A Feature Prior Tensor Nuclear Norm with Improved Bilateral Filtering Regularization for Dim and Small Target Detection

在广袤、寂静的天空中，无人机或远处的导弹往往看起来仅仅是旋转的云层、崎岖的山脊或具有纹理感的地面背景中一个微弱、闪烁的斑点。对于红外相机（它们看到的是热量而非可见光）而言，这些微小的目标极难被发现。它们很暗，意味着发射的能量极少，且体积很小，在巨大的图像中往往只占据几个像素。真正的挑战不在于寻找目标，而在于将目标与背景区分开来。天空和地面很少是空旷的；它们充满了“杂波”——如云层的锐利边缘、建筑物的棱角或森林树冠的纹理。对于计算机算法而言，这些背景特征看起来可能与目标一样明亮且清晰，从而导致系统发出虚假警报，或者更糟的是，完全漏掉目标。这对于军事防御和民用安全都是一个至关重要的问题，因为在复杂的场景中漏掉一个小物体可能会产生严重的后果。

研究人员长期以来一直试图通过教计算机如何将“信号”从“噪声”中分离出来来解决这个问题。想象一下，将一幅图像看作是一个分层的蛋糕：底层是平滑、不变的背景，顶层是明亮、锐利的目标，而中间的糖霜则是随机的噪声。目标是剥离噪声和背景以显现出目标。然而，当背景充满锐利的边缘和角落时，传统方法往往难以应对，容易将树枝误认为飞机。广西科技大学的一项新研究提出了一种处理这种混乱现实的新方法。该团队开发出一种方法，它不仅是在寻找目标，还在主动学习如何忽略那些通常会误导系统的特定类型的背景模式。

这种新方法的核心涉及两个协同工作的策略。首先，研究人员创建了一个数学滤波器，其作用类似于一个智能筛子。在过去，滤波器通过平滑图像来去除噪声，但它们往往在去除背景的同时也模糊了目标。这个新滤波器之所以被称为“改进型”，是因为它理解平滑区域与锐利边缘之间的区别。它通过观察图像中的微小区块（patches）并进行相互比较来进行工作。如果两个区块在亮度上相似且距离较近，滤波器就会将其视为背景的一部分并对其进行平滑处理。但如果一个区块与众不同——例如，它包含一个与其邻居不匹配的微小亮点——滤波器则会保留它。这使得系统能够在抑制复杂、多噪背景的同时，保持微弱目标的完整。

第二个策略针对的是角落和边缘的具体问题，这些是虚假警报最常见的来源。研究人员引入了一种衡量图像中角落或边缘“强度”的新方法。通过分析光线在点周围不同方向的变化，系统可以判断它看到的是建筑物的尖锐棱角还是平滑的曲线。然后，他们利用这些信息告诉计算机要对这些区域格外小心，有效地告诉算法：“这个锐利的边缘很可能只是风景的一部分，而不是目标。”这可以防止系统被背景的复杂细节所干扰，例如山脉的锯齿状轮廓或两条道路的交汇处。

为了测试他们的想法，团队将该方法应用于六种不同的真实场景，从目标在平坦地面上空飞行到在靠近地平线处进行机动。他们将结果与六种领先的检测方法进行了对比。视觉结果令人瞩目。在其他算法留下残留噪声阴影或完全丢失目标的图像中，新方法产生了一幅清晰的图像，目标在黑暗、平滑的背景下脱颖而出。研究人员使用特定的指标来衡量他们方法的成功程度，这些指标量化了背景被抑制的程度以及目标信号被增强的程度。在几乎所有的测试案例中，他们的方法都表现优于其他方法，在背景抑制方面取得了最高分。在其中一个涉及目标从近处向远处移动的具体场景中，他们的方法比任何竞争技术都更显著地降低了背景噪声。

然而，研究人员也谨慎地指出，他们的方法并非适用于所有情况的完美解决方案。在背景本身充满重复、结构化模式且看起来与目标非常相似的场景中，系统有时难以分辨，导致虚假警报率略有上升。此外，在背景已经非常干净且目标极其明亮的场景中，算法应用的强力滤波有时会过度平滑目标的边缘，使其清晰度略有下降。这些发现表明，虽然该方法在复杂的、充满杂乱的环境中非常有效，但在特定的理想条件下可能需要进一步的改进。

最终，这项工作证明了，通过将智能滤波技术与对图像几何结构的深度理解相结合，是有可能“看见不可见之物”的。这种新方法为在现实世界的混沌视觉噪声中检测微弱且微小的目标提供了一种更可靠的方式。通过教计算机识别并忽略那些通常会导致混淆的特定形状，研究人员提供了一种工具，可以使红外监控系统更加准确和可靠，确保天空中最微弱的信号不会淹没在噪声之中。