目錄
前言
圖像融合篇
第1章 圖像融合概述 3
1.1 圖像融合簡介 3
1.2 紅外與可見光圖像配準及融合研究現(xiàn)狀 4
1.2.1 圖像配準技術(shù)研究現(xiàn)狀 4
1.2.2 圖像融合技術(shù)研究現(xiàn)狀 5
1.3 成像特性分析 6
1.3.1 紅外成像特性 6
1.3.2 可見光成像特性 7
1.3.3 紅外與可見光圖像特性對比 7
1.4 圖像配準基本理論 8
1.4.1 空間變換模型 8
1.4.2 圖像配準方法 10
1.4.3 配準效果評價標準 12
1.5 圖像融合基本理論 13
1.5.1 圖像融合層次劃分 13
1.5.2 圖像融合方法 14
1.5.3 融合效果評價標準 20
1.6 本篇主要研究內(nèi)容 23
第2章 基于形態(tài)學邊緣檢測與改進ORB的圖像配準 25
2.1 引言 25
2.2 算法框架 26
2.2.1 形態(tài)學邊緣檢測 26
2.2.2 改進的ORB算法 28
2.2.3 特征點提取、描述與匹配 28
2.3 基于GMS與PROSAC的雙重誤匹配剔除 31
2.3.1 基于GMS的誤匹配剔除 31
2.3.2 基于PROSAC的二次誤匹配剔除 33
2.4 仿真實驗與結(jié)果分析 33
2.4.1 實驗仿真結(jié)果 33
2.4.2 配準結(jié)果分析 36
2.5 本章小結(jié) 37
第3章 基于NSDTCT與自適應(yīng)分塊的圖像融合 38
3.1 引言 38
3.2 相關(guān)理論 39
3.2.1 NSDTCT 39
3.2.2 果蠅優(yōu)化算法 40
3.3 融合步驟與策略 41
3.3.1 融合方案 41
3.3.2 基于FOA算法優(yōu)化的自適應(yīng)分塊 42
3.3.3 標簽圖的產(chǎn)生過程 44
3.3.4 高頻分量融合策略 46
3.4 仿真實驗與結(jié)果分析 47
3.4.1 實驗參數(shù)設(shè)置 47
3.4.2 仿真結(jié)果分析 48
3.5 本章小結(jié) 52
第4章 基于IHS變換與目標增強的圖像融合 53
4.1 引言 53
4.2 融合步驟 54
4.2.1 融合方案 54
4.2.2 IHS色彩空間變換 54
4.2.3 基于RPCA的目標增強 55
4.3 仿真實驗與結(jié)果分析 57
4.3.1 仿真條件 57
4.3.2 實驗結(jié)果及分析 57
4.4 本章小結(jié) 59
本篇小結(jié) 60
目標識別篇
第5章 SAR圖像自動目標識別概述 63
5.1 SAR圖像自動目標識別簡介 63
5.2 SAR圖像自動目標識別研究現(xiàn)狀 64
5.2.1 目標檢測 64
5.2.2 目標鑒別 65
5.2.3 目標識別 66
5.3 本篇主要研究內(nèi)容 67
第6章 基于自適應(yīng)篩選快速CFAR算法的目標檢測 69
6.1 引言 69
6.2 雙參數(shù)CFAR算法在多目標環(huán)境下的性能研究 69
6.2.1 雙參數(shù)CFAR算法 69
6.2.2 參考窗內(nèi)包含目標像素的影響理論推導 71
6.2.3 參考窗內(nèi)包含目標像素的影響仿真研究 71
6.3 自適應(yīng)篩選快速CFAR算法流程 73
6.3.1 參考窗口像素的自適應(yīng)篩選 73
6.3.2 自適應(yīng)篩選仿真實驗 75
6.3.3 區(qū)域閾值的可行性分析 77
6.4 實驗驗證 78
6.4.1 實驗設(shè)置 78
6.4.2 實驗結(jié)果及分析 78
6.5 本章小結(jié) 80
第7章 基于Krawtchouk矩特征的目標鑒別 81
7.1 引言 81
7.2 SAR圖像的Krawtchouk矩特征提取 81
7.2.1 Krawtchouk矩 81
7.2.2 基于信息系數(shù)的特征選擇 82
7.3 代價敏感神經(jīng)網(wǎng)絡(luò)分類器設(shè)計 83
7.3.1 多隱層神經(jīng)網(wǎng)絡(luò) 83
7.3.2 非均等代價函數(shù) 84
7.4 實驗驗證 84
7.4.1 實驗設(shè)置 84
7.4.2 評價指標 85
7.4.3 實驗結(jié)果及分析 86
7.5 本章小結(jié) 90
第8章 基于卷積神經(jīng)網(wǎng)絡(luò)和深度學習的目標識別 91
8.1 引言 91
8.2 卷積神經(jīng)網(wǎng)絡(luò)目標識別流程 91
8.3 改進的特征提取網(wǎng)絡(luò)結(jié)構(gòu) 92
8.3.1 特征提取網(wǎng)絡(luò)的結(jié)構(gòu) 92
8.3.2 卷積神經(jīng)網(wǎng)絡(luò)對噪聲的抑制 93
8.4 優(yōu)化的Softmax分類器 94
8.4.1 正則化項 94
8.4.2 dropout原理 95
8.5 卷積神經(jīng)網(wǎng)絡(luò)目標識別實驗驗證 96
8.5.1 實驗設(shè)置 96
8.5.2 實驗結(jié)果及分析 98
8.6 基于深度學習的目標檢測框架 101
8.6.1 Faster-RCNN目標檢測框架 101
8.6.2 SSD目標檢測框架 102
8.7 針對SAR圖像的檢測框架研究 103
8.7.1 預訓練模型 103
8.7.2 零均值規(guī)整化 103
8.8 深度學習目標檢測實驗驗證 104
8.8.1 實驗設(shè)置 104
8.8.2 實驗結(jié)果及分析 105
8.9 本章小結(jié) 109
本篇小結(jié) 110
目標跟蹤篇
第9章 目標跟蹤概述 113
9.1 目標跟蹤簡介 113
9.2 目標跟蹤研究現(xiàn)狀 114
9.2.1 生成式跟蹤方法 114
9.2.2 判別式跟蹤方法 118
9.3 本篇主要研究內(nèi)容 121
第10章 相關(guān)濾波目標跟蹤基礎(chǔ)理論 123
10.1 引言 123
10.2 背景感知相關(guān)濾波目標跟蹤方法 123
10.2.1 標準相關(guān)濾波目標跟蹤方法 123
10.2.2 背景感知相關(guān)濾波器 124
10.2.3 尺度估計 126
10.3 進一步改進優(yōu)化方向 127
10.4 實驗數(shù)據(jù)與評價指標 128
10.4.1 數(shù)據(jù)集 128
10.4.2 評價指標 130
10.5 本章小結(jié) 132
第11章 時空感知相關(guān)濾波器 133
11.1 引言 133
11.2 時空感知相關(guān)濾波器模板訓練 133
11.3 時空感知相關(guān)濾波器方法步驟 136
11.4 時空感知相關(guān)濾波器實驗與分析 137
11.4.1 對比實驗設(shè)置 137
11.4.2 數(shù)據(jù)集 137
11.4.3 實驗具體參數(shù)設(shè)置 138
11.4.4 實驗結(jié)果及分析 138
11.5 特征選擇 146
11.5.1 人工特征 146
11.5.2 深度特征 148
11.5.3 自適應(yīng)特征選擇 149
11.6 自適應(yīng)特征選擇實驗與分析 151
11.6.1 對比實驗設(shè)置 151
11.6.2 測試數(shù)據(jù)集 151
11.6.3 實驗具體參數(shù)設(shè)置 151
11.6.4 實驗結(jié)果及分析 151
11.7 本章小結(jié) 155
第12章 長時目標跟蹤 157
12.1 引言 157
12.2 EdgeBoxes候選區(qū)域提取 158
12.3 結(jié)構(gòu)化支持向量機 160
12.4 自適應(yīng)目標重檢測 161
12.5 自適應(yīng)目標重檢測方法步驟 162
12.6 自適應(yīng)目標重檢測實驗與分析 163
12.6.1 對比實驗設(shè)置 163
12.6.2 數(shù)據(jù)集 164
12.6.3 實驗具體參數(shù)設(shè)置 164
12.6.4 實驗分析 164
12.7 長時目標跟蹤框架及目標尺度估計 166
12.8 長時目標跟蹤方法步驟 167
12.9 長時目標跟蹤實驗與分析 168
12.9.1 實驗數(shù)據(jù) 168
12.9.2 對比實驗設(shè)置 168
12.9.3 實驗設(shè)置 169
12.9.4 定量分析 169
12.9.5 定性分析 189
12.10 本章小結(jié) 192
本篇小結(jié) 194
參考文獻 195
彩圖