对红外图像中的目标跟踪时，复杂的背景信息以及目标像素数较少等因素增加了红外目标跟踪难度，目标区域的图像块缺乏特征信息使得普通跟踪算法较易产生跟踪偏移问题。为解决此问题，提出了一种基于粒子滤波框架下的卷积特征选择的红外目标跟踪算法。首先，在初始目标块上提取少量图像块作为滤波器，进而获得表征能力更强的卷积特征。然后，采用在线提升算法对该特征进行选择，增加跟踪算法的精度和执行效率。最后，将贝叶斯分类器的响应作为粒子权值估计出目标状态。实验结果验证了所提算法的跟踪性能优于其他几种传统算法。

为了解决传统跟踪算法不能有效区分背景边缘和红外弱小目标的问题,基于图像引导滤波和核相关滤波,提出了一种改进型的红外弱小目标跟踪算法。将采用6组红外弱小目标图像序列得到的实验结果与采用经典跟踪算法得到的实验结果进行了比较。实验结果表明,所提算法在主观视觉和客观评价指标方面均优于传统算法,具有更高的目标跟踪精度与较好的实时性。

针对基于梯度变换的图像增强算法抗噪声干扰能力差的问题, 引入曲率滤波理论, 提出了基于高斯曲率滤波和梯度变换的图像增强算法.该算法通过对图像梯度场进行非线性变换来增强图像对比度, 通过构造能量泛函, 采用梯度下降法从变换后的梯度场重构出增强后的图像, 并利用高斯曲率滤波对梯度下降法迭代过程中的重构图像及其各阶偏微分进行平滑, 有效解决了图像重构过程中的噪声非线性放大和扩散问题, 同时保留了丰富的细节信息.采用多组边缘模糊图像进行仿真实验, 实验结果表明该算法在增强图像边缘对比度的同时, 能够有效抑制噪声.

由于传统的跟踪算法没有充分利用目标与其局部背景的时空相关性, 使其不能有效地区分背景边缘和红外弱小目标, 从而在跟踪过程中产生偏移现象.针对这一问题, 本文在时空上下文学习跟踪的原理基础上, 分析了跟踪偏移的原因, 并引入图像引导滤波方法, 提出了一种引导滤波结合时空上下文的红外弱小目标跟踪算法.该算法首先采用引导滤波对上下文区域进行处理, 在保留上下文区域云层边缘的同时剔除目标及噪声, 再将其与滤波结果作差.最后利用小目标的“置信图”检测出目标.为了验证该方法的有效性, 采用五组红外小目标序列图像进行实验, 并与经典时空滤波、改进的模板匹配和移动管道滤波等方法作比较.实验结果表明本文提出的方法在主观视觉和客观评价指标方面均优于其它三种经典方法, 且具有更高的目标跟踪精度与较好的实时性.

由于传统的背景抑制方法没有充分利用信号的方向信息, 使其不能有效区分背景边缘和红外弱小目标, 从而造成背景抑制结果中有较多的背景泄露.针对上述问题, 本文利用改进的剪切波变换和引导滤波, 提出了一种新的背景抑制方法.首先,采用改进的剪切波变换对红外弱小目标图像进行多尺度和多方向分解, 将图像分解得到不同的高频子带系数和低频子带系数;其次, 利用目标信号与边缘在方向上的差异, 采用自适应引导滤波对高频子带系数进行处理;再次, 对分解后的低频子带系数和处理后的高频子带系数进行改进的剪切波逆变换, 得到预测的背景图像;最后, 将原图像与背景预测图像相减获得背景抑制且目标增强的红外图像.为了验证本文方法的有效性, 采用多组实验对其进行验证, 并与经典的Max-Median、TDLMS和Top-hat等方法作比较.多组实验结果均表明本文方法在主观视觉和客观评价指标方面均优于其它三种经典方法, 可有效提高红外搜索跟踪系统对红外弱小目标的探测概率.

时域高通滤波非均匀性校正是一种典型的基于场景的红外焦平面阵列非均匀性校正算法，但其易产生“鬼影”现象，影响校正效果.本文在时域高通滤波校正算法的原理基础上，分析了其校正过程中“鬼影”现象产生的原因，即由于全部图像信息的叠加而导致静止场景被滤除且运动场景会在当前位置留下反转的图像，从而形成“鬼影”.引入非局部均值滤波方法，提出了一种去“鬼影”的非局部均值滤波-时域高通滤波非均匀性校正方法.该方法首先采用非局部均值滤波将图像信息分离成高低频两部分（其中高频成分含有大部分噪音及非均匀性），并使用高频成分进行时域高通滤波算法中低通输出的递归运算，使得低通滤波后的图像含有较少的场景信息，从而可使校正输出图像含有较少的“鬼影”现象.采用两组真实红外序列图像进行验证，结果表明该算法不仅能获得较好的非均匀性校正效果，而且能较好地抑制时域高通滤波算法中的“鬼影”现象.