1 绪论 1
1.1 背景与意义 1
1.2 红外成像与红外图像 3
1.2.1 红外光谱 3
1.2.2 红外图像的评价指标 5
1.3 国内外图像增强与目标检测研究概况 6
1.3.1 图像增强研究 6
1.3.2 目标检测研究 11
1.4 主要工作 13
2 基于分数阶微分的红外图像增强 16
2.1 引言 16
2.2 整数阶滤波器 17
2.2.1 平滑滤波器 17
2.2.2 Laplace算子 19
2.2.3 图像提升 20
2.3 Tiansi分数阶微分图像增强 21
2.4 基于Caputo与Riemann-Liouville的分数阶微分图像增强 22
2.4.1 Caputo分数阶微分 22
2.4.2 Caputo与Riemann-Liouville分数阶微分 23
2.4.3 构造空间加权的分数阶微分模板 24
2.4.4 分数阶微分图像增强算法流程 24
2.5 分析与结论 25
2.5.1 分析 25
2.5.2 结论 32
3 基于形状保持的红外图像增强 33
3.1 引言 33
3.2 偏微分方法 34
3.2.1 非线性扩散模型 34
3.2.2 变分模型 37
3.3 基于变分偏微分方程的形状保持图像增强 40
3.3.1 模型构建 40
3.3.2 算法流程 41
3.4 分析与结论 41
3.4.1 分析 41
3.4.2 结论 47
4 融合灰度变换和空间滤波的形态学红外图像增强 48
4.1 引言 48
4.2 图像增强一般算法 49
4.2.1 灰度变换 49
4.2.2 空间滤波 49
4.2.3 形态学算法 50
4.3 融合灰度变换和空间滤波的形态学红外图像增强 50
4.4 分析与结论 51
4.4.1 分析 51
4.4.2 结论 53
5 基于熵流与局部熵的红外运动目标检测 55
5.1 引言 55
5.2 基于Lucas-Kanade光流法 57
5.2.1 Lucas-Kanade图像配准 57
5.2.2 Lucas-Kanade光流法 58
5.3 联合熵流与局部熵的运动目标检测 59
5.3.1 局部熵 59
5.3.2 熵流 60
5.3.3 联合熵流与局部熵的运动目标检测 62
5.4 分析与结论 64
5.4.1 分析 64
5.4.2 结论 66
6 基于熵流与边缘算子的红外运动目标检测 68
6.1 引言 68
6.2 熵图与熵流 69
6.3 联合熵流和边缘算子的运动目标检测 71
6.3.1 熵流检测确定含运动目标区域 71
6.3.2 Canny边缘检测图像边缘 72
6.3.3 构建联合边缘图像与目标识别 74
6.4 分析与结论 75
6.4.1 分析 75
6.4.2 结论 82
7 基于变分熵流的红外运动目标检测 83
7.1 引言 83
7.2 变分法介绍 84
7.2.1 变分数学基础 84
7.2.2 泛函极值问题及其变分解法 85
7.2.3 图像恢复中的正则化问题 86
7.3 时空管道滤波 87
7.3.1 管道滤波结构 87
7.3.2 连续滤波器 88
7.4 基于变分熵流的运动目标检测 88
7.4.1 变分方法计算熵流 88
7.4.2 泛函解的实现 90
7.4.3 性能评价 91
7.4.4 运动目标检测 93
7.5 分析与结论 94
7.5.1 分析 94
7.5.2 结论 98
8 基于新的加权局部熵的小目标红外图像处理 99
8.1 引言 99
8.2 基于NWLIE的小目标红外图像处理 100
8.2.1 小目标红外图像 100
8.2.2 NWLIE 101
8.2.3 自适应阈值 102
8.3 分析与结论 103
8.3.1 分析 103
8.3.2 结论 106
9 改进的运动目标检测算法研究 107
9.1 引言 107
9.2 均值漂移目标检测算法 108
9.2.1 Mean Shift基本原理 108
9.2.2 Mean Shift的核函数与概率密度 110
9.3 基于均值漂移与改进的全局光流法的红外目标检测 112
9.4 分析与结论 112
9.4.1 分析 112
9.4.2 结论 117
10 基于水平集与时空信息的红外小目标检测 118
10.1 引言 118
10.2 水平集相关理论 119
10.3 Mumford-Shah模型及Chan-Vese模型 120
10.4 基于水平集与时空信息的红外小目标检测 120
10.4.1 算法流程框架 120
10.4.2 局部二值拟合（LBF）模型 121
10.4.3 目标时空信息分析 122
10.5 分析与结论 124
10.5.1 分析 124
10.5.2 结论 130
11 总结与展望 131
12 参考文献 134