方差加权信息熵作为稳健的红外背景复杂程度定量描述指标, 在红外弱小目标检测中取得了不错的效果, 但由于其计算复杂, 导致算法实时性差, 很难在工程上应用。为了能快速地在红外复杂天空背景中识别到弱小目标区域, 对传统的基于图像方差加权信息熵的滤波算法进行改进。先对图像进行显著性区域分割, 粗略地得到显著性区域, 然后对显著性区域计算双分析模板区域方差加权信息熵差值, 根据复杂天空中典型区域的双分析模板区域方差加权信息熵差值的特点将候选目标区域识别出来。实验表明, 用本文算法既可以排除大量的复杂天空背景干扰区域, 又大幅缩短了算法运行的时间。

对于某些目标跟踪算法而言, 初始位置的选取是否精确是算法能否有效跟踪的关键点之一。从目标的灰度信息分布特点出发, 提出一种基于加权信息熵的初始位置修正算法, 首先, 在搜索窗口中获取测试样本, 然后, 计算各个样本的加权信息熵, 接着, 通过先验信息对样本进行筛选, 获得熵值最小区域, 从而得到修正后的目标位置。从背景和目标的可区分性上来验证算法的有效性, 实验结果表明, 对于处在复杂背景下的目标, 该算法能正确且可靠稳定地对其位置进行修正。

为解决天空背景下红外弱小目标检测问题，提出了一种基于图像复杂度和方向梯度的检测方法。利用信息熵对图像复杂度进行描述，引入了图像方差和像素局部变化率对信息熵进行加权，使云内部和云边界区域得到抑制。以复杂度为描述对象，建立多级多方向梯度模型，在背景局部复杂度高于目标复杂度的情况下，仍能够有效分割出目标。实验证明，该方法能够在复杂云背景情况下检测出弱小目标。

针对红外图像中弱小目标的检测需求，文中提出基于尺度不变特征变换Scale Invariant Feature Transform（SIFT）和加权信息熵的红外小目标检测算法。该方法根据红外小目标的成像特点，采用SIFT 特征描述子进行关键点的提取，利用帧间的匹配初步获得了目标的可能位置；进一步使用红外图像加权信息熵得到图像在灰度信息和平均信息量意义下的特征；再针对复杂云背景成像弱小目标实时检测的需要对计算出的特征进行再一次判定进而检测出目标。实验结果表明该方法在天空云背景中处理效果较好，具有良好鲁棒性。

针对在红外图像目标检测中利用传统动态规划进行能量累积存在较大的能量扩散效应，且检测速度慢、检测概率低等问题提出了一种基于动态规划的红外点目标检测能量累积方法。该方法在传统的动态规划递推式中引入了加权信息熵衰减因子和方向性信息权值。加权信息熵可以反映目标的运动信息,当某搜索区域存在目标运动时，能量累积衰减率小；当目标不存在时，能量累积衰减率大，从而保证了目标轨迹区域能量的大幅累积。方向性信息能够反映目标的运动轨迹方向，能使能量以大概率沿着目标运动方向有效累积。用本文方法和传统的DPA能量累积方法对平均信噪比为2.172 5的12帧序列图像进行实验和比较，结果显示，传统DPA能量累积要到第9帧才能到达检测阈值，检测概率为0.956，并且会产生虚假轨迹；而本文方法到第5帧就已经到达检测阈值，检测概率为0.915。结果表明，该方法缩小了能量扩散效应区域，提高了点目标的检测概率和检测速度。

提出了一种新的基于粒子群优化粒子滤波(PSOPF)的红外目标提取算法, 将红外目标提取阈值的计算问题看作系统状态估计问题.在粒子滤波的框架下, 建立了关于灰度-方差加权信息熵和像素点灰度值的阈值状态空间, 建立了基于粒子群优化算法思想的系统状态转移模型, 建立了基于红外目标提取效果评价函数的系统观测模型, 它有效综合了红外图像中灰度、信息熵、梯度、像素点的空间位置等信息.最后, 以粒子的加权平均估计目标提取的阈值.实验结果表明, 该方法是有效且稳健的.

为了提高红外图像序列中弱小目标的信噪比和检测概率，同时考虑检测算法实时性，提出了一种新的基于空时域滤波的小目标检测方法。首先，以第一帧图像为参考帧，对各帧图像进行运动补偿；然后，对运动补偿后的各帧图像在空域进行方差加权信息熵滤波，对空域滤波后图像采取双向隔帧差分的时域滤波；最后通过检测差分图像中的“凸包”，抑制背景和噪声，检测小目标。文中给出了实验结果与分析，并与其他方法作了比较。实验结果表明，上述方法能大幅度的提高目标的信噪比，检测小目标，且实时性好。