已经提出了许多用于红外小目标检测的最新技术。 它们在具有均一背景和高对比度目标的图像上效果很好。 然而，当面对高度异质的背景时，它们将不能很好地工作，主要是由于：1）存在强边缘和其他干扰组件，2）没有充分利用先验条件。 受此启发，我们提出了一种同时利用本地先验和非本地先验的新颖方法。 首先，我们采用新的红外补丁张量（IPT）模型来表示图像并保留其空间相关性。 利用目标稀疏先验和背景非局部自相关先验，将目标背景分离建模为鲁棒的低秩张量恢复问题。此外，借助结构张量和权重思想，我们设计了一种局部局部自适应和稀疏性增强权重来代替全局常数加权参数。 根据目标检测的实际情况，可以通过元素重加权的高阶稳健主成分分析以及附加的收敛条件来实现分解。广泛的实验表明，我们的模型优于其他最新技术，特别是对于图像质量非常高的图像昏暗的目标和沉重的杂物。

程序主要实现的是单帧图像的超分辨率重建

本代码实现了单帧超分辨率重建，效果比传统的样条插值好很多，关于本代码的IEEE文献后期再上传 本代码实现了单帧超分辨率重建，效果比传统的样条插值好很多，关于本代码的IEEE文献后期再上传

本代码实现了单帧超分辨率重建，效果比传统的样条插值好很多，关于本代码的IEEE文献后期再上传 本代码实现了单帧超分辨率重建，效果比传统的样条插值好很多，关于本代码的IEEE文献后期再上传

基于稀疏表示的超分辨率图像重建是当前典型的算法之一，引入约束性更强的局部约束线性编码（LLC:Locality-constrained Linear Coding）对其进行了改进。首先依据一个高分辨率图像集训练出成对的高分辨率和低分辨率词典，然后根据低分辨率词典对输入的低分辨率图像用LLC方法进行编码，再依据高分辨率词典及编码系数初步重建高分辨率图像，最后添加全局约束重建高分辨率图像，并将该算法推广到多帧图像超分辨率重建层面。分析和对多幅图像的实验结果都表明，新算法相对原算法不仅提高了图像重建的质量还降低

红外弱小目标检测技术已成为国内外红外领域研究的重点。对红外弱小目标的特征进行了介绍；从基于空间域和变换域的滤波、人类视觉系统以及图像数据结构3个方面，对当前单帧图像的红外弱小目标检测算法的原理、主要步骤及特点进行了综述；分析了红外弱小目标检测技术的发展趋势。

ffmpeg demo，将输入文件中的视频流转换为单帧ppm 文件rgb24格式

高动态范围成像技术能够避免因为拍摄方向如逆光和曝光量的不同而使图像存在亮度信息缺失和色差，影响真实场景的信息采集。该技术有利于在复杂环境下获得更高的成像质量，被广泛应用于模式识别、智能交通系统、遥感遥测、军事侦察等众多领域。相机响应函数的标定是高动态范围成像技术的关键，能够建立真实场景的辐照度与采集图像亮度值之间的映射关系，从而获得真实场景的高动态范围图像。所提出的算法通过单帧输入图像获得成像系统的相机响应函数，大大地提高了计算效率，并且适用于欠曝光及过曝光条件下采集的图像，扩展了相机响应函数标定算法的应用范围。

本代码实现了单帧超分辨率重建，效果比传统的样条插值好很多，关于本代码的IEEE文献后期再上传

H254测试文件-包含4K视频的h264文件及单帧的264,可用于解码测试