| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第1章 绪论 | 第16-25页 |
| 1.1 本文研究背景与意义 | 第16-18页 |
| 1.2 国内外相关技术研究现状及发展趋势 | 第18-23页 |
| 1.2.1 红外探测器的研究与发展 | 第18-20页 |
| 1.2.2 红外图像非均匀性校正的研究与发展 | 第20-21页 |
| 1.2.3 红外图像目标识别技术的研究与发展 | 第21-23页 |
| 1.3 本文研究内容与结构 | 第23-25页 |
| 第2章 基于FPGA与DSP的信号处理模块硬件结构设计 | 第25-51页 |
| 2.1 硬件系统总体设计 | 第25-29页 |
| 2.2 FPGA芯片简介 | 第29-31页 |
| 2.2.1 FPGA芯片的选型 | 第30页 |
| 2.2.2 FPGA芯片XC7K325T性能 | 第30-31页 |
| 2.3 DSP芯片简介 | 第31-33页 |
| 2.3.1 DSP芯片的选型 | 第31-32页 |
| 2.3.2 DSP芯片TMS320C6657性能 | 第32-33页 |
| 2.4 SRIOIP核原理与设计 | 第33-42页 |
| 2.4.1 SRIO协议结构 | 第33-36页 |
| 2.4.2 基于DSP与FPGA的SRIO设计 | 第36-42页 |
| 2.5 DDR3外部存储器设计 | 第42-48页 |
| 2.5.1 DDR3原理概述 | 第42-44页 |
| 2.5.2 DDR3IP核设计与实现 | 第44-48页 |
| 2.6 系统实验成像与性能 | 第48-49页 |
| 2.7 本章小结 | 第49-51页 |
| 第3章 基于神经网络的红外图像非均匀性校正算法 | 第51-75页 |
| 3.1 红外图像非均匀性 | 第51-54页 |
| 3.1.1 探测器响应模型 | 第51页 |
| 3.1.2 非均匀性来源 | 第51-52页 |
| 3.1.3 非均匀性度量 | 第52-54页 |
| 3.2 常用的非均匀性校正方法 | 第54-57页 |
| 3.2.1 两点校正法 | 第54-55页 |
| 3.2.2 时域高通滤波法 | 第55-57页 |
| 3.3 BP神经网络非均匀性校正算法 | 第57-62页 |
| 3.3.1 BP神经网络原理 | 第57-59页 |
| 3.3.2 传统BP神经网络非均匀性校正算法 | 第59-62页 |
| 3.4 改进的神经网络非均匀性校正算法 | 第62-65页 |
| 3.4.1 梯度相似度权值滤波 | 第62-63页 |
| 3.4.2 梯度加权参数规整损失函数 | 第63-65页 |
| 3.4.3 梯度自适应迭代步长 | 第65页 |
| 3.5 非均匀性校正算法校正结果与分析 | 第65-71页 |
| 3.6 非均匀性校正算法硬件实现与结果 | 第71-74页 |
| 3.6.1 算法硬件实现 | 第71-72页 |
| 3.6.2 硬件实现校正效果 | 第72-74页 |
| 3.7 本章小结 | 第74-75页 |
| 第4章 基于Faster-Rcnn的红外图像识别 | 第75-92页 |
| 4.1 卷积神经网络算法原理 | 第75-80页 |
| 4.1.1 网络基本结构 | 第75-77页 |
| 4.1.2 卷积神经网络算法模型 | 第77-80页 |
| 4.2 FasterRCNN算法 | 第80-87页 |
| 4.2.1 算法基本结构 | 第80-82页 |
| 4.2.2 算法关键技术 | 第82-87页 |
| 4.3 软件平台搭建与训练 | 第87-88页 |
| 4.3.1 软件平台搭建 | 第87页 |
| 4.3.2 算法训练流程 | 第87-88页 |
| 4.4 试验结果与分析 | 第88-91页 |
| 4.5 本章小结 | 第91-92页 |
| 第5章 论文总结与展望 | 第92-95页 |
| 5.1 本文工作总结 | 第92-93页 |
| 5.2 进一步工作展望 | 第93-95页 |
| 参考文献 | 第95-100页 |
| 附录A 探测器信号处理模块实物图 | 第100-102页 |
| 致谢 | 第102-104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104页 |