针对海天场景复杂干扰情况下多尺度检测红外偏振图像中舰船目标困难的问题, 本文提出一种基于引导滤波和自适应尺度局部对比度的舰船目标检测方法。首先将强度信息作为引导信息对红外偏振图像利用引导滤波, 得到目标背景对比度、局部信噪比更高的融合图像; 然后基于融合图像显著的海天线垂直梯度特征, 提出一种检测海天线方法, 再对融合图像进行海天线加权抑制海杂波干扰; 最后基于单尺度局部对比度算法与舰船目标比例特征, 提出自适应尺度局部对比度方法, 当尺度与目标匹配时响应最大, 通过不同尺度对目标的响应结果确定最大尺度, 得到舰船目标检测结果。实验结果表明, 引导滤波融合方法的提高图像的目标背景对比度和局部信杂比, 与典型检测方法对比, 本文方法能够有效抑制干扰并能够检测海天场景不同尺度舰船目标, 具有较高的鲁棒性和准确性, 检测率、虚警率分别为95.0%, 3.5%, 为红外偏振图像目标检测提供了新的方法。

无人机进行红外舰船目标侦察时，检测算法对检测正确率的影响很大。为增强无人机红外光电载荷对舰船目标的检测能力，提出采用支持向量机(Support Vector Machine, SVM)进行候选区训练的检测算法，以提高目标检测的正确率。通过预先对候选区的特征进行训练，得到候选区的分类数据。在检测阶段，加载训练时得到的候选区分类数据，分类筛选出更可能包含目标的候选区，从而提高目标检测的正确率。验证实验中，选用368张无人机拍摄的长波红外图像作为训练数据集图像，另外选择139张图像作为测试图像。分别采用带候选区训练的方法和无候选区训练的方法做目标检测实验。检测结果表明，采用带候选区训练的检测方法比采用无候选区训练方法时平均检测正确率高14.6%。

现有的基于单个红外宽波段的海面舰船目标探测系统在面对复杂海天背景、 岛岸背景、 恶劣天气、 亮带干扰或诱饵弹干扰等情况时, 系统的探测率、 虚警率、 探测距离等性能指标均会受到严重的影响; 为此, 开展了基于多波段红外图像的海面舰船目标检测方法的研究。 通过中波红外多波段数据采集系统实际采集107组五个中波红外波段的图像; 波段1—5分别为3.7～4.8, 3.7～4.1, 4.4～4.8, 3.7～3.9和4.65～4.75 μm; 对多波段图像进行手动标注构建样本数据集, 其中, 正样本舰船目标298个, 负样本非舰船目标353个。 对于多波段红外图像, 首先进行PCA降维并采用选择性搜索算法生成初始目标候选区域; 针对候选区域中存在大量明显的非舰船目标区域的问题, 利用积分图像计算候选区域的局部对比度, 依据红外舰船目标的几何和灰度特征从初始目标候选区域中筛选出舰船目标可能性大的区域作为舰船目标候选区域。 然后对舰船目标候选区域进行拓展以融入局部上下文信息, 对于候选区域对应的5波段红外图像, 分别提取每个波段图像的稠密SIFT特征, 并将128维SIFT特征向量降为64维, 融入SIFT特征的空间和波段位置分布信息得到新的特征向量, 基于高斯混合模型对候选区域的特征向量集合进行编码融合得到舰船目标候选区域的费舍尔向量表示, 最后利用线性SVM分类器识别出舰船目标。 对多波段图像进行舰船目标候选区域生成实验, 所提出的基于红外舰船目标的几何和灰度特征的约束方法可以有效地克服选择性搜索算法的不足, 从初始目标候选区域中快速定位出舰船目标候选区域, 对25组多波段图像进行实验, 舰船目标候选区域生成的整体耗时为0.353 s, 定位舰船目标区域耗时0.005 s。 对100个正负样本进行目标识别测试, 所提出的目标识别算法融合了目标的多波段图像特征信息, 通过引入费舍尔向量挖掘了多波段图像梯度统计特征的深层次信息, 算法的识别率达到了0.97, 显著高于单波段红外图像的目标识别率。 对25组多波段图像进行舰船目标检测实验, 所提出的舰船目标检测方法能够在海天背景、 岛岸背景以及亮带干扰等不同场景下完成海面舰船目标的检测工作, 舰船目标定位准确, 舰船目标召回率达到了0.95, 每组多波段图像的平均检测耗时为1.33 s。 研究结果表明, 充分考虑海面舰船目标在红外图像中与局部海洋背景的辐射差异以及有效地融合舰船目标在多个红外波段图像中的辐射特征, 可以增强舰船目标的可分性, 提高舰船目标的识别率以及检测率, 为基于多波段红外图像的海面舰船目标检测提供了新的技术支持。

分析了高分辨率SAR图像中海洋背景和舰船目标的特点，针对高分辨率SAR图像提出了一种两阶段舰船目标快速检测算法：第一阶段采用改进的频谱残差视觉显著计算模型快速获取视觉的感兴趣区域；第二阶段检测阶段，结合贝叶斯理论二元假设检验的思想，设计了一个局部最大后验概率分类器进行像素分类，经参数估计、判决准则完成显著区域内像素二分类以实现目标检测。实验采用典型的高分辨率SAR卫星Terra-SAR-X卫星数据进行仿真实验，结果表明所提算法具有良好的检测性能，也更加符合实际高分辨率图像舰船目标检测的应用需求。通过进一步实验与以往检测算法的对比得出结论，高分辨率SAR图像舰船目标检测方法在能够改善由斑点噪声和不均匀的海杂波背景对检测结果带来虚警的同时，检测速度也提高了25%~50%。

针对红外船只图像较模糊导致的识别率低、识别速度慢等问题,提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域,并对原图相应的目标位置进行标记和归一化处理,提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别,将提取的候选区域送入改进的AlexNet进行特征提取和预测,得到最终检测结果。分水岭方法可大大减少候选区域检测时间,以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据,并对其平移缩放形成的数据集进行仿真实验。结果表明,标记分水岭与深度CNN的结合,可有效识别船只目标,所提方法具有良好的性能,能够更加快速准确地识别红外船只目标。

为了监测一些危险的海洋区域,使用了基于电荷耦合器件(CCD)的动态平台,提出了一种基于海面背景纹理模型的舰船目标检测算法。利用图像子块离散余弦变换(DCT)域的能量特征，实现了天空背景和海天线的快速检测。为了将船舰目标从水平线下复杂的海水背景中分离出来,提取海天线以下的海面区域图像子块的DCT域纹理特征，并利用自适应模糊c均值聚类方法建立海面的混合纹理模型。利用建立的海面纹理模型，实现了海面背景与舰船目标的分割。实验结果表明该算法可以实现舰船目标的快速、稳健检测，尤其适合于大浪海况下基于运动监视平台的海事监测。

针对航天图像舰船目标快速检测和船速估算的问题，本文首先对海陆背景图像特征进行了分析，以像素点梯度提取和边缘检测技术为基础，提出了一种基于梯度图三次滤波的目标提取算法，实现了海面区域和舰船目标的分割与提取。然后利用傅里叶拟合模型，提出了开尔文尾迹横波周期估算的方法，进而实现了舰船尾迹的快速提取和舰船速度估计。最后，定量分析了该计算方法的误差范围，讨论了误差来源。

针对复杂环境下的海面目标提取问题，提出一种基于偏微分方程(PDE)的红外舰船检测算法。首先采用基于PDE理论的滤波模型对初始图像滤噪并进行背景估计，然后结合邻域差分进行背景抑制后分割提取目标。实验表明，该算法能够有效检测强杂波背景中的目标，方法适应性强。

本文提出了一种基于标准差特征平面Contrast box滤波的可见光遥感图像舰船目标检测方法。选用局部统计方差作为目标检测特征,实现对不同亮度舰船的统一特征描述,并消除海面平均亮度变化的影响。然后在二维检测特征平面上通过Contrast box滤波自适应确定局部目标检测阈值,并结合目标的空间结构信息完成疑似目标定位。最后借助先验舰船特征模型对疑似目标集合进行验证以去除虚警,输出最终目标检测结果。实验结果表明,该方法对于可见光遥感图像中的舰船目标能够达到99.5%的目标检测准确率,同时目标检测虚警率为5%。