本文介紹了一種可見(jiàn)光條件下的基于卷積神經(jīng)網(wǎng)絡(luò)的艦船識(shí)別和統(tǒng)計(jì)系統(tǒng),該系統(tǒng)用來(lái)對(duì)于近海岸和港口的艦船進(jìn)行檢測(cè)和識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域有越來(lái)越廣泛的應(yīng)用,本文對(duì)卷積神經(jīng)網(wǎng)絡(luò)在艦船識(shí)別領(lǐng)域的可擴(kuò)展性進(jìn)行了研究,針對(duì)港口的云霧和海浪天氣對(duì)于艦船圖像識(shí)別的影響進(jìn)行了研究和實(shí)驗(yàn),目標(biāo)是實(shí)現(xiàn)一個(gè)檢測(cè)時(shí)間達(dá)到實(shí)時(shí)性要求,檢測(cè)準(zhǔn)確精準(zhǔn)的一個(gè)艦船檢測(cè)系統(tǒng)。本文的實(shí)驗(yàn)的場(chǎng)景是國(guó)內(nèi)的一些港口環(huán)境和一些近海岸區(qū)域,對(duì)監(jiān)測(cè)范圍內(nèi)的艦船進(jìn)行識(shí)別和統(tǒng)計(jì),同時(shí)設(shè)計(jì)一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的艦船識(shí)別統(tǒng)計(jì)系統(tǒng),為港口的管理部門(mén)提供可視化的界面,實(shí)現(xiàn)對(duì)港口和海岸艦船的智能管理,本文這篇論文的主要的工作有:(1)對(duì)于港口捕獲的艦船圖片中往往受云霧遮擋情況,提出了一種改進(jìn)的暗通道先驗(yàn)去霧算法,通過(guò)計(jì)算暗通道值修正導(dǎo)致顏色畸變的透射率計(jì)算問(wèn)題,然后進(jìn)行二段式圖像增強(qiáng)處理,從而提高圖像的視覺(jué)效果。同時(shí),通過(guò)降低3個(gè)顏色通道的高亮度值,用求均值的方法來(lái)對(duì)圖片進(jìn)行較好的去霧處理。在此基礎(chǔ)上對(duì)不符合暗通道的明亮區(qū)域進(jìn)行了改進(jìn),使得經(jīng)過(guò)處理后的圖片更加清晰自然,經(jīng)過(guò)處理的艦船圖片的特征更加明顯,對(duì)于后續(xù)使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)于艦船的識(shí)別和統(tǒng)計(jì)起到比較好的輔助的效果,這種預(yù)處理方法與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法提高了艦船檢測(cè)的精度。(2)基于艦船的形態(tài)學(xué)的特征,對(duì)于現(xiàn)有的卷積神將網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行了調(diào)整,使得調(diào)整后的網(wǎng)絡(luò)結(jié)構(gòu)更加適應(yīng)艦船識(shí)別的場(chǎng)景。對(duì)現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)整后的特征融合艦船檢測(cè)算法對(duì)于艦船的檢測(cè)和識(shí)別較直接使用現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)算法在檢測(cè)的精度上有比較大的提升。本文對(duì)于港口中最為常見(jiàn)的6種類(lèi)型的艦船進(jìn)行了實(shí)驗(yàn),分別收集了港口攝像頭采集的視頻及無(wú)人機(jī)捕獲的艦船圖片進(jìn)行檢測(cè)和識(shí)別,都得到了比較好的效果。(3)一種可見(jiàn)光條件下的基于卷積神經(jīng)網(wǎng)絡(luò)的艦船識(shí)別統(tǒng)計(jì)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。通過(guò)場(chǎng)景的識(shí)別提供不同的服務(wù),對(duì)于港口視頻和無(wú)人機(jī)航拍圖片兩種情況下進(jìn)行艦船的識(shí)別和統(tǒng)計(jì)并進(jìn)行了可視化顯示并可以提供港口的艦船的實(shí)時(shí)檢測(cè)統(tǒng)計(jì)功能。
【學(xué)位單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：U674.7;TP391.41;TP183
【部分圖文】：

像恢復(fù)技術(shù)和圖像增強(qiáng)技術(shù)是圖像處理的兩個(gè)分支響可以同時(shí)應(yīng)用圖像恢復(fù)技術(shù)和圖像增強(qiáng)技術(shù)，圖中進(jìn)行還原。圖像增強(qiáng)技術(shù)將目標(biāo)的顏色特征紋理以使圖片還原到比較清晰的狀態(tài)。本文去霧算法是，屬于一種圖像增強(qiáng)方法。集制作方法采集和制作是艦船識(shí)別流程中的第一步，用于后續(xù)選取的數(shù)據(jù)集圖像中艦船顏色明亮，輪廓清晰，背利于卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)艦船特征。用的是最為常用的采集數(shù)據(jù)方式，在網(wǎng)上爬蟲(chóng)了大人工的篩選，將模糊程度太大、有遮擋、特征不明經(jīng)過(guò)人工標(biāo)注，作為數(shù)據(jù)集。下圖兩張圖片為數(shù)據(jù)隨機(jī)把一部分劃歸測(cè)試集，其余劃歸訓(xùn)練集，圖 2圖片和無(wú)人機(jī)俯視抓拍圖片。

圖 2-3 無(wú)人機(jī)俯視抓拍圖片常用的四種聚類(lèi)算法進(jìn)行了闡述。不同的聚類(lèi)算法算法應(yīng)用比較廣泛，用于對(duì)數(shù)據(jù)進(jìn)行合理劃分。法基于原型，是樹(shù)形結(jié)構(gòu)，優(yōu)點(diǎn)是不用事先去人為法就需要），而且樹(shù)狀結(jié)構(gòu)有一定的便利性，可以4 展示了這種聚類(lèi)方法的示意圖[26] [27]。

圖 2-3 無(wú)人機(jī)俯視抓拍圖片2.4 聚類(lèi)算法本小節(jié)對(duì)常用的四種聚類(lèi)算法進(jìn)行了闡述。不同的聚類(lèi)算法針對(duì)不同關(guān)聯(lián)方式的數(shù)據(jù)。聚類(lèi)算法應(yīng)用比較廣泛，用于對(duì)數(shù)據(jù)進(jìn)行合理劃分。層次聚類(lèi)算法基于原型，是樹(shù)形結(jié)構(gòu)，優(yōu)點(diǎn)是不用事先去人為手動(dòng)的定一組 K值（K-Means 算法就需要），而且樹(shù)狀結(jié)構(gòu)有一定的便利性，可以清晰的看到聚類(lèi)的結(jié)果，圖 2-4 展示了這種聚類(lèi)方法的示意圖[26] [27]。
【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 劉揚(yáng);付征葉;鄭逢斌;;高分辨率遙感影像目標(biāo)分類(lèi)與識(shí)別研究進(jìn)展[J];地球信息科學(xué)學(xué)報(bào);2015年09期

2 楊驥;楊亞?wèn)|;梅雪;袁曉龍;袁宇浩;;基于改進(jìn)的限制對(duì)比度自適應(yīng)直方圖的視頻快速去霧算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2015年01期

3 謝娟英;馬箐;謝維信;;一種確定最佳聚類(lèi)數(shù)的新算法[J];陜西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

相關(guān)博士學(xué)位論文 前2條

1 王邦軍;多視圖特征融合方法研究[D];北京交通大學(xué);2018年

2 焦雪;基于視覺(jué)特性的圖形圖像分割算法研究[D];吉林大學(xué);2016年

相關(guān)碩士學(xué)位論文 前2條

1 崔旭東;HE和改進(jìn)MSRCR相結(jié)合的霧霾圖像增強(qiáng)研究[D];重慶師范大學(xué);2018年

2 劉智輝;基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別算法研究與實(shí)現(xiàn)[D];浙江理工大學(xué);2018年

本文編號(hào)：2888341