光學(xué)遙感圖像海面艦船目標(biāo)檢測無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)視敵方重點港口的海域艦船部署與動態(tài),評估戰(zhàn)時海上打擊效果等。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)檢測帶來一定的困難。首先,艦船檢測易受云霧,海島,海雜波等復(fù)雜背景的干擾,導(dǎo)致檢測正確率低,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比度。為了提高艦船檢測的效率和精度,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)的檢測機制設(shè)計了一系列快速有效的遙感圖像艦船檢測算法:1)為了能夠在大幅海面上快速搜索到感興趣區(qū)域,引入了視覺顯著性算法來達(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自然圖像設(shè)計的,無法完全適用于遙感圖像。本文根據(jù)自然場景和人造目標(biāo)在局部統(tǒng)計特征方面的差異,設(shè)計了適用于遙感圖像海面背景的視覺顯著性算法,采用多尺度特征和多層元胞自動機融合等技術(shù)來解決目標(biāo)尺寸多變的問題。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,增強了目標(biāo)整體...

【文章頁數(shù)】：141 頁

【學(xué)位級別】：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 可見光遙感圖像艦船目標(biāo)檢測研究現(xiàn)狀
        1.2.1 遙感數(shù)據(jù)源介紹
        1.2.2 艦船目標(biāo)檢測研究現(xiàn)狀
    1.3 艦船目標(biāo)檢測困難點
        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
    1.4 本文主要研究內(nèi)容及章節(jié)安排
        1.4.1 本文主要研究內(nèi)容
        1.4.2 章節(jié)安排
        1.4.3 論文組織架構(gòu)
第2章 可見光遙感圖像艦船目標(biāo)檢測關(guān)鍵技術(shù)
    2.1 引言
    2.2 視覺顯著性模型
        2.2.1 常用顯著性算法
        2.2.2 顯著性模型小結(jié)
    2.3 邊緣檢測模型
        2.3.1 常用邊緣檢測算法
        2.3.2 邊緣檢測小結(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器設(shè)計的艦船確認(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的圖像分類經(jīng)典結(jié)構(gòu)
    2.7 本章小結(jié)
第3章 基于統(tǒng)計特征顯著性的疑似艦船區(qū)域的檢測
    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 實驗結(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 不同顯著性模型運行時間比較
    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)域分類器介紹
    4.5 實驗結(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 實驗結(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)檢測方法研究
    6.1 基于深度學(xué)習(xí)的目標(biāo)檢測發(fā)展概述
        6.1.1 兩步檢測器
        6.1.2 單步檢測器
    6.2 基于卷積神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)檢測
        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)集聚類結(jié)果
        6.2.5 實驗結(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)新點概述
    7.3 研究展望
參考文獻(xiàn)
致謝
作者簡歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號：3763911