微光圖像是一種在低照度(小于10^-3勒克斯)環(huán)境下探測(cè)得到的圖像,目前在軍用夜視、安防、遙感等諸多領(lǐng)域發(fā)揮著重要作用。由于探測(cè)環(huán)境照度低、光線暗,微光圖像也不可避免地存在低亮度與低對(duì)比度問題,噪聲嚴(yán)重時(shí)會(huì)遮擋圖像中目標(biāo)細(xì)節(jié)信息,無論是主觀評(píng)價(jià)還是算法處理都無法進(jìn)一步的識(shí)別目標(biāo)。本文以微光圖像為研究對(duì)象,首先搭建微光成像系統(tǒng)實(shí)現(xiàn)了圖像獲取,其次為了改善微光圖像的視覺效果,研究相關(guān)去噪及增強(qiáng)算法,最后基于深度學(xué)習(xí)理論實(shí)現(xiàn)微光圖像內(nèi)目標(biāo)的識(shí)別檢測(cè)。本文主要研究?jī)?nèi)容如下所示:1. 為了獲取微光圖像,研究了光子計(jì)數(shù)成像理論,建立模型計(jì)算出目標(biāo)光子反射后被探測(cè)到的概率及數(shù)量。硬件上設(shè)計(jì)搭建了以MPPC（Multi-Pixel Photon Counter）為核心的微光成像系統(tǒng),主要由MPPC探測(cè)器、步進(jìn)電機(jī)、二維電控導(dǎo)軌、計(jì)算機(jī)、光纖等組成。軟件上編寫了光子數(shù)采集程序以及可視化界面,實(shí)時(shí)顯示光子數(shù)采集情況。通過控制步進(jìn)電機(jī)使二維電控導(dǎo)軌移動(dòng),逐行逐列的掃描被測(cè)目標(biāo),對(duì)目標(biāo)光場(chǎng)在時(shí)間、空間上高精度采樣和反演計(jì)算得到微光圖像。2. 微光圖像存在亮度對(duì)比度低、噪聲等問題,因此提出一... 

【文章來源】：山東理工大學(xué)山東省

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景與意義
    1.2 深度學(xué)習(xí)目標(biāo)識(shí)別技術(shù)研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
第二章 基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)理論
    2.1 深度學(xué)習(xí)概述
    2.2 深度學(xué)習(xí)優(yōu)化策略
        2.2.1 隨機(jī)梯度下降
        2.2.2 正則化
        2.2.3 學(xué)習(xí)率衰減
    2.3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.1 卷積層
        2.3.2 激活層
        2.3.3 池化層
        2.3.4 全連接層
    2.4 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程
    2.5 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別檢測(cè)算法
        2.5.1 區(qū)域建議類算法
        2.5.2 回歸類算法
    2.6 本章小結(jié)
第三章 改進(jìn)塊匹配濾波算法的微光圖像去噪研究
    3.1 微光成像系統(tǒng)設(shè)計(jì)
        3.1.1 基于光子計(jì)數(shù)的微光成像原理
        3.1.2 微光成像系統(tǒng)硬件設(shè)計(jì)
        3.1.3 微光成像系統(tǒng)軟件設(shè)計(jì)
    3.2 改進(jìn)塊匹配濾波算法的微光圖像去噪與增強(qiáng)
        3.2.1 微光圖像噪聲分析
        3.2.2 算法整體框架
        3.2.3 非下采樣contourlet變換
        3.2.4 高低頻子帶系數(shù)處理
        3.2.5 塊匹配3D濾波算法及改進(jìn)
        3.2.6 實(shí)驗(yàn)仿真與分析
    3.3 本章小結(jié)
第四章 基于Faster R-CNN的車輛識(shí)別檢測(cè)方法
    4.1 圖像數(shù)據(jù)集建立
        4.1.1 數(shù)據(jù)集劃分
        4.1.2 數(shù)據(jù)集增強(qiáng)
        4.1.3 基于Label Img的目標(biāo)標(biāo)注
    4.2 深度學(xué)習(xí)環(huán)境搭建
        4.2.1 環(huán)境配置清單
        4.2.2 基于Tensorflow的環(huán)境搭建過程
    4.3 Faster R-CNN檢測(cè)原理
        4.3.1 錨框機(jī)制
        4.3.2 RPN區(qū)域建議網(wǎng)絡(luò)
    4.4 改進(jìn)Faster R-CNN框架
        4.4.1 多尺度特征融合
        4.4.2 RPN聚類網(wǎng)絡(luò)
        4.4.3 損失函數(shù)改進(jìn)
        4.4.4 困難樣本挖掘
    4.5 算法性能評(píng)價(jià)指標(biāo)
        4.5.1 mAP
        4.5.2 IoU
    4.6 實(shí)驗(yàn)結(jié)果分析
        4.6.1 相同場(chǎng)景下識(shí)別檢測(cè)效果對(duì)比
        4.6.2 單張圖像的檢測(cè)時(shí)間對(duì)比
        4.6.3 不同策略對(duì)訓(xùn)練網(wǎng)絡(luò)的影響
        4.6.4 聚類參數(shù)選取
    4.7 本章小結(jié)
第五章 總結(jié)和展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
在讀期間公開發(fā)表的論文
致謝



本文編號(hào)：3013988