当背景比较平缓的时候，就局部辐射强度而言，红外小目标是大于背景的，所以高通滤波的方法就很容易被人们所想到并且加以利用。空域高通滤波模板具有实时性好、利于硬件并行实现的优点，所以在现实中有很多的应用[3-5];空间匹配滤波器[6]及空间域局部标准差滤波能够极大的提高图像的信杂比，并且当红外图像的背景比较平缓的时候，该算法就很适用。而今还能够利用频率域滤波的方法对图像进行高效地处理，这得益于硬件技术持续发展的支持。杨提出自适应频率域Butterworth高通滤波器，有效的抑制了海空背景[7]。利用小波变换的原理对原始红外图像进行处理，甚至再求取小波模极大值图像，可以很大程度上地提高红外图像的信噪比[8-12]。此外，对红外复杂背景进行估计的方法也是一种很有优势的抑制背景的方法，该方法是基于低通滤波的思想。因为需要检测的目标像素相对整幅图像而言是很少的，故将原本的图像与滤波后的图像作差，从而达到将背景滤除的目的。该方法一般都是把图像放在空间域里进行操作完成的，所以具有很强的实用性。中值滤波是很重要的背景平滑滤波方法之一[13]。利用中值滤波进行背景抑制不仅可以衰减随机噪声，还可以防止目标边界模糊，实践表明基于中值滤波的对红外图像进行背景抑制的方法，其滤波性能比较稳定[14]。数学形态学开运算也是有效的红外复杂背景估计方法之一[15-18]。将原始图像与开运算结果作差就是有名的Top-Hat变换[19]。此类算法有别于其他算法的优势就是它的实时性比较好，而且在硬件上比较容易做到。这两种对红外复杂背景进行估计的方法，它的适用条件就是图像背景比较平缓的时候，所以当背景的灰度不断起伏变化时候，这类算法的效果就不明显了。论文网二文最小均方滤波器被认为是一种有效的背景自适应滤波算法[20-21]，它也被应用在检测小目标上，并取得了一定的成绩[22-23]。Kaplan非线性滤波方法估计杂波背景[24]，发现这种方法比线性滤波的方法更好，它有利于小目标的检测。一些学者分析并验证了海杂波信号的混沌性[25-26]，此后Leung等提出了一种基于混沌特征预测的海杂波估计的方法[27]。在通过了完整的实验进行比较对比后发现，空域低通IIR(Infinite Impulse Response，无限长单位脉冲响应滤波器)对红外海杂波背景进行估计是很有优势的[28]。自适应自回归背景( Adaptive Auto Regressive)估计方法是一种背景建模的方法，它一开始是运用于雷达信号检测领域，后来利用该方法进行红外小目标检测，并已经通过实验证明了它的有效性[29]。不过，实际生活中的红外海杂波背景是不断地变化的，没有规律可言，所以需要通过大量的运算，这一缺点就使得该方法不能普遍的运用到真实目标识别系统中去。此外，随机场(Random field)模型也属于背景估计方法之一[30]。近几年里，还提出了一些新的的背景抑制方法，它们是以解释生物视觉机制为基础。比如说，利用生物学领域的知识所构造出来的模式侧抑制( Pattern lateral inhibition)网络[31]可视为一种满足衰减低频响应的高通滤波器，该方法不仅可以有效地抑制背景，还可以增强目标[32];自底向上的视觉注意机制(Vision attention mechanism)可以充分发挥人类的视觉系统的作用，让人能在复杂的场景中迅速找到含有明显目标的区域[33-35]。将这种机制运用到对红外图像的背景进行抑制中去，则目标增强任务就可以分解为一系列限定的模式识别问题，这将可以有效地降低系统的计算量，同时提高系统的处理效率[36-37]。28669 小目标检测的背景抑制算法国内外研究现状:http://www.youerw.com/yanjiu/lunwen_23605.html