目標從毫米波雷達進入近地面光學系統(tǒng)探測范圍時,目標2D圖像信息成為戰(zhàn)場情報的關(guān)鍵。然而,大氣中的湍流、分子和氣溶膠等光傳輸介質(zhì)使得近地面遠距離成像系統(tǒng)獲取的目標圖像發(fā)生模糊、幾何畸變、紋理缺失等退化降質(zhì)。為提高該類近地面遠距離成像場景下的擴展目標檢測與識別能力,本文圍繞擴展目標識別的關(guān)鍵技術(shù)展開研究。首先,采用預處理手段增強目標圖像和去除湍流幾何畸變。接著,針對運動的暗弱擴展目標提出了有效的檢測算法。在以上預處理和檢測算法獲取較為完備的動靜態(tài)輪廓形狀目標基礎(chǔ)上,改進了方向形狀上下文匹配算法以提高遠距離湍流雜波場景下的點集形狀擴展目標匹配識別精度,同時還針對湍流形變輪廓擴展目標提出了融合輪廓形狀關(guān)鍵點結(jié)構(gòu)和熱核特征的分類識別算法。具體研究工作可分為以下五個方面:（1）提出了一種無需任何先驗信息的自適應全尺度Retinex（AFSR）目標圖像增強算法。與傳統(tǒng)復原方法需依靠自然成像場景中的海量數(shù)據(jù)和先驗知識來構(gòu)建數(shù)學模型或者深度網(wǎng)絡模型不同,所提方法無需先驗信息便可利用圖像光傳輸透射率自適應地引導構(gòu)建全尺度環(huán)繞函數(shù),改進了傳統(tǒng)Retinex方法不能表征深度光照信息以及手調(diào)尺度參數(shù)的缺點。同時... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：155 頁

【學位級別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 目標檢測與識別研究現(xiàn)狀
        1.2.1 圖像清晰化預處理
        1.2.2 幾何畸變校正預處理
        1.2.3 目標檢測算法
        1.2.4 目標識別算法
    1.3 成像特性分析
        1.3.1 模糊退化圖像特性
        1.3.2 湍流退化圖像特性
    1.4 面臨的主要問題
    1.5 研究內(nèi)容及技術(shù)路線
    1.6 本文組織結(jié)構(gòu)
第二章 低秩矩陣分解與形狀不變特征表示理論基礎(chǔ)
    2.1 低秩矩陣分解
        2.1.1 相關(guān)定義
        2.1.2 矩陣分解原理
        2.1.3 低秩矩陣恢復方法
    2.2 形狀不變特征表示與識別原理
        2.2.1 形狀上下文特征
        2.2.2 熱核特征
        2.2.3 基于特征匹配的目標識別
        2.2.4 基于分類器模型的目標識別
    2.3 小結(jié)
第三章 基于自適應全尺度Retinex的擴展目標圖像增強
    3.1 概述
    3.2 圖像清晰化模型
        3.2.1 光學傳輸模型
        3.2.2 Retinex原理
    3.3 自適應全尺度Retinex算法
        3.3.1 算法數(shù)學模型
        3.3.2 算法優(yōu)化
        3.3.3 算法魯棒性分析
        3.3.4 算法流程
    3.4 實驗結(jié)果及分析
        3.4.1 實驗數(shù)據(jù)及評價指標
        3.4.2 薄膜衍射成像系統(tǒng)的擴展目標圖像增強
        3.4.3 背光圖像和夜間模糊圖像增強
        3.4.4 圖像增強預處理后的擴展目標檢測
    3.5 小結(jié)
第四章 基于自適應混合高斯空間分解的擴展目標幾何畸變校正
    4.1 概述
    4.2 湍流退化圖像序列統(tǒng)計模型
        4.2.1 湍流前景統(tǒng)計模型
        4.2.2 低秩背景模型
    4.3 擴展目標幾何畸變校正
        4.3.1 自適應混合高斯子空間分解模型
        4.3.2 求解方法及步驟
        4.3.3 分解結(jié)果
        4.3.4 運動擴展目標掩模
        4.3.5 算法流程
    4.4 結(jié)果與分析
        4.4.1 實驗數(shù)據(jù)及參數(shù)設置
        4.4.2 評價指標
        4.4.3 湍流合成圖像校正
        4.4.4 薄膜衍射成像系統(tǒng)的擴展目標圖像校正
        4.4.5 外場湍流退化擴展目標圖像校正
    4.5 小結(jié)
第五章 改進低秩分解和管道濾波的遠距離運動擴展目標檢測
    5.1 概述
    5.2 由粗到精檢測
        5.2.1 轉(zhuǎn)移算子模型
        5.2.2 可變加權(quán)管道濾波的目標精識別
        5.2.3 算法流程
    5.3 實驗結(jié)果及分析
        5.3.1 實驗數(shù)據(jù)及參數(shù)設置
        5.3.2 評價指標
        5.3.3 實驗結(jié)果對比
    5.4 小結(jié)
第六章 基于方向形狀上下文的雜波點集形狀擴展目標匹配識別
    6.1 概述
    6.2 形狀上下文匹配算法原理
        6.2.1 輪廓形狀識別過程
        6.2.2 圖表示
        6.2.3 優(yōu)化匹配
    6.3 改進的方向上下文目標匹配算法
        6.3.1 方向上下文特征表示
        6.3.2 邊連續(xù)性約束的目標函數(shù)優(yōu)化模型
        6.3.3 點集形狀目標匹配優(yōu)化實現(xiàn)
        6.3.4 算法總結(jié)
    6.4 實驗結(jié)果與分析
        6.4.1 實驗數(shù)據(jù)
        6.4.2 參數(shù)設置與評價指標
        6.4.3 仿真雜波場景的實驗結(jié)果
        6.4.4 現(xiàn)實湍流雜波場景的實驗結(jié)果
    6.5 小結(jié)
第七章 融合形狀結(jié)構(gòu)和熱核特征的幾何形變擴展目標識別
    7.1 概述
    7.2 廣義形狀不變特征融合模型
    7.3 融合形狀結(jié)構(gòu)和熱核不變特征的分類模型
        7.3.1 尺度不變熱核特征
        7.3.2 關(guān)鍵點IDSC形狀結(jié)構(gòu)特征
        7.3.3 貝葉斯架構(gòu)下的分類識別模型
        7.3.4 融合特征的識別算法實現(xiàn)
    7.4 實驗結(jié)果與分析
        7.4.1 實驗數(shù)據(jù)及參數(shù)設置
        7.4.2 合成的形變擴展目標匹配識別
        7.4.3 實際畸變擴展形狀目標匹配識別
        7.4.4 熱核特征的形變擴展目標分類識別
        7.4.5 融合特征的形變擴展目標分類識別
    7.5 小結(jié)
第八章 總結(jié)與展望
    8.1 論文總結(jié)
    8.2 論文創(chuàng)新工作
    8.3 不足與展望
致謝
參考文獻
攻讀博士學位期間取得的成果



本文編號：3199283