| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 图表清单 | 第8-9页 |
| 注释表 | 第9-10页 |
| 第一章 绪论 | 第10-16页 |
| ·红外小目标检测的研究意义 | 第10页 |
| ·红外小目标检测方法的国内外研究概况 | 第10-13页 |
| ·本文的主要研究工作 | 第13-16页 |
| ·本文的主要内容 | 第13-14页 |
| ·本文的主要创新点 | 第14-16页 |
| 第二章 基于改进支持向量机的红外小目标检测方法 | 第16-30页 |
| ·引言 | 第16页 |
| ·基于双树复数小波变换的图像去噪 | 第16-19页 |
| ·双树复数小波变换概述 | 第16-18页 |
| ·基于双树复数小波变换的阈值去噪方法 | 第18-19页 |
| ·支持向量机概述 | 第19-23页 |
| ·机器学习概述 | 第19-20页 |
| ·结构风险最小化 | 第20-21页 |
| ·支持向量机原理 | 第21-23页 |
| ·基于支持向量回归的背景预测 | 第23-26页 |
| ·支持向量回归的原理简介 | 第23-24页 |
| ·基于支持向量回归的背景预测步骤 | 第24页 |
| ·实验结果与分析 | 第24-26页 |
| ·基于模糊最小二乘支持向量机的背景预测 | 第26-28页 |
| ·用于背景预测的LS-SVM | 第26-27页 |
| ·模糊最小二乘支持向量机及其背景预测 | 第27页 |
| ·实验结果与分析 | 第27-28页 |
| ·本章小结 | 第28-30页 |
| 第三章 基于NSCT 和KFCM 多模型LS-SVM 的红外小目标检测 | 第30-37页 |
| ·引言 | 第30页 |
| ·基于非下采样Contourlet 变换的图像去噪 | 第30-32页 |
| ·非下采样Contourlet 变换概述 | 第30-31页 |
| ·基于非下采样Contourlet 变换的阈值去噪方法 | 第31-32页 |
| ·基于核模糊C 均值聚类的多模型LS-SVM 背景预测 | 第32-34页 |
| ·T-S 模糊模型 | 第32页 |
| ·输入空间的初始划分 | 第32-33页 |
| ·优化输入空间模糊划分 | 第33-34页 |
| ·多模型LS-SVM 建模回归 | 第34页 |
| ·实验结果与分析 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于混沌粒子群和最小一乘空时预测的红外小目标检测 | 第37-44页 |
| ·引言 | 第37页 |
| ·混沌粒子群优化算法 | 第37-39页 |
| ·基本粒子群概述 | 第37-38页 |
| ·混沌粒子群概述 | 第38-39页 |
| ·最小一乘空时背景预测 | 第39-40页 |
| ·最小一乘空时背景预测模型 | 第39页 |
| ·基于混沌粒子群优化的最小一乘空时背景预测步骤 | 第39-40页 |
| ·实验结果与分析 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 基于灰色预测的红外小目标检测 | 第44-48页 |
| ·引言 | 第44页 |
| ·基于灰色预测的背景预测 | 第44-46页 |
| ·灰色系统GM(1.1)预测模型 | 第44-45页 |
| ·基于灰色预测时域背景预测步骤 | 第45-46页 |
| ·实验结果与分析 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第六章 小目标残差图像的阈值分割算法 | 第48-54页 |
| ·引言 | 第48页 |
| ·基于模糊Tsallis-Havrda-Charvat 熵的阈值分割算法 | 第48-50页 |
| ·基于CPSO 模糊最大熵二维直方图斜分的阈值分割算法 | 第50-52页 |
| ·基于递归最大类间绝对差的阈值分割算法 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第七章 总结与展望 | 第54-57页 |
| ·本文的主要工作 | 第54-55页 |
| ·本文方法比较 | 第55-56页 |
| ·进一步的研究工作 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 在学期间的研究成果及发表的学术论文 | 第63页 |
