Da schwache kleine Ziele in weltraumbasierten kurzwelligen Infrarotbildern leicht durch Wolken und Oberflächenrauschen verdeckt werden und die Erkennung bei niedrigem Signal-Rausch-Verhältnis schwierig ist, wird eine verbesserte Erkennungsmethode vorgeschlagen, die ein selbstreguliertes gewichtetes sparsames Modell (Self-Regularized Weighted Sparse, SRWS) mit Anderson-Beschleunigung und eine relative lokale Kontrastmaßnahme (Relative Local Contrast Measure, RLCM) kombiniert. Durch die Einführung des Anderson-Beschleunigungsmechanismus wird die Rechenkomplexität der Hintergrundschätzung erheblich reduziert, und durch Nutzung der Hintergrundrestkarte und RLCM wird eine mehrskalige Zielerkennung erreicht. Experimentelle Ergebnisse zeigen, dass der Algorithmus trotz komplexer Hintergründe eine hervorragende Leistung beibehält, mit einer maximalen Fläche unter der Kurve (Area Under Curve, AUC) von 0,950 und einem Minimum von nicht unter 0,842; der Signal-zu-Clutter-Verhältnis-Gewinn (Signal-to-Clutter Ratio Gain, SCRG) übertrifft deutlich traditionelle Methoden wie das Infrarot-Patch-Bild (Infrared Patch Image, IPI) und die lokale Kontrastmaßnahme (Local Contrast Measure, LCM). Diese Studie verbessert effektiv die Genauigkeit und Stabilität der Erkennung schwacher kleiner Ziele im kurzwelligen weltraumbasierten Infrarotbereich und bietet eine zuverlässige Lösung für die Zielerkennung in komplexen Hintergründen.

kurzwellige Infrarotstrahlung;Erkennung schwacher kleiner Ziele;lokaler Kontrast;Hintergrundschätzung