| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-27页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 视觉模型和信息学习研究现状 | 第14-25页 |
| 1.2.1 仿生视觉模型 | 第14-21页 |
| 1.2.2 复杂信息学习 | 第21-24页 |
| 1.2.3 夜视图像视觉建模和信息学习面临的问题 | 第24-25页 |
| 1.3 论文主要研究内容 | 第25-27页 |
| 2 基于局部稀疏结构降噪模型(LSSD)的微光图像增强 | 第27-48页 |
| 2.1 微光图像降噪问题 | 第27-28页 |
| 2.2 局部结构保持稀疏编码(LSPSc)及其核化(K-LSPSc)算法 | 第28-34页 |
| 2.2.1 局部结构保持稀疏编码LSPSc | 第28-30页 |
| 2.2.2 核化局部结构保持稀疏编码K-LSPSc | 第30-31页 |
| 2.2.3 编码实现 | 第31-34页 |
| 2.3 局部稀疏结构降噪模型(LSSD) | 第34-40页 |
| 2.3.1 局部稀疏结构字典生成、LSPSc/K-LSPSc稀疏量化和降噪 | 第35-37页 |
| 2.3.2 LSPSc/K-LSPSc和LSSD的降噪特性分析 | 第37-40页 |
| 2.4 实验结果与分析 | 第40-46页 |
| 2.4.1 LSSD参数设置 | 第41-43页 |
| 2.4.2 LSSD微光图像降噪性能分析 | 第43-46页 |
| 2.5 本章小结 | 第46-48页 |
| 3 基于非经典感受野模型(nCRF)的夜视图像显著轮廓提取 | 第48-76页 |
| 3.1 基于WKPCA同质度校正nCRF抑制模型的微光图像显著轮廓提取 | 第48-60页 |
| 3.1.1 WKPCA同质度校正nCRF抑制模型 | 第49-55页 |
| 3.1.2 微光图像显著轮廓提取实验分析 | 第55-60页 |
| 3.2 基于nCRF复合模型的复杂场景下夜视图像显著轮廓提取 | 第60-73页 |
| 3.2.1 nCRF复合调制模型 | 第61-69页 |
| 3.2.2 复杂场景下夜视图像显著轮廓提取实验分析 | 第69-73页 |
| 3.3 两种模型对降噪前后微光图像轮廓提取效果比较 | 第73-74页 |
| 3.4 本章小结 | 第74-76页 |
| 4 基于局部稀疏结构匹配模型(LSSM)的夜视目标鲁棒识别 | 第76-96页 |
| 4.1 夜视目标识别问题 | 第76-77页 |
| 4.2 局部稀疏结构匹配模型(LSSM) | 第77-85页 |
| 4.2.1 模板局部稀疏结构字典生成 | 第79页 |
| 4.2.2 LSPSc/K-LSPSc稀疏量化和目标概率提取 | 第79-81页 |
| 4.2.3 LSPSc/K-LSPSc和LSSM的目标识别特性分析 | 第81-85页 |
| 4.3 LSSM模型分析与夜视目标识别效果 | 第85-94页 |
| 4.3.1 LSSM参数设置 | 第86-87页 |
| 4.3.2 红外目标识别 | 第87-93页 |
| 4.3.3 微光目标识别 | 第93-94页 |
| 4.4 本章小结 | 第94-96页 |
| 5 基于复杂信息学习的多光谱夜视目标分类识别 | 第96-120页 |
| 5.1 基于SAM加权KEST算法的多光谱夜视目标检测 | 第96-105页 |
| 5.1.1 EST和KEST算法 | 第96-97页 |
| 5.1.2 SAM加权KEST算法(SKEST) | 第97-101页 |
| 5.1.3 多光谱异常目标检测实验分析 | 第101-105页 |
| 5.2 基于KML加权KLLE算法的大规模夜视目标降维分类 | 第105-118页 |
| 5.2.1 KML相似性度量 | 第105-107页 |
| 5.2.2 KML离群点概率加权的KLLE算法(KML-KLLE) | 第107-108页 |
| 5.2.3 大规模夜视图像集降维分类实验分析 | 第108-118页 |
| 5.3 本章小结 | 第118-120页 |
| 6 总结与展望 | 第120-122页 |
| 6.1 论文主要创新点总结 | 第120页 |
| 6.2 后期工作展望 | 第120-122页 |
| 致谢 | 第122-123页 |
| 参考文献 | 第123-136页 |
| 附录 | 第136-138页 |
