毫米波及太赫兹无源探测成像通道均衡与轮廓提取算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究动态 | 第11-17页 |
| 1.2.1 毫米波探测成像系统发展概述 | 第11-16页 |
| 1.2.2 轮廓特征匹配技术发展概况 | 第16-17页 |
| 1.3 本文主要工作及章节安排 | 第17-19页 |
| 第二章 毫米波及太赫兹无源探测成像技术理论基础 | 第19-29页 |
| 2.1 毫米波及太赫兹无源探测成像理论基础 | 第19-24页 |
| 2.1.1 物体的辐射特性 | 第19-20页 |
| 2.1.2 无源探测成像模型 | 第20-24页 |
| 2.2 图像均衡基本理论 | 第24-25页 |
| 2.2.1 最小均方误差算法(LMS) | 第24-25页 |
| 2.2.2 最陡下降算法 | 第25页 |
| 2.3 图像质量的评价指标 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 多通道成像图像均衡算法研究 | 第29-50页 |
| 3.1 焦平面多通道线阵非均匀性分析 | 第29-30页 |
| 3.2 典型的多通道成像图像均衡算法概述 | 第30-31页 |
| 3.3 基于两点定标的通道均衡算法 | 第31-33页 |
| 3.4 基于卡尔曼滤波的通道均衡算法 | 第33-39页 |
| 3.4.1 算法模型 | 第33-34页 |
| 3.4.2 传统的基于卡尔曼滤波的通道均衡算法 | 第34-36页 |
| 3.4.3 改进的基于卡尔曼滤波的图像均衡算法 | 第36-37页 |
| 3.4.4 算法实验与结果分析 | 第37-39页 |
| 3.5 基于神经网络的通道均衡算法 | 第39-49页 |
| 3.5.1 典型的基于神经网络的图像均衡算法 | 第39-42页 |
| 3.5.2 改进的基于神经网络的图像均衡算法 | 第42-44页 |
| 3.5.3 算法实验与结果分析 | 第44-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 图像轮廓提取及特征匹配算法研究 | 第50-73页 |
| 4.1 图像轮廓提取算法概述 | 第50-54页 |
| 4.1.1 典型的图像轮廓提取算法 | 第50-52页 |
| 4.1.2 传统阈值分割分析 | 第52-54页 |
| 4.2 改进的基于Canny算子的轮廓提取算法 | 第54-62页 |
| 4.2.1 基于最大熵的Canny算子边缘检测 | 第54-58页 |
| 4.2.2 最大类间方差阈值分割 | 第58-59页 |
| 4.2.3 自适应区域生长 | 第59-60页 |
| 4.2.4 算法实验与结果分析 | 第60-62页 |
| 4.3 基于形状上下文的轮廓特征匹配算法 | 第62-67页 |
| 4.3.1 典型轮廓匹配算法 | 第62-63页 |
| 4.3.2 形状上下文轮廓特征表示算法 | 第63-64页 |
| 4.3.3 基于薄板样条的特征匹配算法 | 第64-67页 |
| 4.4 改进的基于形状上下文的轮廓特征匹配算法 | 第67-72页 |
| 4.4.1 基于曲率尺度空间角点检测的轮廓粗匹配 | 第67-69页 |
| 4.4.2 算法实验与结果分析 | 第69-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 工作总结 | 第73页 |
| 5.2 工作展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间取得的成果 | 第80页 |
