Facet Kernel详解、Random Walk随机游走算法详解

原创

已于 2022-05-05 21:46:37 修改 · 4.8k 阅读

标签

#算法

于 2022-04-27 16:31:38 首次发布

本文解析了红外小目标检测中的FacetKernel算法，基于傅立叶变换显著性检测的改进，并介绍了如何通过FacetKernel提取目标区域，以及Random Walker随机游走算法在区分目标与背景中的作用。讨论了如何利用离散正交多项式简化计算，以及随机游走在图像分割中的原理和应用。

之前在处理项目相关的红外小目标检测时，阅读到一片19年TGRS的文章：

Infrared Small Target Detection Based on Facet Kernel and Random Walker

其发表的FKRW算法流程为：

（1）预处理：统计滤波+均值滤波

（2）Facet Kernel + 阈值分割前背景：使用Facet Kernel 提取可能目标区域，在使用阈值分割

关键在于Facet kernel怎么来的，为什么如此涉及

（3）Random walker随机游走算法：使用RM算法，以类似ROI的思想与连通域的思想，对结果图进行分析，确定目标与背景杂音之间区别，并由此进行区分

（4）NLCD因子计算（目前先略，后续补充）

**************************************************************************************************************

首先，本文的PFT-saliency显著性方法是基于傅里叶变换的视觉显著性检测。

对视觉显著性建模的研究表明，自然图像的傅里叶变换相位谱（PFT）丰富地包含了引起人类注意的显著信号的位置信息

那么基于PFT的显著性如何度量？给出公式如下：

$p=P[F(I))]$

$R=F^\textup{-1}(e^{i*p})$

$S=G*||R||^{2}$

其中 $F$ & $F^{-1 }$ 分别代表Fouier与inverse Fouier变换， $P$ 代表相位谱计算， $G$ 代表高斯滤波， $S$ 代表最终的显著性图。

但研究显示，PFT-saliency会带来不希望出现的杂波，同时干扰红外小目标检测效果，造成检测失败的结果。

故，文章提出了一个新的快速显著性的方法

**************************************************************************************************************

Facet Kernel的来源以及其设计思路

Facet Kernel起源于Facet 模型

Facet模型包含一个假设：假设某像素的灰度强度曲面可用一个二元三次多项式近似。但使用最小二乘来逼近这个强度曲面，则会过于computationally intense。所以如果该强度曲面可以由一堆离散正交多项式线性组合而成，则计算起来会方便许多。总而言之，使用DOP（离散正交多项式）的线性组合就是为了简化计算，提升计算效率。

至于离散正交多项式的正交基与基前系数怎么求，具体的数学推导不便在文章中呈现。但这里给出思路：

（1）确定二维对称邻域大小R*C

（2）由于基底完全由二维对称邻域大小确定，且其中的系数完全由邻域坐标决定，所以近凭R*C邻域坐标即可确定出该邻域对应的基的具体情况。
（3）鉴于第二步已经精确求出R*C邻域的基底，则接下来需要确定用于拟合的离散正交基的基前系数K。由于要使用最小二乘法逼近原始图像的灰度曲面（ $\varepsilon =[I(r,c)-f(r,c)]\textup{2}$ ），通过数学推导后，可以直观发现，基前系数

最低0.47元/天解锁文章