摘要 | 第1-7页 |
Abstract | 第7-14页 |
第1章 绪论 | 第14-30页 |
·引言 | 第14-15页 |
·研究背景、意义及来源 | 第15-16页 |
·红外弱小目标检测技术的有关概念和基本理论 | 第16-20页 |
·红外弱小目标定义 | 第16-17页 |
·红外弱小目标检测的基本理论 | 第17-20页 |
·红外弱小目标检测的难点 | 第20页 |
·国内外研究现状 | 第20-27页 |
·红外图像预处理 | 第21-22页 |
·红外弱小目标检测 | 第22-26页 |
·红外弱小目标跟踪 | 第26-27页 |
·论文内容安排和主要研究成果 | 第27-30页 |
第2章 基于自适应形态学滤波器的红外小目标背景抑制 | 第30-53页 |
·引言 | 第30-31页 |
·红外图像特性分析及背景估计模型 | 第31-36页 |
·图像模型的一般理论 | 第31-32页 |
·红外序列图像的帧间差异性度量 | 第32-33页 |
·红外序列图像组成 | 第33-34页 |
·背景估计模型 | 第34-36页 |
·常见的红外小目标预处理方法 | 第36-45页 |
·高通模板滤波 | 第36-37页 |
·中值减法滤波 | 第37-38页 |
·局部标准差滤波 | 第38-39页 |
·几种常见的频域高通滤波方法 | 第39-41页 |
·数学形态学滤波 | 第41-43页 |
·各种常见滤波方法的性能比较 | 第43-45页 |
·基于自适应形态学滤波器的红外弱小目标背景抑制 | 第45-49页 |
·遗传算法的构成要素 | 第45-46页 |
·小生境技术 | 第46-47页 |
·参数的自适应策略 | 第47-48页 |
·适应度评价函数 | 第48页 |
·解的编码及种群初始化 | 第48-49页 |
·最优保存策略的小生境遗传算法的模型优化 | 第49页 |
·实验结果与分析 | 第49-52页 |
·本章小结 | 第52-53页 |
第3章 基于视觉注意机制的弱小目标检测 | 第53-79页 |
·引言 | 第53页 |
·传统的小目标检测方法 | 第53-62页 |
·典型DBT目标检测算法 | 第54-56页 |
·基于多帧能量累积的DBT目标检测算法 | 第56-59页 |
·基于动态规划的TBD目标检测方法 | 第59-61页 |
·基于多级假设检验的TBD目标检测算法 | 第61-62页 |
·两类目标检测算法总结 | 第62页 |
·基于视觉注意机制的红外小目标检测 | 第62-73页 |
·视觉注意机制的目标检测基本原理 | 第63-67页 |
·外场景图像的感兴趣区域提取 | 第67-68页 |
·基于多特征融合的内场景检测方法 | 第68-73页 |
·仿真结果与分析 | 第73-78页 |
·本章小结 | 第78-79页 |
第4章 复杂背景条件下的弱小目标跟踪算法研究 | 第79-104页 |
·引言 | 第79-80页 |
·贝叶斯滤波原理 | 第80-83页 |
·卡尔曼滤波和扩展卡尔曼滤波 | 第83-86页 |
·卡尔曼滤波 | 第83-84页 |
·扩展卡尔曼滤波 | 第84-86页 |
·粒子滤波原理 | 第86-92页 |
·蒙特卡罗原理 | 第86-87页 |
·序贯重要性采样(SIS) | 第87-89页 |
·退化现象 | 第89-90页 |
·消除退化现象的方法 | 第90-92页 |
·量子遗传粒子滤波算法 | 第92-98页 |
·量子遗传算法基本原理 | 第93-96页 |
·量子遗传粒子滤波算法的实现步骤 | 第96-98页 |
·跟踪算法仿真实验 | 第98-102页 |
·一维非线性、非高斯系统的仿真结果和分析 | 第98-100页 |
·小目标视频序列的跟踪实验 | 第100-102页 |
·本章小结 | 第102-104页 |
第5章 基于注意机制的红外弱小目标处理器的设计与实现 | 第104-124页 |
·引言 | 第104页 |
·系统的基本任务及功能指标 | 第104-105页 |
·系统的硬件设计 | 第105-111页 |
·系统的输入 | 第106-107页 |
·计算量估计 | 第107-108页 |
·系统的硬件设计 | 第108-111页 |
·系统的软件设计及算法实现 | 第111-118页 |
·系统工作流程 | 第111-113页 |
·预处理算法实现 | 第113-117页 |
·红外目标检测算法实现 | 第117-118页 |
·实验结果 | 第118-123页 |
·本章小结 | 第123-124页 |
结论 | 第124-127页 |
参考文献 | 第127-139页 |
攻读博士学位期间发表的论文和取得的科研成果 | 第139-141页 |
致谢 | 第141页 |