第 1 章 緒論 1 1.1 研究背景及意義 1 1.2 國內外研究現狀及發展動態 4 1.2.1 紅外圖像預處理技術 5 1.2.2 紅外目標檢測技術 6 1.3 本書主要工作及內容安排 11 第 2 章 背景雜波特性分析及理論基礎 14 2.1 背景雜波特性分析 14 2.1.1 復雜度評價指標 15 2.1.2 平滑場景 15 2.1.3 非平滑場景 16 2.1.4 高亮雜波干擾場景 17 2.1.5 復雜噪聲場景 19 2.2 仿真數據生成方法 20第 1 章 緒論 1 1.1 研究背景及意義 1 1.2 國內外研究現狀及發展動態 4 1.2.1 紅外圖像預處理技術 5 1.2.2 紅外目標檢測技術 6 1.3 本書主要工作及內容安排 11 第 2 章 背景雜波特性分析及理論基礎 14 2.1 背景雜波特性分析 14 2.1.1 復雜度評價指標 15 2.1.2 平滑場景 15 2.1.3 非平滑場景 16 2.1.4 高亮雜波干擾場景 17 2.1.5 復雜噪聲場景 19 2.2 仿真數據生成方法 20 2.3 評價指標 21 2.4 低秩和稀疏重構恢復 24 2.4.1 預備知識 24 2.4.2 低秩和稀疏重構恢復 31 2.4.3 常用優化方法 33 2.5 本章小結 35 第 3 章 基于張量主成分分析的目標檢測方法 36 3.1 紅外圖像的低秩和稀疏分解模型 383.1.1 IPI 模型 38 3.1.2 IPT 模型 39 3.2 WNRIPT 方法 41 3.2.1 加權核范數 41 3.2.2 WNRIPT 模型的建立與求解 42 3.2.3 實驗與結果分析 46 3.3 WSNM-STIPT 目標檢測方法 57 3.3.1 STIPT 模型 57 3.3.2 WSNM 方法 59 3.3.3 WSNM-STIPT 的建立與求解 59 3.3.4 實驗與結果分析 63 3.4 本章小結 75 第 4 章 基于時空域信息和總變分正則項的目標檢測方法 76 4.1 總變分正則項 77 4.2 TV-STIPT 模型的建立與求解 78 4.2.1 模型的建立 78 4.2.2 模型求解 79 4.2.3 復雜度分析 83 4.3 實驗與結果分析 84 4.3.1 實驗數據 84 4.3.2 參數設置 84 4.3.3 對比方法 85 4.3.4 TV-STIPT 方法的有效性驗證 85 4.3.5 參數影響分析 85 4.3.6 對比實驗 87 4.3.7 算法收斂性分析 93 4.3.8 運行時間對比 93 4.4 本章小結 94 第 5 章 基于時空域信息和多子空間學習的目標檢測方法 95 5.1 MSL 理論 96 5.2 MSLSTIPT 模型的建立與求解 98 5.2.1 模型的建立 98 5.2.2 模型求解 99 5.2.3 字典構建 103 5.2.4 復雜度分析 103 5.3 實驗與結果分析 104 5.3.1 實驗數據 104 5.3.2 參數設置 104 5.3.3 對比方法 105 5.3.4 MSLSTIPT 方法的有效性驗證 105 5.3.5 參數影響分析 107 5.3.6 對比實驗 107 5.3.7 運行時間對比 115 5.4 本章小結 115 第 6 章 基于非獨立同分布混合高斯模型和改進通量密度的目標檢測方法 116 6.1 MoG 模型 117 6.2 MFD-NMoG 模型的建立與求解 118 6.2.1 模型的建立 119 6.2.2 模型求解 120 6.2.3 復雜度分析 126 6.3 實驗與結果分析 126 6.3.1 實驗數據 127 6.3.2 參數設置 127 6.3.3 對比方法 127 6.3.4 MFD-NMoG 方法的有效性驗證 128 6.3.5 參數影響分析 128 6.3.6 MFD 方法的有效性驗證 128 6.3.7 對比實驗 130 6.3.8 運行時間對比 135 6.4 本章小結 135 第 7 章 總結與展望 136 7.1 本書工作總結 136 7.2 未來工作展望 139 參考文獻 140