）并增强了目标区域（通过采用局部对比度）。可以很容易地通过局部平均和减法算子实现，具有较低的计算复杂性，适合于实时实际应用。 

  当红外场景包含高强度边缘和结构背景杂波时，非目标区域也会增强。尽管目标区域总是具有正对比度，但无论感兴趣区域的对比度是正还是负，AAGD都会返回强烈的响应，AAGD返回错误响应作为真实目标区域。

ADMD算法通过将局部平均和形态学扩张算子结合的方法能够有效地抑制了高强度边缘和结构背景杂波，同时噪声抑制和目标增强能力保持不变.

二、算法原理

1.AAGD

利用两个嵌套窗口逐像素滑动。如下图所示，内部窗口（Φ）和外部窗口的平均值之间的差值(Ω) 用于构建显著性图。能够有效得消除高强度边缘

文中给出的算法公式如下图所示。首先计算每个子块的平均灰度值mk。其次，计算目标区域0和周围各个区域的灰度差，对其进行平方从而实现对于目标区域的增强和背景区域的抑制。最后使用跳跃函数H（x），当x<0时取0.对于AAGD的值进行简单的阈值处理，从而抑制产生的负对比度。

 

2.ADMD

由于最小方向响应作为最终输出将增强杂波抑制能力，而目标检测能力保持不变。文中给出的算法流程如下所示：使用适当邻域大小（3×3、5×5、7×7或9×9）m0的局部平均对输入红外图像进行滤波。使用适当的结构元素（图示）对滤波图像m0进行形态学扩张，以获得最大方向值Mdir。计算绝对差值平均值ADM。消除负对比度ADMD构建显著性图。

 

 

 

 

 

 

Fast and robust small infrared target detection using absolute directional mean difference algorithm - ScienceDirect