RBNSM：一種復雜背景下紅外弱小目標檢測新方法

藺素珍，張海松，祿曉飛，李大威，李 毅

RBNSM：一種復雜背景下紅外弱小目標檢測新方法

藺素珍1，張海松1，祿曉飛2，李大威3，李 毅2

（1. 中北大學 大數(shù)據(jù)學院，山西 太原 030051；2. 酒泉衛(wèi)星發(fā)射中心，甘肅 酒泉 735305；3. 中北大學 電氣與控制工程學院，山西 太原 030051）

弱小目標檢測是紅外探測與跟蹤任務中的經典難題。針對復雜背景下紅外弱小目標普遍存在檢測率低、虛警率高的問題，提出一種基于區(qū)域雙鄰域顯著圖（Regional Bi-Neighborhood Saliency Map，RBNSM）的復雜背景紅外弱小目標檢測新方法。利用弱小目標的局部先驗特性定義滑動窗口并劃分為多個單元，計算中心單元前若干個最大灰度的均值來凸顯弱目標；分別構建中心單元的相接鄰域和相隔鄰域并計算各自的灰度均值，進而，從不同方向上提取兩鄰域顯著圖并點乘二者以進一步抑制雜波背景、增強弱小目標；最后，通過自適應提取準確檢測目標。多種典型紅外復雜背景圖像和SIRST數(shù)據(jù)集檢測結果表明：與7種代表性方法相比，RBNSM在復雜背景下具有更好的檢測性能與雜波抑制能力。

目標檢測；紅外弱小目標；鄰域顯著圖；相接鄰域；相隔鄰域

0 引言

紅外弱小目標檢測是各種精確制導系統(tǒng)、安防系統(tǒng)和無人機巡檢等系統(tǒng)面臨的經典難題之一[1-3]。這里的弱小目標是指圖像信雜比小于5[4]且目標尺寸在2×2～9×9像素之間[5]的目標，該類目標在空天目標和海面目標探測中極為常見。其檢測難點在于：1）成像距離遠，目標在圖像中呈點狀或近似點狀，不僅缺乏形狀、紋理和顏色特征信息而且極易于和噪點等混淆；2）空天和海面目標探測中普遍存在云層、水面波光等復雜背景，易導致較多誤檢；3）弱小目標與局部背景的對比度低，易造成漏檢[6-7]。因此，上述難點為紅外弱小目標檢測帶來了極大挑戰(zhàn)。

目前，紅外小目標檢測方法分為模型驅動與數(shù)據(jù)驅動兩種[7-9]。數(shù)據(jù)驅動法通過設計網絡、訓練模型和預測進行目標檢測，代表性的網絡模型有MdvsFA[10]、ACM[11]和DNANet[12]等。這些方法對特定對象效果較好，但大都使用人工合成數(shù)據(jù)集訓練網絡模型[13]，其結果是模型在真實復雜場景的效果難以保證。所以，模型驅動法依然是目前紅外小目標檢測的主要方法。模型驅動法又可分為多幀與單幀方法[13]。由于技術所限，紅外成像儀還很難像可見光那樣能高速成像，這就使得以“建立運動模型預測軌跡”為核心的多幀方法效果欠佳[14]。因此，具有魯棒性的單幀方法更受關注。

從處理思路上看，單幀方法包含3種：首先是基于低秩和稀疏理論法，其核心是將小目標檢測問題轉化為優(yōu)化求解問題[15]。這類方法一般可以有效分離目標和背景，但基于核范數(shù)和秩函數(shù)等求解[16-17]時存在異常像素值敏感、耗時較長等問題，并且對于復雜背景，易將角點等區(qū)域誤檢為目標，導致虛警及漏檢[18]。其次是基于濾波的方法，使用如雙邊濾波等濾波技術來去除背景。該類方法對于均勻背景的抑制能力較好，但對如云層及建筑邊緣等復雜背景的邊緣抑制效果差，使得虛警增多。最后是基于人類視覺系統(tǒng)的方法，使用比值和差值等操作提取背景與目標的局部對比度（Local Contrast Method，LCM）[19-20]來增強目標。該類方法中多數(shù)研究者主要集中于改進局部對比度特征提取方法，如多尺度塊局部對比度（Multiscale Patch-based Contrast Measure, MPCM）[21]、高提升多尺度局部對比度（High-Boost-Based Multiscale Local Contrast Measure, HBMLCM）[22]、相對局部對比度（Relative Local Contrast Measure, RLCM）[23]、基于局部能量因子的局部對比度（Local Energy Factor, LEF）[24]、基于三層窗的局部對比度方法（Tri-Layer Window Local Contrast Method，TLLCM）[25]及平均絕對灰度差分方法（Average Absolute Gray Difference, AAGD）[26]等。這些方法適用于變化平緩的紅外背景，但對復雜背景，不僅無法去除高對比度的邊緣，致使其誤檢率高，而且由于弱小目標與局部背景的對比度低，導致漏檢率高。

為此，針對紅外弱小目標檢測在復雜背景下虛警率和漏檢率高問題，提出一種基于區(qū)域雙鄰域顯著圖（Regional Bi-Neighborhood Saliency Map，RBNSM）的復雜背景下紅外弱小目標檢測方法。先定義區(qū)域雙鄰域并根據(jù)其特性，不僅利用了弱小目標與背景在不同方向上的差異信息，同時考慮了更多的局部信息，從而提取區(qū)域雙鄰域顯著圖；然后，點乘二者增大弱小目標與局部背景的差距，最后通過自適應提取技術實現(xiàn)復雜背景下紅外弱小目標的高效準確檢測。

1 基于區(qū)域雙鄰域顯著圖的紅外小目標檢測

復雜背景下的紅外弱小目標檢測存在以下幾個不失一般性的事實：1）局部背景邊緣與紅外小目標特性不一致，前者具有各向異性，后者則相反；2）目標較弱，導致局部背景與目標的對比度低；3）增強目標應設計合理的對比度增強策略；4）顯著圖可能仍然存在雜波噪聲。

針對這些事實，模型必須兼顧以下幾方面：1）鑒于窗口中目標與背景在特征上的差異性，應將濾波窗口分為不同單元（cell）；2）使用弱目標中前若干個灰度最大值的均值作為目標區(qū)的均值有助于增大目標與局部背景的對比度；3）利用所提相接與相隔鄰域的信息，不僅能夠減弱單一單元作用，而且可以從更多方向上提取更加差異化的信息，從而確立目標邊緣；4）點乘兩顯著圖來進一步去除雜波噪聲。所以，提出總體框架如圖1所示。

1.1 cell創(chuàng)建

定義一個大小為×的滑動窗口并將該窗口細分為9個大小為×的cell，則＝3。假設中心單元cell0為目標區(qū)，cell1～8是局部背景區(qū)，具體如圖2所示。

滑動窗口如此劃分的原因是既考慮到不同方向上的差異信息又使窗口不過于復雜，從而影響時間效率。

1.2 cell亮度提取

1）cell0的顯著亮度

為了增強目標亮度和簡化計算，先對cell0中的像素值按降序排列，并計算前個值的均值，并用Max作為cell0的顯著亮度：

式中：(x, y)表示滑窗中心點位置；當K值選取過小時，會引入較多虛警；當K值選取過大時，會使得目標縮小，甚至消失，導致漏檢；因此經過多次試驗選取K＝2，下文中將給出實驗驗證，Gj表示cell0中第j大的像素值（j＝1,2,…,K）。

圖2 目標單元與背景單元分布

2）cell的池化亮度

為簡化計算起見，所有cell的池化亮度分別用各單元灰度均值表示：

式中：G(,)代表第個cell的點(,)處的灰度值（＝0,1,…,8）

1.3 相接鄰域構建

經圖像處理領域的像素鄰域概念啟發(fā)，這里定義中心cell0相接鄰域的集合為：

式中：(,)形式表示由、兩個單元組成的cell0的相接鄰域。

計算其均值：

式中：p(,)和q(,)為相接鄰域對應單元的池化亮度。

相接鄰域考慮相鄰的兩單元而非一個單元或三個單元是因為其能在考慮更多方向差異信息的同時利用更多的局部信息。

1.4 相隔鄰域構建

定義中心cell0相隔鄰域的集合為：

計算其均值：

式中：u(,)和v(,)為相隔鄰域對應單元的池化亮度。

1.5 區(qū)域雙鄰域顯著圖提取

1）cell0相接鄰域顯著圖提?。ˋdjacent Neighborhood Saliency Map, ANSM）

其由cell0的顯著亮度Max(,)和相接鄰域的均值a進行差平方計算得出：

當滑動窗口處于洞狀背景時，cell0的池化亮度小于其它單元的池化亮度，但經公式(7)增強后會被誤檢為目標。因此，使用判斷函數(shù)()來去除洞狀背景：

式中：(×)如公式(9)所示：

小目標各向同性的性質使得(8)式所得結果均較大。因此，將結果最小值作為該點ANSM的輸出值能夠區(qū)分雜波背景與小目標：

2）cell0相隔鄰域顯著圖提取（Spaced Neighborhood Saliency Map, SNSM）

類似(1)中，Max(,)和b的差分平方結果SNSM如下：

同理，將結果最小值作為該點SNSM的輸出值，如公式(12)所示：

3）RBNSM計算

區(qū)域雙鄰域顯著圖RBNSM在點(,)處的值由公式(13)得出：

RBNSM(,)＝ANSM(,)×SNSM(,) (13)

由于滑動窗口逐像素對圖像進行濾波，得到的是其中心點的新灰度值。因此無論滑動窗口中存在幾個目標，都會根據(jù)設計的局部對比度增強策略及窗口的局部信息逐像素計算。

本方法為了權衡檢測性能及時間效率，在僅利用灰度信息的情況下就能達到顯著的檢測效果。

1.6 目標自適應提取

如圖1所示，原始紅外圖像經過RBNSM計算后得到的顯著圖的信雜比大大提升。此時，顯著圖中亮度最突出的部分即為目標。因此，使用自適應閾值分割法來提取出目標，閾值計算過程如公式(14)所示：

Th＝＋×(14)

式中：和代表RBNSM顯著性圖的均值和標準差。值選取將在下文實驗中給出。

1.7 RBNSM適用性分析

當滑動窗口逐像素對圖像進行濾波時，可能產生以下幾種情況：

1）當滑窗處于目標中心區(qū)域時：只考慮目標區(qū)前最大灰度值使得Max(,)≥0(,)。局部背景區(qū)考慮相接鄰域與相隔鄰域，使得a(,)，b(,)均小于各自單獨單元的亮度(,)，即Max(,)?a(,)，Max(,)?b(,)。據(jù)式(8)和(11)可知ANSM、SNSM值都較大。二者點乘會使RBNSM值更大。由此，目標中心區(qū)域被顯著增強。

2）當滑窗處于均勻背景區(qū)域時：Max(,)≈a(,)，Max(,)≈b(,)，導致ANSM、SNSM以及RBNSM的值都趨于0。因此，均勻背景被抑制。

3）當滑窗處于高亮度背景邊緣時：Max(,)值較大，并且由于邊緣一般具有單邊對稱性，導致Max(,)≈max[a(,)]，Max(,)≈max[b(,)]，故ANSM、SNSM值都趨于0。點乘結果RBNSM值也趨于0，使得邊緣強度響應被削弱。由此，高亮度復雜背景邊緣也被抑制。

4）當滑窗處于目標邊緣區(qū)域時：目標邊緣區(qū)域的亮度值與局部背景更相近，因此目標區(qū)只考慮前最大灰度值就使得Max(,)≥0(,)。同時，a(,)和b(,)略小于各自單獨單元的池化亮度(,)，從而ANSM、SNSM以及RBNSM的值均較大。因此，目標邊緣區(qū)域也在一定程度上被增強。

2 實驗及分析

2.1 實驗設計與評價指標

為全面評估本方法，我們在多種不同場景的復雜紅外圖像以及SIRST公開數(shù)據(jù)集上[11]測試了本文方法與7種代表性方法。這些方法包括：AAGD[26]，PSTNN[17]，LEF[24]，TLLCM[25]，HBMLCM[22]，RLCM[23]和ACM[11]。其中，PSTNN是基于低秩和稀疏矩陣恢復的方法，ACM是基于深度學習的方法。同時，采用本領域常用的信雜比增益（Signal Clutter Ratio Gain，SCRG）、背景抑制因子（Background Suppression Factor，BSF）、接收者操作特性（Receiver Operating Characteristic, ROC）曲線以及時間消耗來衡量方法的檢測性能。其中，SCRG用來評價目標增強的程度，BSF用來評價算法抑制背景的能力，ROC通過曲線下的面積（Area Under Curve，AUC）值來評價最終的檢測效果[27]。SCRG和BSF值越大，目標增強效果與背景抑制效果越好。在ROC坐標空間中，曲線越接近左上角，則檢測性能越好。

為了更好地平衡數(shù)據(jù)驅動方法和模型驅動方法，文獻[11]提出了新的評價指標nIoU。

所有實驗在Intel(R) Core(TM) i5-7200U CPU，12G內存的電腦上使用MATLAB R2019b編程進行。

2.2 參數(shù)設置

本文通過實驗方法確定參數(shù)和。首先，在SIRST數(shù)據(jù)集上測試不同值對應的nIoU值。如表1所示，當值取2時，nIoU值達到最大，因此取值為2。然后，再用相同方法選取值。當值取2時，nIoU達到峰值，因此取值為2。后面所有實驗均在該取值下完成。

表1 本方法在SIRST數(shù)據(jù)集上不同K值與l值的nIoU值

2.3 復雜背景下實驗結果分析

2.3.1 定性分析

這里選取5種典型的紅外復雜場景圖像，通過展示8種方法得到的結果進行定性評價。測試圖像的基本特征如表2所示。圖3是測試結果。為便于排版，圖3中所有圖像縮放至同一大小，從上至下依次為：測試圖像、原圖三維圖、各方法顯著性圖的三維圖，目標用紅色方框標出。

表2 測試圖像基本特征

通過圖3可看出，PSTNN和ACM方法未檢測到圖像b和c中的目標；HBMLCM和RLCM方法未檢測到圖像c中的目標。AAGD，LEF及TLLCM方法雖然檢測到了目標，但同時存在大量背景雜波和噪聲；而本方法則目標顯著、背景抑制效果好并且基本無噪聲引入?？傊疚姆椒黠@好于其它方法。

2.3.2 定量分析

表3給出7種方法在5種不同的復雜紅外場景圖像下的SCRG、BSF及時間消耗值，所有最優(yōu)值均用粗體標出。需要說明的是：由于ACM方法的輸出為二值圖，傳統(tǒng)的SCRG與BSF指標不再適應，因此，這里未包括在內。

由表3可以看出：本文方法的SCRG和BSF均明顯高于6種對比方法，值得一提的是對于圖像b，本方法得到的SCRG值是其它方法中最大值的8.5倍，說明本文方法的目標增強能力顯著強于對比方法；對于圖像d，本方法得到的BSF值是其他方法最大值的5.6倍，說明本文方法的背景抑制能力極佳。在算法時間消耗方面，AAGD方法具有最佳的實時性；本方法與PSTNN方法所用時間相近，消耗時間遠小于LEF，TLLCM和RLCM方法?？紤]到我們的雙鄰域顯著圖模型有利于算法并行處理，所以本文方法的時間消耗有較大提升潛力。綜合考慮以上3方面，本文方法的優(yōu)勢顯而易見。

對于ROC曲線，7種方法的曲線如圖4所示，子圖(a)、(b)、(c)、(d)、(e)分別與前述的圖像a、b、c、d、e相對應。從圖4可以看出：在這5種紅外場景中，本方法的ROC曲線均最接近左上角，且得到最大的AUC值，這表明本方法相較于其它對比檢測方法，具有更好的檢測性能。

2.4 魯棒性分析

2.4.1 一般場景實驗

為了驗證本方法在一般紅外場景下的檢測能力，在SIRST數(shù)據(jù)集上進行了性能測試。SIRST數(shù)據(jù)集包含427張單幀紅外場景圖像。SCRG，BSF及時間消耗的平均值如表4所示。為了與深度學習方法對比，這里計算了8種方法在此數(shù)據(jù)集上的nIoU值。

由表4可知，本方法在SIRST公共數(shù)據(jù)集上的SCRG值與BSF值顯著優(yōu)于其它方法，表明本方法在一般紅外場景下卓越的目標增強及背景抑制能力。對于nIoU值，本方法雖未取得最大值，但與最優(yōu)值相差較小并遠大于其它方法，說明本方法比深度學習方法有更好的檢測性能。在時間消耗方面，本方法也基本滿足實時性要求。

2.4.2 多尺度及多目標檢測性能測試

為進一步驗證本文方法的魯棒性，這里針對不同尺度和不同數(shù)量目標進行了檢測實驗。

表3 5種不同場景紅外圖像的SCRG，BSF和時間消耗

表4 每種方法在SIRST數(shù)據(jù)集上的平均指標

1）多尺度目標檢測

圖5的目標尺寸從左至右依次為3×3、5×9、7×7、6×13和9×12。圖中從上至下每行依次為紅外原圖、標簽圖和本方法結果圖。結果表明本方法能穩(wěn)定檢出不同尺度的小目標。

圖5 不同尺度目標的紅外圖像原圖、標簽圖及本方法結果

2）多目標檢測

圖6從左至右的目標個數(shù)依次為2、4、6和6。對于這些目標，本方法均能盡數(shù)檢出。特別地，圖像(b)的中間兩目標十分接近，本方法仍達到較好的檢測效果，說明本方法具有一定的多目標檢測能力。

綜上，大量定性與定量實驗證明：①本方法無論對于如建筑強邊緣、白色斑塊及弱目標被淹沒等復雜背景或是一般紅外場景，還是對于多尺度多目標檢測，均效果顯著，說明本方法具有良好的魯棒性。②本方法經實驗調優(yōu)的參數(shù)，一經選定無需再對每一張圖像調整參數(shù)即可獲得較好的檢測效果，說明本方法泛化性好，能夠滿足多種場景檢測需要。

圖6 多目標的紅外圖像原圖、標簽圖及本方法檢測結果

3 結論

本文提出了一種復雜背景下紅外弱小目標檢測新方法。其中，計算中心單元的前個灰度最大值能增大弱小目標對比度；提取兩顯著圖時，將弱小目標在各個方向上的對比度最小值作為輸出值，能有效抑制復雜背景；點乘操作可進一步去除雜波噪聲。實驗結果表明本方法在SCRG、BSF、ROC曲線、AUC值及nIoU值評價指標上，均取得了較好的結果，顯示出本方法在復雜背景抑制及目標增強能力上的優(yōu)越性。同時，本方法還具有一定的多尺度及多目標檢測能力。由此可見，本方法是一種有效的復雜背景下紅外弱小目標檢測方法。下一階段將重點進行算法優(yōu)化和并行處理研究。

[1] GUAN X, ZHANG L, HUANG S, et al. Infrared small target detection via non-convex tensor rank surrogate joint local contrast energy[J]., 2020, 12(9): 1520.

[2] LU R, YANG Xiaogang, LI W, et al. Robust infrared small target detection via multidirectional derivative-based weighted contrast measure[J]., 2020, 1(1): 1-5.

[3] ZHANG L, LIN Z. Infrared small target detection based on anisotropic contrast filter[C]//20205th()., 2020: 70-73.

[4] SUN Y, YANG J, AN W. Infrared dim and small target detection via multiple subspace learning and spatial-temporal patch-tensor model[J]., 2020(99): 1-16.

[5] GAO C, MENG D, YANG Y, et al. Infrared patch-image model for small target detection in a single image[J]., 2013, 22(12): 4996-5009.

[6] 吳雙忱, 左崢嶸. 基于深度卷積神經網絡的紅外小目標檢測[J]. 紅外與毫米波學報, 2019, 38(3): 371-380.

WU Shuangchen, ZUO Zhengrong. Small target detection in infrared images using deep convolutional neural networks[J]., 2019, 38(3): 371-380.

[7] DAI Y, WU Y, ZHOU F, et al. Attentional local contrast networks for infrared small target detection[J]., 2021(99): 1-12.

[8] LIN S, HAN Z, LI D, et al. Integrating model-and data-driven methods for synchronous adaptive multi-band image fusion[J]., 2020, 54: 145-160.

[9] 趙興科, 李明磊, 張弓, 等. 基于顯著圖融合的無人機載熱紅外圖像目標檢測方法[J/OL]. 自動化學報: 1-15. [2021-07-02]. http://kns.cnki.net/kcms/detail/11.2109.tp.20200421.1108.003.html.

ZHAO Xingke, LI Minglei, ZHANG Gong, et al. Object Detection Method Based on Saliency Map Fusion for UAV-borne Thermal Images[J/OL]., 1-15. [2021-07-02]. http://kns.cnki.net/kcms/detail/11.2109.tp.20200421.1108.003.html.

[10] WANG H, ZHOU L, WANG L. Miss detection vs. false alarm: Adversarial learning for small object segmentation in infrared images[C]///CVF, 2019: 8509-8518.

[11] DAI Y, WU Y, ZHOU F, et al. Asymmetric contextual modulation for infrared small target detection[C]///(). 2021: 950-959.

[12] LI B, XIAO C, WANG L, et al. Dense Nested Attention Network for Infrared Small Target Detection[J/OL].:2 106.00487, 2021.

[13] ZHAO M, CHENG L, YANG X , et al. TBC-Net: A real-time detector for infrared small target detection using semantic constraint[J/OL]., 2019. https://arxiv.org/ abs/2001.05852.

[14] NIE Y, LI W, ZHAO M, et al. Infrared small target detection in image sequences based on temporal low-rank and sparse decomposition[C]//,, 2021: 11720A.

[15] 薛錫瑞, 黃樹彩, 馬佳順, 等. 基于局部熵參考預處理的RPCA紅外小目標檢測[J]. 紅外技術, 2021, 43(7): 649-657.

XUE Xirui, HUANG Shucai, MA Jiashun, et al. RPCA infrared small target detection based on local entropy reference in preprocessing[J]., 2021, 43(7): 649-657.

[16] ZHANG T, WU H, LIU Y, et al. Infrared small target detection based on non-convex optimization with lp-norm constraint[J]., 2019, 11(5): 559.

[17] ZHANG L, PENG Z. Infrared Small Target Detection Based on Partial Sum of the Tensor Nuclear Norm[J]., 2019, 11(4): 382.

[18] ZHANG Tianfang, PENG Zhenming, WU Hao, et al. Infrared small target detection via self-regularized weighted sparse model[J]., 2021, 420: 124-148.

[19] CHEN C L P, LI H, WEI Y, et al. A local contrast method for small infrared target detection[C]//, 2014, 52(1): 574-581. Doi: 10.1109/TGRS.2013. 2242477.

[20] 劉松濤, 劉振興, 姜寧. 基于融合顯著圖和高效子窗口搜索的紅外目標分割[J]. 自動化學報, 2018, 44(12): 2210?2221

LIU Songtao, LIU Zhenxing, JIANG Ning. Target segmentation of infrared image using fused saliency map and efficient subwindow search[J]., 2018, 44(12): 2210?2221

[21] WEI Y T, YOU X G, LI H. Multiscale patch-based contrast measure for small infrared target detection[J]., 2016, 58: 216-226.

[22] SHI Y F, WEI Y T, YAO H, et al. High-boost-based multiscale local contrast measure for infrared small target detection[J]., 2018, 15: 33-37.

[23] HAN JH, LIANG K, ZHOU B, et al. Infrared small target detection utilizing the multiscale relative local contrast measure[J]., 2018, 15: 612-616.

[24] XIA C, LI X, ZHAO L, et al. Infrared small target detection based on multiscale local contrast measure using local energy factor[J]., 2020, 17(1): 157-161.

[25] HAN J, Moradi S, Faramarzi I, et al. A local contrast method for infrared small-target detection utilizing a tri-layer window[J]., 2020, 17(10): 1822-1826

[26] DENG H, SUN X, LIU M, et al. Infrared small-target detection using multiscale gray difference weighted image entropy[J]., 2016, 52(1): 60-72.

[27] HUANG S, LIU Y, HE Y, et al. Structure-adaptive clutter suppression for infrared small target detection: chain-growth filtering[J]., 2020, 12(1): 47-69.

RBNSM: a New Method for Infrared Dim and Small Target Detection in Complex Backgrounds

LIN Suzhen1，ZHANG Haisong1，LU Xiaofei2，LI Dawei3，LI Yi2

(1. College of Big Data, North University of China, Taiyuan 030051, China;2. Jiuquan Satellite Launch Center, Jiuquan 735305, China;3. College of Electrical and Control Engineering, North University of China, Taiyuan 030051, China)

Infrared dim and small target (IRDST) detection is a longstanding and challenging problem in infrared search and track systems. To address the problems of a low detection rate and high false alarm rate for dim and small targets in complex backgrounds, a method is proposed for detecting IRDSTs using a regional bi-neighborhood saliency map (RBNSM). First, using the local a-priori property of the weak target, a sliding window is defined and divided into multiple cells before the mean value of the first maximum gray levels of the central cell is calculated to highlight the weak target. Then, the adjacent and spaced neighbors of the central cell are constructed and the mean value of their respective gray levels is calculated. Subsequently, the salient maps of the two neighbors are the extracted from different directions and multiplied point by point to further suppress the clutter background and enhance the weak target. Finally, the target is accurately detected by adaptive extraction. The detection results of various typical IR complex background images and SIRST datasets show that RBNSM has a better detection performance and clutter suppression ability in complex backgrounds than the seven representative methods.

target detection, infrared dim and small target, neighborhood saliency map, adjacent neighborhood, spaced neighborhood

TP751.1

A

1001-8891(2022)07-0667-09

2021-10-10；

2021-12-08.

藺素珍（1966-），女，教授，博士，碩士生導師，主要從事圖像處理、紅外小目標檢測和多波段圖像融合領域研究。E-mail：lsz@nuc.edu.cn。

山西省自然科學基金項目（201901D111151）；中北大學第十七屆研究生科技立項項目（20201737）。