红外弱小目标检测的核支持向量机方法研究
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第15-22页 |
| 1.1 课题研究背景及研究意义 | 第15页 |
| 1.2 红外弱小目标检测方法研究现状 | 第15-20页 |
| 1.2.1 “先检测后跟踪”类检测算法 | 第16-18页 |
| 1.2.2 “先跟踪后检测”类检测算法 | 第18-20页 |
| 1.3 论文主要工作 | 第20页 |
| 1.4 章节安排 | 第20-22页 |
| 2 小目标检测图像分析 | 第22-28页 |
| 2.1 红外图像模型及特点 | 第22-23页 |
| 2.2 小目标特点分析 | 第23-24页 |
| 2.3 背景特征分析 | 第24-27页 |
| 2.4 红外图像噪声特性分析 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 目标增强及背景抑制算法 | 第28-42页 |
| 3.1 目标增强算法 | 第28-33页 |
| 3.1.1 LoG算子 | 第29-31页 |
| 3.1.2 DoG算子 | 第31-32页 |
| 3.1.3 DoG和LoG的关系 | 第32-33页 |
| 3.1.4 DoGb算子 | 第33页 |
| 3.2 目标增强算法效果分析 | 第33-35页 |
| 3.3 阈值与图像分割 | 第35-41页 |
| 3.3.1 图像分割的定义 | 第36页 |
| 3.3.2 基于阈值的图像分割 | 第36-37页 |
| 3.3.3 自适应阈值方法 | 第37页 |
| 3.3.4 双阈值方法 | 第37-38页 |
| 3.3.5 阈值分割方法的优缺点 | 第38页 |
| 3.3.6 基于区域生长的图像分割 | 第38-41页 |
| 3.4 本章小节 | 第41-42页 |
| 4 基于KSVM的小目标识别方法 | 第42-51页 |
| 4.1 KSVM模型简介 | 第42-45页 |
| 4.2 红外小目标识别算法流程 | 第45-46页 |
| 4.3 本文算法与传统小目标检测算法的对比 | 第46-47页 |
| 4.4 对算法存在问题的探讨 | 第47-50页 |
| 4.4.1 阈值选取方案 | 第47-48页 |
| 4.4.2 去除重复点 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 实验结果与讨论 | 第51-60页 |
| 5.1 实验环境 | 第51-53页 |
| 5.2 不同滤波方式对识别效果的影响 | 第53-54页 |
| 5.3 LoG核中s参数对识别效果的影响 | 第54-55页 |
| 5.4 不同核函数对识别效果的影响 | 第55-57页 |
| 5.5 红外小目标识别算法对比分析 | 第57-59页 |
| 5.6 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 全文总结 | 第60页 |
| 6.2 未来工作 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 个人简历、在学校期间发表的学术论文与研究成果 | 第66页 |
