Da schwache Ziele in weltraumgestützten kurzwelligen Infrarotbildern leicht von Wolken und Geländeclutter überdeckt werden und unter Bedingungen mit niedrigem Signal-Rausch-Verhältnis schwer zu erkennen sind, wird eine verbesserte Detektionsmethode vorgeschlagen, die ein Anderson-beschleunigtes selbstreguliertes gewichtetes sparsames Modell (Self-Regularized Weighted Sparse, SRWS) mit einem relativen lokalen Kontrastmaß (Relative Local Contrast Measure, RLCM) kombiniert. Durch die Einführung des Anderson-Beschleunigungsmechanismus wird die Rechenkomplexität der Hintergrundschätzung erheblich reduziert, und die Verwendung der Hintergrundrestkarte und RLCM ermöglicht eine multiskalige Objekterkennung. Die experimentellen Ergebnisse zeigen, dass der Algorithmus auch unter komplexen Hintergründen eine hervorragende Leistung erzielt, mit einer maximalen Fläche unter der Kurve (Area Under Curve, AUC) von 0,950 und einer minimalen von nicht weniger als 0,842; der Gewinn des Signal-zu-Clutter-Verhältnisses (Signal-to-Clutter Ratio Gain, SCRG) übertrifft traditionelle Methoden wie das Infrarot-Patch-Bild (Infrared Patch Image, IPI) und die lokale Kontrastmessung (Local Contrast Measure, LCM) deutlich. Diese Studie verbessert effektiv die Genauigkeit und Stabilität der Erkennung schwacher Ziele im weltraumgestützten kurzwelligen Infrarotbereich und bietet eine zuverlässige Lösung für die Objekterkennung unter komplexen Hintergründen in der Fernerkundung.

kurzwelliger infrarot; schwache zielerkennung; lokaler kontrast; hintergrundschätzung