1.一种复杂背景下基于时域经验模态分解的红外弱小目标检测方法，其特征在于：采用以下步骤：步骤1：输入待处理的红外序列图像I orig ；步骤2：对输入的图像进行归一化处理，将红外图像的灰度值归一化到0-1之间；步骤3：选取第一帧图像上某一像素点，对图像序列的该像素点进行时域信息提取，得到由图像序列的某一像素点灰度值信息构成的时域信号x(t)；步骤4：时域信号EMD分解：选定某一像素点时域信号x(t)进行分解：步骤4.1：找出该像素点时域轮廓线构成的时域信号x(t)的所有极值点；步骤4.2：将全部极大值点和极小值点分别采用三次样条插值的曲线进行拟合，得到x(t)的上包络线x up (t)和下包络线x low (t)；步骤4.3：逐点计算上包络线和下包络线的局部均值m(t)＝(x up (t)+x low (t))/2；步骤4.4：采用时域信号x(t)减去局部均值得到d(t)＝x(t)-m(t)；步骤4.5：通过判断d(t)是否满足以下两个条件，来判断d(t)是否是一个基本模式分量imf：条件1：在整个信号长度上，极值点的个数和过零点的个数相等或者至多相差一个；条件2：在整个信号长度上，极值点的个数和过零点的个数相等或者至多相差一个；如果两个条件均满足，则将d(t)视为一个基本模式分量，取c 1 ＝d(t)，否则x(t)＝d(t)；步骤4.6：分解出第一个imf分量c 1 后，用x(t)减去c 1 得到剩余信号r 1 (t)，然后令x(t)＝r 1 (t)，返回步骤4.1，依次可得到c 1 ,c 2 ,...,c n ，最后剩下原始信号的余项r n (t)；步骤5：生成特征描述符：对步骤4中得到的每个像素点时域信号的第i个分量通过以下方式进行特征描述，i＝1,2,3：步骤5.1：选择第i个imf分量，将其灰度值最大值与最小值的区间设置为数据空间，对数据空间进行分区并标号a,b,c,d,e；相隔相同帧数对imf分量进行采样，根据采样得到的数据点所落在的数据空间区域，得到相应的空间标号，最终得到imf分量信号的符号序列S(i)；步骤5.2：符号序列S(i)中每一个符号代表一种状态，根据符号序列S(i)的符号变换顺序计算该序列的状态转移概率P(O i，a |O i，b )：其中O i，b ,O i，a 是第i个信号imf分量的b状态与a状态，P(O i，a |O i，b )表示状态O i，b 到状态O i，a 的状态转移概率，N(O i，b ，O i，a )表示状态O i，b 转移到状态O i，a 的发生次数， 表示符号序列中所有的状态集合；步骤5.3：计算该符号序列的状态转移矩阵ω i 以及特征描述符f i ：其中，f i 代表第i个imf分量的特征描述符，V j 代表状态转移矩阵ω i 的第j列标准化特征向量；步骤5.4：重复步骤5.1～步骤5.3，分别得到该像素点时域信号的三个imf分量的特征描述符；步骤6：构建向量机：步骤6.1：获取四类像素点的时域信号；所述四类像素点分为：A类、云层中目标，B类、背景目标，C类、云层边缘，D类、背景像素点；构成A，B，C，D四类信号样本集，信号样本集由至少100个同属一类信号的第i个imf分量的特征描述符组成，i＝1,2,3；步骤6.2：对于第i个特征描述符，分别创建AB、AC、AD、BC、BD、CD六个初级SVM分类器；在AB分类器中分别输入A，B类信号的第i个imf分量的信号样本集；通过SVM分类器训练样本，得到第i个分量信号的AB初级分类器；相应分别训练AC、AD、BC、BD、CD初级SVM分类器，AB、AC、AD、BC、BD、CD六个初级SVM分类器组成目标分类器；对于i个特征描述符最终构建i个目标分类器；步骤6.3：将步骤5得到的某一像素点时域信号的第i个imf分量的特征描述符分别输入六个初级分类器，可得到六个初步分类结果，结果集合记为F(n)；步骤6.4：对F(n)包含的A，B，C，D四类结果进行统计，选取得到最多分类结果的类别作为分离出的特征类型H(i)；步骤7：对三个imf分量的分类结果H(i)中的A,B,C,D四类结果进行统计，选取得到最多分类结果的类别作为该像素点时域信号的最终类别；步骤8：对步骤1中输入的红外序列图像中第一帧图像的每个像素点(x,y)重复步骤4-7，得到每个像素点的类别并进行统计，得到序列图像的最终检测结果并标出红外弱小目标所在的位置。
