The WIPI model based on multi-scale local contrast post-processing for infrared small target detection

Abstract

According to the infrared patch image (IPI) model theory, the infrared image background has a low rank and the target is sparse. The low-rank model can be used to separate the background and identify the target. However, in a noisy environment, the recognition effect will be affected. The higher the noise, the harder it would be to detect a small target. The residual strong fault and background edges could reduce the detection rate and increase false alarms. The traditional IPI model is adaptable to the background with the lower noise. This paper combines weighted nuclear norm minimization (WNNM) optimization with sparse representation based on the local IPI model. The background details are described more prominently by improving the nuclear norm weighting factor. The target is much easier to detect under the specific bright clouds and ground buildings background with high noise. At the same time, post-processing with image local contrast analysis is performed to compare traditional spatial filtering and local infrared patch image model algorithms. Our method has a good suppression effect on complex noise backgrounds and achieves a higher signal to clutter ratio gain (SCRG). It could also improve the target detection rate and reduce false alarms. Selon la théorie du modèle de correction des images infrarouges (IPI), l’arrière-plan de l’image infrarouge a un rang faible et la cible est clairsemée. Le modèle du rang inférieur peut être utilisé pour séparer l’arrière-plan et reconnaître la cible. Cependant, dans un environnement bruité, la reconnaissance de la cible sera affectée. Plus l’arrière-plan est bruité, plus il sera difficile de détecter une petite cible. Les erreurs résiduelles importantes et les bords d’arrière-plan peuvent réduire le taux de détection et augmenter les fausses alarmes. Le modèle IPI traditionnel est adaptable à un arrière-plan moins bruité. Cet article combine l’optimisation de la minimisation pondérée des normes nucléaires (WNNM) avec une représentation parcimonieuse basée sur le modèle local de l’IPI. Les détails de l’arrière-plan sont décrits de manière plus évidente en améliorant le facteur de pondération de la norme nucléaire. La cible est beaucoup plus facile à détecter sous des nuages lumineux et un fond de bâtiments bruité. Dans le même temps, un post-traitement avec une analyse du contraste local de l’image est effectué pour comparer les algorithmes traditionnels de filtrage spatial et notre modèle de correction des images infrarouges. Notre méthode a un bon effet de suppression sur les bruits de fond complexes et permet d’obtenir un rapport signal/bruit plus élevé. Elle pourrait également améliorer le taux de détection de la cible et réduire les fausses alarmes.