自适应压缩域红外小目标检测的性能提升与噪声抑制

本文主要探讨了"基于自适应改进的压缩域红外弱小目标检测"这一主题，针对现有压缩域目标检测算法在实际应用中遇到的问题进行了深入研究。这些算法虽然在提高检测精度和减少数据存储空间方面表现出色，但存在着两个关键挑战：一是背景参数估计的敏感性，容易受到噪声的影响；二是对于邻近目标的检测，往往出现漏报现象，即无法准确区分目标和背景，导致误判。 作者针对这些问题，提出了一种创新的方法，即采用自适应参数估计和噪声统计模型来优化压缩域红外小目标检测过程。首先，他们对压缩域的红外数据矩阵进行了自适应的低秩稀疏分解，这种方法允许将数据分解成背景矩阵和目标矩阵，通过这种方式，背景和目标信号可以被更有效地分离。低秩表示背景信号相对简单，而稀疏则反映了目标信号的局部特性，有助于减小噪声影响。 接着，通过分析分解的残差，作者构建了一个噪声统计模型，该模型能够更精确地识别目标信号，从而避免了因噪声引起的误检测。在目标矩阵上应用这个噪声统计模型，通过阈值分割，有效地抑制了背景噪音，提高了检测的准确性。这种方法在处理复杂背景和抵抗噪声方面具有显著优势，有助于解决邻近目标漏警的问题。 总结起来，这项研究主要贡献在于提出了一种自适应的、基于噪声统计模型的压缩域红外小目标检测算法，它通过改进的参数配置和分解策略，提升了目标检测的鲁棒性和准确性。这一成果对于红外成像系统，特别是那些需要处理高噪声环境或大量数据的场景，具有重要的实用价值。同时，它也拓宽了压缩感知技术在目标检测领域的应用范围，为进一步优化和提升红外弱小目标检测性能提供了新的思路。