Étant donné que les cibles faibles dans les images infrarouges à ondes courtes spatiales sont facilement noyées par les nuages et le bruit de fond au sol, et que leur détection est difficile dans des conditions de faible rapport signal-sur-bruit, une méthode de détection améliorée est proposée en fusionnant un modèle parcimonieux pondéré auto-régularisé accéléré par Anderson (Self-Regularized Weighted Sparse, SRWS) et une mesure de contraste local relatif (Relative Local Contrast Measure, RLCM). L'introduction du mécanisme d'accélération d'Anderson réduit considérablement la complexité du calcul de l'estimation du fond, tandis que l'utilisation de la carte résiduelle du fond et du RLCM permet une détection multi-échelle des cibles. Les résultats expérimentaux montrent que l'algorithme maintient d'excellentes performances dans des contextes complexes, avec une aire sous la courbe (Area Under Curve, AUC) maximale de 0,950 et minimale ne descendant pas en dessous de 0,842 ; le gain du rapport signal-sur-clutter (Signal-to-Clutter Ratio Gain, SCRG) surpasse significativement des méthodes traditionnelles telles que l'image de patch infrarouge (Infrared Patch Image, IPI) et la mesure de contraste locale (Local Contrast Measure, LCM). Cette étude améliore efficacement la précision et la stabilité de la détection des faibles cibles infrarouges à ondes courtes spatiales, fournissant une solution fiable pour la détection des cibles dans des environnements complexes en télédétection.

infrarouge à ondes courtes; détection de faibles cibles; contraste local; estimation du fond