针对复杂云层背景下红外小目标检测的虚警现象和实时性要求, 提出一种基于结构张量筛选和局部对比度分析的新算法。结合目标区域结构张量最大特征值大于其他背景区域结构张量最大特征值的特点, 滤除大部分非目标区域, 保留少量可疑区域, 再对可疑区域进行局部对比度计算, 能够增强目标、抑制残留背景, 并有效减少计算量。算法步骤如下: 首先, 在滑动窗口捕获的局部图像区域内构建结构张量矩阵, 将最大特征值大于特定阈值的区域标记为可疑区域; 然后, 对可疑区域进行比差联合型局部对比度计算, 生成显著度图; 最后, 利用自适应阈值分割实现小目标的分离。实验结果表明: 该算法在复杂云层背景下具有更高的检测率、更低的虚警率以及更少的运行时间。

针对不同背景条件下，红外弱小目标检测信杂比低、虚警率高的特点，重点利用小目标能量接近高斯分布特性，提出一种利用改进的图像局部熵加权多尺度的基于图像块对比度的红外小目标检测方法。首先，计算红外图像中心块和邻域块的均值；然后，计算出中心块和邻域块的均值差异达到凸显小目标、抑制背景噪声的效果，同时计算各个像素点的改进局部图像熵以凸显小目标、抑制形状与小目标大小近似的伪目标以及大面积的干扰物体的角点；之后，利用改进的图像熵加权中心块和邻域块的均值差异值，得到高信杂比、低虚警率的显著度图像；最后，利用自适应阈值分割算法获取目标的位置。实验结果表明，与同类基于human visual system（HVS）检测方法相比，所提方法适用场景更广，特别是在复杂背景下，能达到更低的虚警率、更高的信杂比。

语义分割网络对图像进行像素级分类，相较于目标检测其对于目标的精准定位更有优势，因此在红外小目标检测中发挥着重要作用。针对红外小目标的特点，提出一种基于实时语义分割的红外小目标检测网络。该网络基于双分支特征提取结构，采用渐进式特征融合模块和改进的Dice损失函数，使红外小目标分割的速度与效果达到良好的平衡。实验结果表明，该算法在较小参数量和计算量的情况下相较于FCN、ICNet、BiSeNet V2、STDCNet、TopFormer等5种算法达到较高的精度，在实际采集的红外小目标数据集上，其推理帧率相较于传统的FCN提升44%，达到117 frame/s，且红外小目标的交并比相较于与其推理帧率相近的TopFormer提升49%，有利于语义分割在红外小目标检测的实际应用。

针对局部对比度方法对红外目标进行检测时难以提升目标的显著性及抑制背景困难的问题，提出一种基于特殊预处理的增强局部对比度方法来检测目标。通过快速中值滤波去除高频噪声，通过改进的形态学梯度来抑制背景，通过增强的局部对比度来提高目标的显著性，最后通过自适应阈值来获取需要检测的真实目标。结果表明，同经典人类视觉系统的检测方法相比，所提方法在检测红外弱小目标时具有优越性，在高亮度背景情况下效果更为显著。

针对云层背景下红外小目标检测难、可用数据集少的问题, 提出了一种基于混沌预测的检测方法。首先从云层背景的空间混沌特征出发, 采用径向基函数神经网络设计了混沌序列的预测模型, 并利用遗传算法优化网络参数, 提高预测精度。然后利用预测模型对图像像素序列的预测值与实际值之间的预测误差, 实现了小目标检测。最后通过实验验证了上述算法的有效性, 对测试样本的检测率为86.7%, 虚警率为0.86%。

红外弱小目标检测技术是红外搜索与跟踪系统的重要组成部分(IRST)。一般来说，在复杂背景环境下，红外弱小目标检测往往会有高虚警率和低检测率的问题。为了解决这一问题，提出一个改进的加权增强局部对比度测量（IWELCM）检测框架，具有重要意义。首先，通过将局部对比度机制与信杂比(SCR)的计算相结合，提出一个增强的局部对比度测量方法，在增强图像中疑似红外弱小目标区域的同时也提高图像的SCR。其次，通过利用红外图像中弱小目标的特性，以及目标与周围背景的统计差异，提出一个改进的加权函数来进一步增强目标和抑制背景。最后，采用一个自适应阈值分割的方法去获取检测的目标。在不同场景的数据集上的对比实验表明，与七种现有流行的方法相比，提出方法在复杂背景下能够有效地从干扰对象中提取真实的红外弱小目标，具有更好的检测性能。

复杂背景下的红外图像通常存在信噪比低、邻近像素灰度变化不明显以及易被杂波信号和噪声干扰的特点, 导致红外小目标检测困难。为解决上述问题, 提出一种基于特征显著性融合的红外小目标检测算法。首先, 在空间域中利用目标与其局部背景灰度差异来计算得到灰度显著图, 在频域中结合谱残差计算得到背景抑制后的频域显著图; 其次, 将灰度显著图和频域显著图归一化后通过哈达玛乘积相互融合; 最后, 通过自适应阈值分割并使用Unger滤波器剔除较小的噪声点, 从而提取出目标区域。实验结果表明, 所提算法对图像的信噪比有了数十倍的提升, 对背景抑制效果显著, 并有着检测率高和虚警率低的优点, 是一种有效的小目标检测算法。

针对现有方法难以在复杂背景下对缺乏内在特征的红外弱小目标进行检测并且存在检测耗时较高等问题，提出了一种适用于嵌入式边缘计算设备的红外弱小目标检测算法。将小目标检测问题转化为语义分割问题，模型使用轻量级主干网络提取特征，设计基于上下文调制的跨层间的特征融合方式，用于交换高层语义和低层细节，引入基于通道和位置的双注意力机制突出特征图中的弱小目标。通过实验验证了提出算法模型相较于现有先进的算法在复杂场景下具有更好的检测效果、更低的虚警以及更少的耗时等优势，且该模型大小只有100 KB，可以达到20 frame/s视频流实时检测，方便嵌入式部署及实际应用。