基于显著性的OTSU局部递归分割算法

针对OTSU方法的局限性，提出了一种基于显著性的OTSU局部递归分割算法。该算法的思路是把一次OTSU分割得到的目标区域作为新的图像进行下一次OTSU分割，依次递归下去，直到满足一定条件为止，然后把每次分割得到的目标区域按照一定加权原则累加起来，得到分割结果图像。实验结果表明，在不同的冷背景下，基于显著性的OTSU局部递归分割算法能够稳定地实现目标分割提取，具有较好的鲁棒性。     

基于贝叶斯数据融合的多尺度目标识别

针对红外电厂目标识别问题，提出了基于贝叶斯数据融合的多尺度目标识别方法．该方法研究了前视成像末制导过程中图像目标尺度变化引起的视点角度和特征尺度变化规律，建立了分层次的时空特征模型，根据显著性选取目标特征，采用贝叶斯网络把不同尺度下的显著性特征进行融合，得到正确的识别结果．实验表明，该方法能将多尺度目标的不精确、不完整的特征进行融合处理，从而完成了目标的可靠识别．