發(fā)布時(shí)間：2023-03-18 21:35

　　光學(xué)遙感圖像海面艦船目標(biāo)檢測(cè)無(wú)論是在民用還是軍事方面都具有十分重要的意義。在民用方面能夠用于海運(yùn)交通,漁業(yè)管理,輔助遇難船只海洋救援等。在軍事方面能夠用于監(jiān)視敵方重點(diǎn)港口的海域艦船部署與動(dòng)態(tài),評(píng)估戰(zhàn)時(shí)海上打擊效果等。然而,由于遙感圖像拍攝幅度大,距離遠(yuǎn),成像環(huán)境復(fù)雜,給目標(biāo)檢測(cè)帶來(lái)一定的困難。首先,艦船檢測(cè)易受云霧,海島,海雜波等復(fù)雜背景的干擾,導(dǎo)致檢測(cè)正確率低,虛警率高。其次,艦船目標(biāo)尺寸多變,朝向不固定,帶有尾跡,與背景具有較低的對(duì)比度。為了提高艦船檢測(cè)的效率和精度,本文圍繞候選區(qū)域提取,圖像分割,特征提取等技術(shù),采取由粗到細(xì)的檢測(cè)機(jī)制設(shè)計(jì)了一系列快速有效的遙感圖像艦船檢測(cè)算法:1)為了能夠在大幅海面上快速搜索到感興趣區(qū)域,引入了視覺(jué)顯著性算法來(lái)達(dá)到初步篩選出疑似目標(biāo)區(qū)域的目的。當(dāng)前存在的顯著性算法多是針對(duì)自然圖像設(shè)計(jì)的,無(wú)法完全適用于遙感圖像。本文根據(jù)自然場(chǎng)景和人造目標(biāo)在局部統(tǒng)計(jì)特征方面的差異,設(shè)計(jì)了適用于遙感圖像海面背景的視覺(jué)顯著性算法,采用多尺度特征和多層元胞自動(dòng)機(jī)融合等技術(shù)來(lái)解決目標(biāo)尺寸多變的問(wèn)題。該算法能夠在一定程度上抑制云霧,海雜波,海島等自然背景的干擾,增強(qiáng)了目標(biāo)整體...

【文章頁(yè)數(shù)】：141 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 可見(jiàn)光遙感圖像艦船目標(biāo)檢測(cè)研究現(xiàn)狀
        1.2.1 遙感數(shù)據(jù)源介紹
        1.2.2 艦船目標(biāo)檢測(cè)研究現(xiàn)狀
    1.3 艦船目標(biāo)檢測(cè)困難點(diǎn)
        1.3.1 環(huán)境干擾
        1.3.2 目標(biāo)本身因素
        1.3.3 其他困難點(diǎn)
    1.4 本文主要研究?jī)?nèi)容及章節(jié)安排
        1.4.1 本文主要研究?jī)?nèi)容
        1.4.2 章節(jié)安排
        1.4.3 論文組織架構(gòu)
第2章 可見(jiàn)光遙感圖像艦船目標(biāo)檢測(cè)關(guān)鍵技術(shù)
    2.1 引言
    2.2 視覺(jué)顯著性模型
        2.2.1 常用顯著性算法
        2.2.2 顯著性模型小結(jié)
    2.3 邊緣檢測(cè)模型
        2.3.1 常用邊緣檢測(cè)算法
        2.3.2 邊緣檢測(cè)小結(jié)
    2.4 艦船目標(biāo)主方向提取模型
        2.4.1 常用艦船目標(biāo)主軸方向提取算法
        2.4.2 主方向提取小結(jié)
    2.5 基于手工特征提取和分類(lèi)器設(shè)計(jì)的艦船確認(rèn)方法
        2.5.1 常用特征提取算法
        2.5.2 常用分類(lèi)器模型
    2.6 卷積神經(jīng)網(wǎng)絡(luò)
        2.6.1 CNN基本組件
        2.6.2 基于CNN的圖像分類(lèi)經(jīng)典結(jié)構(gòu)
    2.7 本章小結(jié)
第3章 基于統(tǒng)計(jì)特征顯著性的疑似艦船區(qū)域的檢測(cè)
    3.1 引言
    3.2 顯著圖構(gòu)建
    3.3 顯著圖融合
    3.4 基于閾值分割的候選區(qū)域提取
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 數(shù)據(jù)集介紹
        3.5.2 顯著圖主觀比較
        3.5.3 顯著圖客觀比較
        3.5.4 不同顯著性模型運(yùn)行時(shí)間比較
    3.6 本章小結(jié)
第4章 基于邊緣和紋理聯(lián)合特征的虛警鑒別技術(shù)
    4.1 引言
    4.2 基于徑向梯度的形狀特征提取
    4.3 基于區(qū)域協(xié)方差的紋理特征提取
    4.4 候選區(qū)域分類(lèi)器介紹
    4.5 實(shí)驗(yàn)結(jié)果與分析
    4.6 整體算法性能
    4.7 本章小結(jié)
第5章 基于多尺度分析和Fourier Hog特征的艦船檢測(cè)方法
    5.1 引言
    5.2 基于steerable pyramid顯著圖構(gòu)建
    5.3 基于圖分割的候選區(qū)域提取過(guò)程
    5.4 基于旋轉(zhuǎn)不變的艦船目標(biāo)特征描述方法
        5.4.1 基于Fourier級(jí)數(shù)的主方向提取
        5.4.2 基于Fourier Hog特征的艦船目標(biāo)確認(rèn)算法
    5.5 實(shí)驗(yàn)結(jié)果與分析
        5.5.1 數(shù)據(jù)集介紹
        5.5.2 顯著圖主觀和客觀比較
        5.5.3 虛警鑒別結(jié)果
        5.5.4 整體算法性能
    5.6 本章小結(jié)
第6章 基于深度學(xué)習(xí)的艦船目標(biāo)檢測(cè)方法研究
    6.1 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)發(fā)展概述
        6.1.1 兩步檢測(cè)器
        6.1.2 單步檢測(cè)器
    6.2 基于卷積神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)檢測(cè)
        6.2.1 網(wǎng)絡(luò)架構(gòu)
        6.2.2 損失函數(shù)
        6.2.3 非極大值抑制
        6.2.4 數(shù)據(jù)集聚類(lèi)結(jié)果
        6.2.5 實(shí)驗(yàn)結(jié)果
    6.3 本章小結(jié)
第7章 總結(jié)與展望
    7.1 全文工作總結(jié)
    7.2 論文創(chuàng)新點(diǎn)概述
    7.3 研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號(hào)：3763911