| 摘要 | 第5-7页 |
| Abstract | 第7-10页 |
| 第1章 绪论 | 第19-41页 |
| 1.1 研究背景及意义 | 第19-20页 |
| 1.2 遥感图像舰船目标检测分类 | 第20-31页 |
| 1.2.1 基于SAR图像的舰船目标检测 | 第20-24页 |
| 1.2.2 基于红外图像的舰船目标检测 | 第24-26页 |
| 1.2.3 基于多光谱图像的舰船目标检测 | 第26-27页 |
| 1.2.4 基于可见光遥感图像的舰船目标检测 | 第27-31页 |
| 1.3 基于可见光遥感图像舰船目标检测的研究现状 | 第31-35页 |
| 1.4 遥感图像海面目标检测面临的问题和挑战 | 第35-36页 |
| 1.5 本文主要研究内容 | 第36-39页 |
| 1.6 本文组织结构 | 第39-41页 |
| 第2章 可见光遥感图像舰船检测的基本问题与关键技术 | 第41-61页 |
| 2.1 引言 | 第41-42页 |
| 2.2 可见光遥感图像下的舰船目标 | 第42页 |
| 2.3 可见光遥感图像舰船目标检测的基本问题 | 第42-47页 |
| 2.3.1 背景复杂程度描述 | 第43-44页 |
| 2.3.2 舰船目标的形状特征 | 第44页 |
| 2.3.3 舰船目标的纹理颜色干扰问题 | 第44-45页 |
| 2.3.4 舰船目标旋转变化问题 | 第45-46页 |
| 2.3.5 其他问题及总结 | 第46-47页 |
| 2.4 视觉显著性模型理论及建模 | 第47-54页 |
| 2.4.1 自底向上的显著性模型 | 第47-53页 |
| 2.4.2 自顶向下的显著性模型 | 第53-54页 |
| 2.5 基于学习分类的目标检测方法 | 第54-59页 |
| 2.5.1 机器学习方法 | 第54-55页 |
| 2.5.2 深度学习方法 | 第55-59页 |
| 2.6 本章小结 | 第59-61页 |
| 第3章 基于多频域显著性模型的舰船目标搜索方法 | 第61-79页 |
| 3.1 引言 | 第61页 |
| 3.2 基于视觉显著性的海面目标检测流程 | 第61-62页 |
| 3.3 改进超复数频域变换模型 | 第62-67页 |
| 3.3.1 原始算法模型 | 第62-65页 |
| 3.3.2 改进模型 | 第65-67页 |
| 3.4 四元数傅里叶变换相位谱法模型 | 第67-69页 |
| 3.4.1 原始算法模型 | 第67-68页 |
| 3.4.2 改进模型 | 第68-69页 |
| 3.5 显著性图融合修正 | 第69-71页 |
| 3.6 灰度图像处理 | 第71页 |
| 3.7 潜在舰船目标区域预提取 | 第71-72页 |
| 3.8 实验结果与分析 | 第72-78页 |
| 3.8.1 遥感图像数据集构建 | 第72-73页 |
| 3.8.2 主观视觉比较 | 第73-76页 |
| 3.8.3 客观性能比较 | 第76-78页 |
| 3.9 本章小结 | 第78-79页 |
| 第4章 基于梯度方向特征的虚警鉴别方法 | 第79-101页 |
| 4.1 引言 | 第79页 |
| 4.2 目标切片提取 | 第79-80页 |
| 4.3 目标精细分割 | 第80-84页 |
| 4.3.1 GrabCut分割 | 第80-83页 |
| 4.3.2 目标切片自动精细分割 | 第83-84页 |
| 4.4 规则化目标切片 | 第84-90页 |
| 4.4.1 Hough变换 | 第84-86页 |
| 4.4.2 主成分分析 | 第86-87页 |
| 4.4.3 Radon变换 | 第87-90页 |
| 4.5 鉴别目标 | 第90-95页 |
| 4.5.1 HOG特征 | 第90-93页 |
| 4.5.2 目标梯度方向特征 | 第93-95页 |
| 4.5.3 虚警鉴别 | 第95页 |
| 4.6 实验结果与分析 | 第95-99页 |
| 4.6.1 目标鉴别后检测性能测试 | 第95-98页 |
| 4.6.2 放松因子值选择 | 第98-99页 |
| 4.7 本章小结 | 第99-101页 |
| 第5章 基于小波变换和多层级虚警鉴别的舰船检测方法 | 第101-121页 |
| 5.1 引言 | 第101页 |
| 5.2 小波变换理论 | 第101-102页 |
| 5.3 基于小波变换的显著性模型 | 第102-108页 |
| 5.3.1 多层级小波分解 | 第103-104页 |
| 5.3.2 计算特征图 | 第104-105页 |
| 5.3.3 全局显著图构建 | 第105-107页 |
| 5.3.4 显著图增强 | 第107-108页 |
| 5.4 多层级虚警鉴别 | 第108-112页 |
| 5.4.1 传统图像信息熵及其改进 | 第108-110页 |
| 5.4.2 熵阈值鉴别 | 第110-111页 |
| 5.4.3 像素分布判定 | 第111-112页 |
| 5.5 实验结果与分析 | 第112-120页 |
| 5.5.1 主观视觉比较 | 第112-115页 |
| 5.5.2 客观定量分析 | 第115-118页 |
| 5.5.3 整体检测结果评估 | 第118-120页 |
| 5.6 本章小结 | 第120-121页 |
| 第6章 基于深度学习的舰船目标自动检测与识别 | 第121-137页 |
| 6.1 引言 | 第121页 |
| 6.2 深度学习方法概述 | 第121-124页 |
| 6.2.1 基于候选区域的深度学习目标检测算法 | 第122-123页 |
| 6.2.2 基于回归方法的深度学习目标检测算法 | 第123-124页 |
| 6.3 基于卷积神经网络的舰船自动检测模型 | 第124-131页 |
| 6.3.1 检测模型 | 第124-127页 |
| 6.3.2 遥感数据集构建与标注 | 第127-129页 |
| 6.3.3 Linux平台下的网络配置 | 第129-130页 |
| 6.3.4 多尺度网络训练 | 第130-131页 |
| 6.4 目标检测结果及性能评估 | 第131-134页 |
| 6.5 本章小结 | 第134-137页 |
| 第7章 总结与展望 | 第137-141页 |
| 7.1 全文工作总结 | 第137-138页 |
| 7.2 论文主要创新点 | 第138-139页 |
| 7.3 研究展望 | 第139-141页 |
| 参考文献 | 第141-153页 |
| 附录 英文缩略词列表 | 第153-157页 |
| 致谢 | 第157-159页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第159-160页 |