利用高輻射靈敏度的紅外探測系統(tǒng)進(jìn)行弱輻射目標(biāo)檢測研究,具有廣泛的應(yīng)用,例如,利用表面輻射率差異對鋼材瑕疵進(jìn)行檢測。高輻射靈敏度是紅外探測系統(tǒng)從復(fù)雜背景中捕獲弱輻射目標(biāo)信號的前提;有效的背景抑制和弱輻射目標(biāo)信號提取算法是關(guān)鍵,直接影響最終檢測效果;算法的復(fù)雜度和實(shí)時性決定了其在資源有限型硬件上的實(shí)用性。本文以此為背景,在高輻射靈敏度前提下,研究紅外圖像預(yù)處理算法(包括紅外圖像灰度的不均勻性校正方法和紅外波段圖像的生成方法)、紅外圖像復(fù)雜背景的抑制算法、針對紅外微弱目標(biāo)的檢測算法(包括紋理濾波方法和基于神經(jīng)網(wǎng)絡(luò)的智能方法)和用于提高算法硬件實(shí)用性的模型壓縮與加速方法,具體的工作如下:(1)采用多幀累加方法抑制噪聲,提高了紅外探測系統(tǒng)的輻射靈敏度,并進(jìn)行實(shí)驗(yàn)驗(yàn)證。利用目標(biāo)輻射相對于背景輻射的信雜比指標(biāo),定量地度量信號的微弱程度。(2)針對多元探測器由于響應(yīng)率與暗電流的差別引起紅外圖像灰度的不均勻性,提出了一種基于密集連接卷積神經(jīng)網(wǎng)絡(luò)的校正方法Dense-CNN,突破了普通校正方法線性失真理論建模的限制。本文Dense-CNN方法校正后的峰值信噪比(PSNR)指標(biāo)相比聯(lián)合小波-傅里葉濾波法(W...

【文章頁數(shù)】：137 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
符號說明表
第1章 緒論
    1.1 課題研究背景
    1.2 高靈敏度紅外系統(tǒng)應(yīng)用領(lǐng)域研究現(xiàn)狀
        1.2.1 油氣管道早期泄漏檢測
        1.2.2 建筑診斷
        1.2.3 鋼材瑕疵高精度檢測
        1.2.4 應(yīng)用領(lǐng)域調(diào)研分析
    1.3 紅外圖像預(yù)處理算法的研究現(xiàn)狀
        1.3.1 非均勻性校正方法的研究現(xiàn)狀
        1.3.2 基于GAN的圖像生成方法的研究現(xiàn)狀
        1.3.3 視覺顯著區(qū)域提取方法的研究現(xiàn)狀
    1.4 目標(biāo)檢測應(yīng)用相關(guān)算法的研究現(xiàn)狀
        1.4.1 傳統(tǒng)紅外微弱目標(biāo)檢測算法的研究進(jìn)展
        1.4.2 基于神經(jīng)網(wǎng)絡(luò)的智能檢測算法研究進(jìn)展
        1.4.3 模型壓縮與加速方法的研究現(xiàn)狀
    1.5 本文主要研究內(nèi)容與章節(jié)安排
        1.5.1 論文主要研究內(nèi)容
        1.5.2 本文章節(jié)安排
第2章 高靈敏度紅外圖像的獲取和分析
    2.1 紅外圖像采集系統(tǒng)和實(shí)驗(yàn)場景
    2.2 提高系統(tǒng)輻射靈敏度的多幀累加方法
        2.2.1 輻射靈敏度的定義
        2.2.2 基于多幀累加提高系統(tǒng)靈敏度
        2.2.3 普通和高靈敏度圖像質(zhì)量對比
    2.3 紅外目標(biāo)的微弱性分析
        2.3.1 信雜比的定義
        2.3.2 紅外目標(biāo)的信雜比分析
    2.4 本章小結(jié)
第3章 高靈敏度紅外圖像預(yù)處理技術(shù)研究
    3.1 基于Dense-CNN的非均勻性校正方法
        3.1.1 非線性校正的理論分析
        3.1.2 Dense-CNN網(wǎng)絡(luò)
        3.1.3 客觀圖像質(zhì)量評價(jià)指標(biāo)
        3.1.4 實(shí)驗(yàn)和結(jié)果分析
    3.2 基于對抗網(wǎng)絡(luò)的紅外圖像生成方法
        3.2.1 紅外生成方法的背景和意義
        3.2.2 紅外圖像生成的機(jī)理分析
        3.2.3 實(shí)驗(yàn)和結(jié)果分析
    3.3 本章小結(jié)
第4章 高靈敏度紅外圖像背景抑制方法研究
    4.1 基于灰度共生矩陣的紋理分析
        4.1.1 基于灰度共生矩陣的紋理特征值
        4.1.2 不同方向紋理特征值的對比分析
        4.1.3 基于紋理信雜比的渦旋微弱性分析
    4.2 背景抑制方法研究
        4.2.1 基于空域?yàn)V波的背景抑制
        4.2.2 基于頻域?yàn)V波的背景抑制
        4.2.3 基于小波變換的背景抑制
        4.2.4 不同方法的抑制指標(biāo)對比分析
    4.3 本章小結(jié)
第5章 基于紋理濾波和多感受野顯著網(wǎng)絡(luò)的微弱目標(biāo)檢測
    5.1 基于紋理濾波的檢測方法
        5.1.1 渦旋目標(biāo)特性分析
        5.1.2 基于Gabor紋理濾波器的檢測方法
        5.1.3 基于快速步進(jìn)的GaborFM檢測方法
        5.1.4 不同方法客觀檢測指標(biāo)對比分析
    5.2 基于顯著性和多感受野融合網(wǎng)絡(luò)的智能檢測方法
        5.2.1 神經(jīng)網(wǎng)絡(luò)基本原理
        5.2.2 基于多感受野特征融合的網(wǎng)絡(luò)架構(gòu)
        5.2.3 基于視覺顯著性的網(wǎng)絡(luò)輸入
        5.2.4 實(shí)驗(yàn)和結(jié)果分析
    5.3 基于混合二值權(quán)值的模型壓縮與加速方法
        5.3.1 模型壓縮與加速方法的分析
        5.3.2 殘差混合二值神經(jīng)網(wǎng)絡(luò)
        5.3.3 實(shí)驗(yàn)和結(jié)果分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 創(chuàng)新點(diǎn)總結(jié)
    6.2 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：3961215