针对红外过采样扫描成像特点,提出一种基于深度卷积神经网络的红外点目标检测方法.首先,设计回归型深度卷积神经网络以抑制扫描图像杂波背景,该网络不含池化层,输出的背景抑制图像尺寸与输入图像一致；其次,对抑制后的图像进行门限检测,提取候选目标小区域原始数据；最后,将候选目标区域数据依次输入分类型深度卷积神经网络以进一步判别目标、剔除虚警.生成大量过采样训练数据有效训练两个深度网络.结果表明,在不同杂波背景下,该方法在目标信杂比增益、检测概率、虚警概率和运算时间等方面,均优于典型红外小目标检测方法,适用于红外过采样扫描系统的点目标检测.

过采样是为提高遥感扫描图像分辨率而提出的一种新的成像体制，为将其应用于红外搜索与跟踪系统，需研究过采样对系统点目标检测性能的影响。从扫描成像原理角度对比分析常规采样和过采样的特点；基于高分辨率图像退化方式给出扫描图像仿真方法；通过仿真扫描图像进行单帧目标检测处理，对比分析两种采样体制下的系统点目标检测性能。结果表明，在相同条件下，过采样系统点目标检测性能优于常规采样；常规采样扫描图像中目标一般呈现1×1点状，而过采样扫描图像中目标呈现斑点状，利用该特性可进一步提升过采样系统目标检测性能。

为了解决凝视遥感云场景序列图像的亚像素抖动量求解问题, 提出了基于灰度线性建模的亚像素序列图像抖动量计算方法。首先, 利用三参数线性模型描述像素及邻域灰度, 提出了一种图像灰度的线性建模方法。其次, 以序列帧图像相对参考帧图像的抖动量作为线性模型中的优化变量, 以参考帧图像与序列帧图像之间的相似性为优化目标, 建立了亚像素抖动量解算的最小二乘优化方法, 并推导得到了解析计算公式。最后, 利用云场景序列图像进行了算法仿真验证。结果表明, 该方法抖动量的计算误差小于0.1 pixel。将该方法与传统基于特征点的配准算法进行了比较, 结果显示该方法具有较高的抖动量计算精度, 可应用于遥感图像几何定标、目标定位以及时序图像中目标多帧关联检测等。