在红外图像处理过程中, 提高图像的对比度, 抑制噪声以及突出图像细节尤为重要, 针对这些问题, 提出了基于特征融合的红外图像增强算法。以引导滤波为基础对图像进行平滑分层, 得到基本层和细节层, 基本层采用CLAHE算法扩展低频分量的范围, 而对于细节层采用Log算子与Laplace算子分别处理, 依据梯度因子的权重信息获得融合细节层; 采用基于梯度因子的Gamma校正抑制细节层较亮区域增强, 防止过增强; 在得到增强的基本层与细节层后, 根据细节特征信息来进行图像融合, 得到实验结果。通过不同红外场景的结果分析, 该算法达到了增强边缘与抑制噪声的效果。

在复杂场景中,阴影严重影响目标检测的准确度,传统目标检测方法易将运动阴影误检为运动目标。针对这一问题,提出了改进的拉普拉斯-高斯(log)算子与ViBe算法相结合的视频阴影消除算法。在log算子检测的基础上,采用二维数字滤波器进行滤波检测;将二维数字滤波器的系数矩阵旋转180°以创建卷积核;利用二维卷积对创建的卷积核与输入的图像矩阵进行卷积,实现对图像的边缘检测,最后利用改进的log算子提取外轮廓边缘和前景目标边缘,二者相减得到内部边缘,即消除阴影的运动目标边缘。实验结果表明,改进的算法可有效地消除阴影,同时提高了算法的鲁棒性。

提出一种基于加权LoG算子及形态学运算的方法来提高远距离红外弱目标检测效率。通过不同尺度的加权LoG算子对图像进行运算, 提取响应值最大的特征图。对图像进行形态学运算去噪, 并进行Otsu二值分割聚类。输出目标点在图像上的位置坐标。实验结果表明: 该方法与传统滤波方法相比, 信噪比增益为36.9, 杂波抑制因子为4.7, 均比传统滤波方法要好。

为了提取含噪声印制电路板（PCB）光板缺陷图像边缘信息，提出了一种基于混合法的图像边缘检测方法.在分析类间最大距离法图像分割基本原理的基础上提出了一种改进的类间最大距离法（IMDBC）；设计了结合中值滤波、IMDBC、改进的数学形态学边缘检测算子与LOG算子进行PCB光板缺陷图像边缘检测的混合方法.用CCD及显微镜成像系统获取4幅PCB光板缺陷图像，结果表明：用本文方法提取出的图像边缘信息清晰且较精确，噪声点较少，所得到的4幅图像优质系数是其它6种方法的1.0111~1.3586倍.

鉴于高斯拉普拉斯(LoG)算子具有各向同性且在有方向性差异的场合并不适应的不足, 提出在梯度方向进行零交叉的边缘检测方法。首先使用自适应平滑滤波原图像; 然后在水平和垂直两个方向上分别计算图像的一阶梯度分量; 使用梯度算子分别对两个求得的一阶梯度分量进行操作, 计算两方向上的二阶偏导数; 分别对两个方向上的二阶偏导数进行零交叉检测, 并合并零交叉点得到边缘图像; 最后使用形态学图像处理方法去除边缘图像中面积较小的孤立点区域。结果表明, 该方法在噪声环境中具有良好的边缘检测效果, 且运算时间与LoG算子检测方法相当。

图像在传输过程中会受到各种噪声干扰, 为了实现消除噪声的目的, 提出一种基于LoG算子改进的自适应阈值去噪算法。首先, 利用LoG算子提取图像的边缘特征信息。接着, 根据图像的边缘特征和非边缘特征分别求取改进的阈值函数: 对于图像非边缘部分的阈值函数, 在软阈值函数的基础上添加一个阈值修正系数, 构建新的阈值函数; 对于图像边缘部分的阈值函数, 将边缘部分小波系数附近的能量和阈值相结合, 构建新的阈值函数。最后利用改进的阈值函数对图像R、G、B 3个通道分别处理, 保留图像所有的细节信息。实验结果表明,消噪后图像与含噪图像的PSNR值高于传统自适应算法1209%; MAE值低于传统自适应算法22%。该算法有效保存了图像的边缘信息, 综合去噪效果明显提高。

为使融合后的多光谱图像尽可能保持原多光谱图像光谱特性的同时提高空间质量，提出了一种基于非采样Contourlet变换（NSCT）和多尺度边缘检测的融合算法。介绍了非采样Contourlet变换和多尺度边缘检测；设计了基于多尺度边缘检测、直接替代的高频、低频子带融合规则；用QuickBird卫星高分辨率遥感图像进行仿真实验。实验结果表明该算法能够在保持光谱信息的同时注入更丰富的空间细节信息，优于传统的Wavelet变换法和Contourlet变换法。

为提高复杂背景条件下小目标检测及跟踪的稳定性,提出了一种基于梯度LOG 算子的光团目标检测跟踪算法。首先建立了梯度图像中小目标的成像模型,能够较好地适应背景光照变化。然后根据尺度空间的基本理论构造了一种针对该成像模型的目标检测算子,分析并证明了该算子具有尺度不变性的优点,设计并实现了基于梯度LOG 算子的小目标跟踪方案,实验结果表明:梯度LOG 算子能够较好地跟踪复杂背景中的光团目标,定位精度可达亚像素级,且具有计算量小,抗噪声能力强等优点。

小目标检测是计算机视觉领域的一个研究热点。当仅对图像中不同尺度目标中的某些特定尺寸目标感兴趣时，传统方法将无法做出正确判断，而且当目标接近摄像机时图像上目标的尺度通常会发生较大变化，传统方法也难以适应。针对这一问题，提出一种基于正负LOG^[1]算子的小目标实时检测系统。新算法首先根据目标在短时间内所作的近似直线运动，利用Top－Hat^[2]算法在初始几帧图像中检测出真正的目标点，然后根据目标特性确定正负LOG算子的参数，最后利用确定的正负LOG算子对后续帧图像进行连续检测，确定真实目标位置。实验证明，该检测方法在实时性、检测准确性及抗干扰性上均有较好的表现。

在分析尺度空间理论和Mean Shift跟踪算法的基础上,提出了一种尺度方向自适应Mean Shift跟踪算法。根据起始帧图像中目标和背景的差异,分割出目标覆盖区域,并根据尺度空间理论对目标建立最佳描述椭圆。对于后续帧,以上一帧目标的最佳椭圆描述为初始值,根据Mean Shift迭代原理依次更新椭圆参数。实验结果表明,新算法可以有效、稳健地适应目标旋转缩放等复杂运动。