为解决基于传统时域高通滤波红外图像非均匀性校正算法存在“鬼影”现象以及固定图案噪声去除不彻底的问题, 提出了一种加权引导滤波和改进时域高通滤波相结合的非均匀性校正算法。首先, 利用加权引导滤波准确分离红外图像中的空域高频成分; 然后, 计算红外图像中像素点灰度值变化幅度; 最后, 在进行时域高通滤波时对红外图像中的运动区域和静止区域使用不同时间常数进行校正。采用两组真实红外图像序列进行实验, 并与经典的双边滤波时域高通, 均值滤波时域高通非均匀性校正算法进行比较。实验结果表明: 文中所提算法在主观视觉和客观评价指标方面优于其他两种算法, 有效降低了红外图像的非均匀性, 不会产生“鬼影”, 取得了较好的非均匀性校正效果。

为了解决传统跟踪算法不能有效区分背景边缘和红外弱小目标的问题,基于图像引导滤波和核相关滤波,提出了一种改进型的红外弱小目标跟踪算法。将采用6组红外弱小目标图像序列得到的实验结果与采用经典跟踪算法得到的实验结果进行了比较。实验结果表明,所提算法在主观视觉和客观评价指标方面均优于传统算法,具有更高的目标跟踪精度与较好的实时性。

为解决传统跟踪算法不能有效区分复杂天空云层背景边缘和红外弱小目标, 从而在跟踪过程中产生“偏移”的问题。在时空上下文原理基础上分析跟踪“偏移”的原因, 引入高斯曲率滤波, 提出一种改进的时空上下文红外弱小目标跟踪算法。该算法首先采用高斯曲率滤波对上下文区域进行预处理, 在保留上下文区域背景边缘的同时剔除高频的红外弱小目标和噪声, 从而获得准确的红外弱小目标置信图, 利用红外弱小目标置信图估计出红外弱小目标位置。采用四组复杂天空背景下的红外弱小目标图像序列进行实验, 并与经典的模板匹配算法、基于粒子滤波的均值漂移算法和快速压缩跟踪算法三种跟踪算法作比较。实验结果表明, 算法在主观视觉和客观评价指标方面均优于其他三种算法, 具有更高的目标跟踪精度与较好的实时性, 可以实现对复杂天空背景下红外弱小目标的有效跟踪。

针对基于梯度变换的图像增强算法抗噪声干扰能力差的问题, 引入曲率滤波理论, 提出了基于高斯曲率滤波和梯度变换的图像增强算法.该算法通过对图像梯度场进行非线性变换来增强图像对比度, 通过构造能量泛函, 采用梯度下降法从变换后的梯度场重构出增强后的图像, 并利用高斯曲率滤波对梯度下降法迭代过程中的重构图像及其各阶偏微分进行平滑, 有效解决了图像重构过程中的噪声非线性放大和扩散问题, 同时保留了丰富的细节信息.采用多组边缘模糊图像进行仿真实验, 实验结果表明该算法在增强图像边缘对比度的同时, 能够有效抑制噪声.

由于传统的跟踪算法没有充分利用目标与其局部背景的时空相关性, 使其不能有效地区分背景边缘和红外弱小目标, 从而在跟踪过程中产生偏移现象.针对这一问题, 本文在时空上下文学习跟踪的原理基础上, 分析了跟踪偏移的原因, 并引入图像引导滤波方法, 提出了一种引导滤波结合时空上下文的红外弱小目标跟踪算法.该算法首先采用引导滤波对上下文区域进行处理, 在保留上下文区域云层边缘的同时剔除目标及噪声, 再将其与滤波结果作差.最后利用小目标的“置信图”检测出目标.为了验证该方法的有效性, 采用五组红外小目标序列图像进行实验, 并与经典时空滤波、改进的模板匹配和移动管道滤波等方法作比较.实验结果表明本文提出的方法在主观视觉和客观评价指标方面均优于其它三种经典方法, 且具有更高的目标跟踪精度与较好的实时性.

针对复杂背景下红外弱小目标检测效果不佳的问题, 结合多尺度分析法和各向异性扩散方程, 利用图像尺度和方向信息, 提出一种新的红外弱小目标检测算法.首先, 采用Surfacelet变换对图像进行多尺度、多方向分解, 得到不同尺度下高频子带系数和低频子带系数；其次根据不同频带的特点, 分别采用改进的各向异性扩散方程差分滤波和局部去均值滤波对高频子带系数和低频子带系数进行处理；最后, 采用逆Surfacelet变换重构处理后的子带系数, 并采用自适应阈值分割对重构的图像进行分割, 以实现目标检测.采用多组红外图像进行试验, 并与小波滤波以及各向异性扩散滤波进行比较, 实验结果显示, 该算法能有效抑制背景及其边缘, 可以获得比另外两种算法更好的红外弱小目标检测效果.

针对现有非均匀性校正方法中校正结果收敛速度慢、图像退化、存在“鬼影”现象等问题, 提出一种空域三边滤波与时域梯度加权均值滤波相结合的红外序列图像非均匀性校正方法.该方法首先利用三边滤波将图像分解为基本分量与细节分量; 然后对分离出的细节分量序列图像的时域曲线进行梯度加权均值滤波, 从而分离出细节分量中非均匀性和场景细节; 最后用原图减去非均匀性, 得到校正结果.实验结果表明, 该方法能有效地抑制“鬼影”并改善图像退化现象, 校正结果无论主观视觉还是客观评价指标均明显优于时域高通与神经网络校正方法.

由于传统的背景抑制方法没有充分利用信号的方向信息, 使其不能有效区分背景边缘和红外弱小目标, 从而造成背景抑制结果中有较多的背景泄露.针对上述问题, 本文利用改进的剪切波变换和引导滤波, 提出了一种新的背景抑制方法.首先,采用改进的剪切波变换对红外弱小目标图像进行多尺度和多方向分解, 将图像分解得到不同的高频子带系数和低频子带系数;其次, 利用目标信号与边缘在方向上的差异, 采用自适应引导滤波对高频子带系数进行处理;再次, 对分解后的低频子带系数和处理后的高频子带系数进行改进的剪切波逆变换, 得到预测的背景图像;最后, 将原图像与背景预测图像相减获得背景抑制且目标增强的红外图像.为了验证本文方法的有效性, 采用多组实验对其进行验证, 并与经典的Max-Median、TDLMS和Top-hat等方法作比较.多组实验结果均表明本文方法在主观视觉和客观评价指标方面均优于其它三种经典方法, 可有效提高红外搜索跟踪系统对红外弱小目标的探测概率.

由于场景中目标与背景的温差相对较小, 红外图像会存在对比度低、视觉效果差的问题, 针对这一问题, 提出一种基于奇异值非线性修正的红外图像对比度实时增强方法。该方法首先对红外图像进行奇异值分解得到其原始奇异值, 然后采用一个对数型非线性变换对图像奇异值进行优化, 最后根据修正的奇异值重构出对比度增强的红外图像。利用对数型非线性变换修正图像奇异值不仅能够有效拉伸奇异值的动态范围, 同时可优化奇异值的变化梯度, 使图像的能量信息得到更充分地表达, 改善红外图像不良的视觉效果。实验结果表明, 该方法较几种对比方法在视觉效果和客观评价方面均具有更优的增强性能；同时体现出良好的实时性, 为实现红外图像的实时增强提供了新途径。

时域高通滤波非均匀性校正是一种典型的基于场景的红外焦平面阵列非均匀性校正算法，但其易产生“鬼影”现象，影响校正效果.本文在时域高通滤波校正算法的原理基础上，分析了其校正过程中“鬼影”现象产生的原因，即由于全部图像信息的叠加而导致静止场景被滤除且运动场景会在当前位置留下反转的图像，从而形成“鬼影”.引入非局部均值滤波方法，提出了一种去“鬼影”的非局部均值滤波-时域高通滤波非均匀性校正方法.该方法首先采用非局部均值滤波将图像信息分离成高低频两部分（其中高频成分含有大部分噪音及非均匀性），并使用高频成分进行时域高通滤波算法中低通输出的递归运算，使得低通滤波后的图像含有较少的场景信息，从而可使校正输出图像含有较少的“鬼影”现象.采用两组真实红外序列图像进行验证，结果表明该算法不仅能获得较好的非均匀性校正效果，而且能较好地抑制时域高通滤波算法中的“鬼影”现象.