高对比度可视化图像是分析并研究图像内在信息的重要保障,而有限长序列图像中的运动参数估计为量化评估目标的运动特性提供给了技术支撑。然而,在弱照明、云朵和背光等环境下,获得的可见光图像和近红外图像整体偏暗,且对比度极低,极大的阻碍了人类视觉系统对图像中各成分的辨识,很难甚至无法检测跟踪这些低质量图像中的目标;而受到成像技术、肌肉组织以及造影剂的浓度、类别和极强毒性的影响,有限长X射线心血管造影图像序列中不仅包含加性高斯白噪声,而且心血管造影图像的对比度极低,这既阻碍了临床医生诊断分析血管疾病,又加大了临床医生和研究者对心血管提取、心血管运动分析以及三维心血管树结构重建等的难度。为此,必须开展旨在提高图像品质和分离有限长图像序列中混合信号的图像信息处理方法,以便构建高效的目标监测与智能分析系统。本论文在国家有关项目支持下,针对动态成像环境下的近红外图像、低对比度彩色图像和有限长X射线心血管图像中出现的若干关键问题进行了研究和探讨,设计图像信息处理方法并分析这些方法的有效性和可靠性,用于支撑我国目标监测识别与智能分析系统的基础研究。本文的工作主要体现在以下几个方面:首先,提出了两种不同类型的图像去噪方法,它们分别是:(1)迭代加权核范数去噪方法。针对核范数近似秩正则化误差过大的问题,提出了一种新的替代函数,将现有的核范数问题转化为迭代加权问题,并采用交替方向迭代得到模型的数值近似解。(2)空间自适应图像去噪方法。针对双域滤波受到梯度因子影响变化较大的问题,根据Hessian矩阵特征值的组合特性,提出了一种空间自适应梯度因子。大量的仿真实验验证了本文提出的两种去噪方法的有效性。进一步的X射线心血管造影图像实验结果表明,提出的两种方法既能够有效地消除图像中的噪声,又能够更多保留毛细血管和血管末梢,为临床医生诊断分析潜在的心血管疾病提供充足的信息。其次,提出了一种新的基于Hessian矩阵的非局部加权滤波方法。针对传统基于Hessian矩阵的增强方法无法解决增强与去噪的逆问题以及无法保持血管结构的问题,本文将非局部加权因子引入到Hessian矩阵中获得降低噪声的特征值,利用新Hessian矩阵的特征组合,结合图像的局部像素统计关系,提出了一种保持血管结构的增强方法。实验结果显示,该方法不仅能够有效地抑制非血管区域和噪声,而且能够保持血管树结构(特别是毛细血管和血管末梢)。再次,提出了两种不同方式获取自适应伽马参数的方法。针对传统伽马参数不能自适应调节图像可视化的问题,本文分别利用全局累积直方图和局部累积直方图对概率密度函数进行校正,接着对它们进行归一化处理,获取归一化概率密度函数的累积直方图并由它们构建自适应伽马参数。实验结果表明,两种不同形式的自适应伽马校正近红外图像增强方法能够有效地提高近红外图像的对比度,并保持其高亮度和结构信息。然后,提出了一种基于Retinex帧波正则化的变分增强方法。其主要思路是利用帧波变换的多尺度结构捕获能力,将其作为反射量的正则化约束条件,更多的保留反射量中的多尺度结构信息。交替方向迭代和分裂Bregman迭代同时被采用正确估计近似照明度和反射量,利于提高低对比度彩色图像的可视化品质。大量的实验结果表明,该方法有效地提高了低对比度彩色图像的亮度、增强了其对比度和保持了其结构信息,从而极大地提升了其可视性。最后,提出了一种多运动参数的时-频域交叉迭代优化分离方法。针对传统傅立叶变换无法准确分离有限长混合信号的问题,本文提出采用时域全局均方误差最小和频域局部均方误差最小准则,对有限长X射线心血管交叉特征点的运动进行分离。大量仿真和真实混合信号分离实验结果表明,提出的方法能够有效地分离短时长心血管交叉特征点的多运动参数,为临床医生定量分析心脏疾病提供技术支撑。