红外成像森林防火图像处理关键技术研究
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 森林防火研究现状 | 第9-13页 |
| 1.2.1 森林防火采用的监测方法 | 第9-10页 |
| 1.2.2 红外成像森林防火现状 | 第10-13页 |
| 1.3 本文的主要研究内容 | 第13-17页 |
| 1.3.1 论文主要内容 | 第13-14页 |
| 1.3.2 论文结构安排 | 第14-17页 |
| 第2章 课题用到的神经网络相关基本理论 | 第17-23页 |
| 2.1 PCNN | 第17-19页 |
| 2.2 简化的PCNN模型 | 第19-20页 |
| 2.3 BP神经网络 | 第20-22页 |
| 2.3.1 BP神经网络模型结构与原理 | 第20-21页 |
| 2.3.2 BP神经网络的特点 | 第21页 |
| 2.3.3 BP神经网络的主要功能 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 红外林区火源图像的降噪和分割 | 第23-41页 |
| 3.1 噪声分类和特点 | 第23-24页 |
| 3.2 图像噪声滤除方法 | 第24-26页 |
| 3.2.1 传统的滤波方法 | 第24-25页 |
| 3.2.2 新兴的滤波方法 | 第25-26页 |
| 3.3 噪声滤除质量评价 | 第26页 |
| 3.4 基于简化PCNN模型的图像降噪 | 第26-33页 |
| 3.4.1 神经元连接强度的确定 | 第27-28页 |
| 3.4.2 阈值的衰减指数及幅度的确定 | 第28-29页 |
| 3.4.3 实验及数据分析 | 第29-32页 |
| 3.4.4 PCNN滤波结论 | 第32-33页 |
| 3.5 红外图像分割 | 第33-38页 |
| 3.5.1 常用的分割方法 | 第33-34页 |
| 3.5.2 林区红外图像分割 | 第34-38页 |
| 3.6 本章小结 | 第38-41页 |
| 第4章 林区红外弱小目标检测 | 第41-53页 |
| 4.1 构建林区红外弱小目标序列图像模型 | 第41-42页 |
| 4.2 弱小目标图像检测方法 | 第42页 |
| 4.3 林区弱小火源目标单帧图像检测方法 | 第42-46页 |
| 4.3.1 基于全局灰度门限的单帧检测 | 第42-43页 |
| 4.3.2 基于结构元素的单帧图像检测 | 第43-46页 |
| 4.4 林区弱小火源目标序列图像检测方法 | 第46-51页 |
| 4.4.1 管道滤波 | 第47页 |
| 4.4.2 算法描述 | 第47-48页 |
| 4.4.3 实验与分析 | 第48-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第5章 近距离有形状火源红外目标的识别 | 第53-67页 |
| 5.1 特征提取的目的和选择的原则 | 第54页 |
| 5.2 近距离有形状火源焰目标的特征提取 | 第54-59页 |
| 5.3 特征冗余消除及选择 | 第59-61页 |
| 5.4 智能识别器 | 第61-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 缩略语词汇表 | 第73-75页 |
| 致谢 | 第75-77页 |
| 攻读学位期间的研究成果 | 第77页 |
