| 本文主要创新点 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-11页 |
| 目录 | 第11-14页 |
| 第一章 绪论 | 第14-30页 |
| ·课题的背景和意义 | 第14-16页 |
| ·国内外研究现状及趋势 | 第16-25页 |
| ·红外弱小目标检测技术的研究现状及趋势 | 第17-22页 |
| ·民用单源红外目标检测技术的研究现状及趋势 | 第22-24页 |
| ·红外与可见光协同目标检测技术的研究现状及趋势 | 第24-25页 |
| ·本文的工作及结构安排 | 第25-30页 |
| ·拟解决的难题 | 第25-26页 |
| ·主要研究内容与章节安排 | 第26-30页 |
| 第二章 基于数据驱动模型的红外目标检测框架 | 第30-38页 |
| ·引言 | 第30页 |
| ·数据驱动模型 | 第30-32页 |
| ·人工免疫网络aiNet | 第30-31页 |
| ·Fuzzy-ART神经网络 | 第31-32页 |
| ·多值免疫网络模型 | 第32页 |
| ·红外目标检测框架 | 第32-36页 |
| ·红外弱小目标检测框架 | 第33-34页 |
| ·单源红外目标检测框架 | 第34-35页 |
| ·红外与可见光协同目标检测框架 | 第35-36页 |
| ·本章小结 | 第36-38页 |
| 第三章 基于分数阶积分算子的红外弱小目标增强 | 第38-46页 |
| ·引言 | 第38页 |
| ·分数阶积分 | 第38-39页 |
| ·分数阶积分增强 | 第39-42页 |
| ·分数阶积分用于图像处理 | 第39-41页 |
| ·分数阶积分用于红外背景抑制 | 第41-42页 |
| ·红外弱小目标增强 | 第42-43页 |
| ·实验结果与分析 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于自学习模型的单帧红外弱小目标检测 | 第46-68页 |
| ·引言 | 第46页 |
| ·基于aiNet背景抑制的单帧红外弱小目标检测方法 | 第46-58页 |
| ·单帧背景抑制 | 第47-51页 |
| ·基于行列k-means聚类的阈值分割 | 第51-52页 |
| ·实验结果与分析 | 第52-58页 |
| ·本节小结 | 第58页 |
| ·基于Fuzzy-ART背景抑制的单帧红外弱小目标检测 | 第58-68页 |
| ·单帧背景抑制 | 第59-61页 |
| ·基于行列模糊聚类的自适应分割 | 第61-62页 |
| ·实验结果与分析 | 第62-66页 |
| ·本节小结 | 第66-68页 |
| 第五章 基于时空协同框架的红外运动目标检测 | 第68-84页 |
| ·引言 | 第68-69页 |
| ·背景抑制 | 第69-72页 |
| ·背景帧提取 | 第69-70页 |
| ·背景杂波抑制 | 第70-72页 |
| ·目标定位 | 第72-74页 |
| ·目标检测 | 第74-76页 |
| ·局部目标检测 | 第74-75页 |
| ·目标轮廓精准化 | 第75-76页 |
| ·实验结果与分析 | 第76-83页 |
| ·定性评价 | 第76-77页 |
| ·定量评价 | 第77-83页 |
| ·本章小结 | 第83-84页 |
| 第六章 基于多值免疫网络的红外与可见光协同目标检测 | 第84-94页 |
| ·引言 | 第84页 |
| ·协同检测模型 | 第84-85页 |
| ·红外与可见光协同目标检测 | 第85-88页 |
| ·实验结果与分析 | 第88-91页 |
| ·定性分析 | 第88-89页 |
| ·定量分析 | 第89-91页 |
| ·本章小结 | 第91-94页 |
| 第七章 总结与展望 | 第94-98页 |
| ·全文工作总结 | 第94-96页 |
| ·未来工作展望 | 第96-98页 |
| 参考文献 | 第98-106页 |
| 附录 | 第106-110页 |
| 致谢 | 第110页 |
