红外小目标检测技术是红外探测系统中的核心部分,一直都是图像处理领域的研究热点。由于成像系统与目标距离较远,小目标较小,通常只占红外图像中的几个像素点,并且不具备确定的形态,容易受到复杂背景中的噪声和其他物体的干扰,而使检测不准确。因此,关于红外小目标检测算法的研究一直都在继续。就目前主流的单帧检测算法来说,一般分为背景抑制类和目标增强类算法。这两类算法都能够有效地提取出红外小目标信息,但是由于复杂背景并不满足一致类假设,大部分算法在处理复杂背景时所获得的结果仍然包含一定的背景残余信息。本文针对上述问题,从建立多尺度模型着手,分析不同尺度下小目标的不同特性,对背景进行有效的抑制,利用判决机制得到提取红外小目标的最优尺度,然后利用不同的低秩分解类算法,将小目标准确的检测出来。本文的研究内容主要如下所示:1、提出了一种基于显著性检测的多尺度红外小目标检测算法。该算法首先利用显著性检测构建相位谱尺度空间,建立多尺度检测模型,得到多张优化检测效果图;接着利用最小信息熵确立红外小目标最佳显著性检测图,有效去除冗余背景;最后利用低秩分解类算法交替方向法将目标与背景分离,有效去除多余背景杂波并消除噪声,同时小目标的细节在一定程度上得到了完整的保留,使得目标在整张红外图像上更加突出。实验结果表明,对具有不同背景类型的红外图像都具有较好的结果,在检测红外小目标方面具有高效性和鲁棒性。2、提出了一种基于最优参数选择策略的多尺度低秩分解算法,建立了适合红外小目标检测的多尺度低秩分解模型。该算法首先系统的分析如何选择最佳参数,如子图像块的形状、大小和数量,从而获得适合于红外小目标的有效分解组合形式;然后提出了一种确定低秩分解方法循环迭代过程的最佳迭代次数的自适应算法,获得更加准确的效果并提高运行速度;最后提取出红外小目标图像的三个尺度进行融合,保留最优的小目标信息。实验结果表明,所选择的最优参数选择策略和自适应迭代算法可以保证小目标提取的有效性。3、提出了一种有效的红外小目标局部多尺度低秩分解算法,改进了大部分低秩分解类方法运行速度慢,运行复杂的缺点,进行简化做局部多尺度低秩分解。首先利用非下采样金字塔变换对红外图像构建多尺度模型,将其中的高频子带分解出来;接着,将分解出的高频子带进行融合,通过融合后的高频信息提取出目标感兴趣区域;最后,利用红外小目标背景的非局部自相关性质对感兴趣区域进行分块,并对各块重新排列构成一个新的矩阵;对感兴趣区域图像块执行低秩分解操作,提取出红外小目标。实验结果表明,与其他低秩分解类方法相比,该算法速度更快,提取效果更好,是一种性能优越的方法。