红外LSS目标检测：自适应TCAIE-LGM平滑与像素背景减法

"这篇研究论文探讨了一种针对红外小目标检测的新方法，特别是低空、慢速、小目标（LSS目标）的检测。通过结合自适应纹理复杂度和信息熵引导的L0梯度最小化平滑（TCAIE-LGM）与基于像素的背景减法技术，有效地在复杂的背景下识别红外图像中的目标。该方法首先计算红外图像的基本组成部分，包括复杂度和熵，用作平滑度的自适应控制参数。然后，提出TCAIE-LGM算法来消除噪声和抑制低幅度细节，从而提高红外图像抽象的质量。最后，通过高斯差分（DoG）映射，进一步增强目标与背景之间的对比度，以便准确地定位和识别目标。" 这篇研究论文专注于红外小目标检测，这是日常安全领域的一个重要且具有挑战性的课题。传统的红外目标检测方法往往在低空、慢速、小目标的情况下遇到困难，因为这些目标容易被复杂的背景噪声淹没。作者提出了一种新的模型，旨在解决这一问题。 新模型的核心是结合了两个关键技术：自适应TCAIE-LGM平滑和基于像素的背景减法。自适应TCAIE-LGM平滑技术首先分析红外图像的纹理复杂度和信息熵，这两个因素作为平滑参数的控制依据。通过这种自适应方法，可以更精确地调整平滑程度，既能去除图像噪声，又能保持目标特征的完整性，避免过度平滑导致目标消失。 接着，引入了L0梯度最小化策略，这种策略对于去除低幅度细节特别有效，有助于突出潜在的目标特征。L0范数相比于L2范数（如均值滤波器）更能保持边缘信息，因此在保持目标轮廓的同时降低了背景的干扰。 最后，通过应用差异高斯（DoG）映射，进一步增强图像中目标与背景的边界。DoG是通过计算不同尺度高斯滤波器后的图像差异得到的，它可以显著增强边缘，使目标更加明显，便于后续的检测和识别步骤。 该研究论文提出的方法在处理红外LSS目标检测时，通过创新的平滑技术和背景减法策略，提高了目标识别的准确性和鲁棒性，为实际的红外监控和安全应用提供了有力的技术支持。