基于红外图像的人工浅埋掩体目标检测技术研究
摘要 | 第8-9页 |
ABSTRACT | 第9页 |
第一章 绪论 | 第10-18页 |
1.1 研究背景 | 第10-11页 |
1.2 国内外研究现状 | 第11-13页 |
1.3 技术研究现状 | 第13-15页 |
1.3.1 现有的目标检测方法及其局限性 | 第13页 |
1.3.2 本文所用方法的研究现状 | 第13-15页 |
1.4 论文研究内容及结构安排 | 第15-18页 |
第二章 浅埋掩体目标红外特性分析 | 第18-27页 |
2.1 红外图像成像原理和特点 | 第18-19页 |
2.1.1 红外成像的基本原理 | 第18页 |
2.1.2 红外成像的特点 | 第18-19页 |
2.2 目标与背景的红外特性分析 | 第19-23页 |
2.2.1 辐射度学的相应理论 | 第19-21页 |
2.2.2 目标与背景的对比度特性 | 第21-22页 |
2.2.3 目标与背景的空间灰度分布特性 | 第22-23页 |
2.3 红外浅埋掩体辐射场建模 | 第23-25页 |
2.4 浅埋掩体目标检测拟采用的技术途径 | 第25-26页 |
2.5 小结 | 第26-27页 |
第三章 基于加权分形特征组合的人造目标检测 | 第27-46页 |
3.1 分形的基本理论 | 第27-36页 |
3.1.1 分形的概念 | 第28-30页 |
3.1.2 分形维数 | 第30-32页 |
3.1.3 分形布朗模型对自然场景的描述 | 第32-36页 |
3.2 传统基于分形特征目标检测方法 | 第36-39页 |
3.2.1 基于分形截距的目标检测方法 | 第36页 |
3.2.2 基于缝隙的目标检测方法 | 第36-37页 |
3.2.3 基于多尺度分形参数的目标检测方法 | 第37-38页 |
3.2.4 基于差分地毯覆盖法的目标检测方法 | 第38-39页 |
3.2.5 基于表面粗糙度的目标检测方法 | 第39页 |
3.3 基于加权分形特征组合的目标检测算法 | 第39-44页 |
3.3.1 表面粗糙度提取 | 第39-42页 |
3.3.2 分形拟合误差计算 | 第42-43页 |
3.3.3 加权分形特征组合 | 第43-44页 |
3.4 小结 | 第44-46页 |
第四章 基于两重误差重构的显著性区域检测 | 第46-64页 |
4.1 典型的显著性检测方法 | 第46-48页 |
4.2 SLIC超像素分割 | 第48-51页 |
4.3 基于两重误差重构的显著性检测方法 | 第51-61页 |
4.3.1 背景模板的提取 | 第52-53页 |
4.3.2 两重重构误差的构建 | 第53-55页 |
4.3.3 基于上下文的重构误差传播 | 第55-56页 |
4.3.4 像素级显著性检测 | 第56-58页 |
4.3.5 基于贝叶斯准则的显著图融合 | 第58-59页 |
4.3.6 实验仿真 | 第59-61页 |
4.4 分形与显著性检测结果融合 | 第61-63页 |
4.5 本章小结 | 第63-64页 |
第五章 结束语 | 第64-66页 |
5.1 工作总结 | 第64-65页 |
5.2 工作展望 | 第65-66页 |
致谢 | 第66-67页 |
参考文献 | 第67-73页 |
作者在学期间取得的学术成果 | 第73页 |