本文關(guān)鍵詞：基于被動(dòng)毫米波的隱匿物品探測(cè)方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：基于被動(dòng)毫米波(PMMW)的成像技術(shù)是目前用于對(duì)隱匿在衣物下的危險(xiǎn)品進(jìn)行探測(cè)的重要手段之一。由于硬件的限制以及成像系統(tǒng)自身的物理特性,使得PMMW成像系統(tǒng)獲取的PMMW圖像中存在著嚴(yán)重的噪聲污染以及一定程度上的失真。通過(guò)分析PMMW成像系統(tǒng)的主要影響因素,并根據(jù)PMMW圖像的特點(diǎn),提出了改進(jìn)的小波域圖像去噪、融合算法和非局部均值圖像去噪算法,并將圖像分割算法應(yīng)用到PMMW成像系統(tǒng)中。已完成的主要研究工作歸納如下:(1)通過(guò)建立輻射溫度模型,分析了特殊條件下隱匿物品與人體之間輻射溫度的差別與衣物透射率、隱匿物品的發(fā)射率和透射率之間的關(guān)系。針對(duì)一些物品不易被PMMW成像探測(cè)系統(tǒng)檢測(cè)到的情況,研究了將極少量微波吸收材料摻雜至這類物品之中以增加其吸波性能的可行性,并分析了改性吸波材料對(duì)摻雜后樣品吸波性能的影響。(2)將小波域圖像去噪和圖像融合兩種方法應(yīng)用于PMMW的圖像信息處理。針對(duì)小波去噪效果易受不連續(xù)點(diǎn)干擾的情況,提出了一種改進(jìn)的平移不變量貝葉斯決策小波閾值去噪算法,并對(duì)圖像進(jìn)行對(duì)稱周期延拓,在一定程度上消除了噪聲PMMW圖像內(nèi)部與邊界上不連續(xù)點(diǎn)對(duì)去噪效果的影響。在小波融合方面,提出了一種基于結(jié)構(gòu)相似度(SSIM)和圖像邊緣能量相結(jié)合的融合策略,抑制了單一使用SSIM作為融合判據(jù)時(shí)出現(xiàn)的振鈴效應(yīng),提高了PMMW融合圖像的質(zhì)量。(3)PMMW圖像由少量近似分塊平滑的圖像塊組成,包含有大量的冗余信息,根據(jù)這一特點(diǎn),提出了一種改進(jìn)的基于預(yù)分類的非局部被動(dòng)毫米波圖像去噪算法(MPSNL)。采用奇異值分解將PMMW圖像劃分為三類區(qū)域:平滑域、過(guò)渡域和邊緣域,根據(jù)這三類區(qū)域各自的特征分別提出了適用于PMMW圖像的非局部去噪規(guī)則,克服了傳統(tǒng)非局部均值去噪算法(NL-Means)計(jì)算量巨大、圖像特征信息利用率較低等缺點(diǎn)。(4)圖像分割是基于PMMW的隱匿物品識(shí)別中的一個(gè)重要環(huán)節(jié),因此研究一種精確、快速并適用于PMMW圖像的分割算法是很有必要的。本論文提出了一種自適應(yīng)參數(shù)初始化的高斯混合模型(APIGMM)擬合算法,用以提取圖像的直方圖特征,從全局上獲取PMMW圖像邊緣分布的灰度范圍,稱為置信區(qū)間,之后采用Canny算子提取圖像中的邊緣,最后僅保留置信區(qū)間中的邊緣。實(shí)驗(yàn)結(jié)果表明,該算法能夠?qū)崿F(xiàn)對(duì)隱匿物品的快速精確分割。本論文在研究PMMW成像系統(tǒng)探測(cè)衣物下隱匿物品的過(guò)程中,根據(jù)PMMW圖像的特點(diǎn),對(duì)不同類型的圖像處理算法進(jìn)行相應(yīng)的改進(jìn)。其中小波域圖像去噪和融合算法具有一定的普適性,可將其應(yīng)用到其他類型的圖像信息處理系統(tǒng)中,改進(jìn)的NL-Means算法和圖像分割算法適用于PMMW的圖像信息處理。
【關(guān)鍵詞】：被動(dòng)毫米波(PMMW)成像 吸波材料 圖像去噪 圖像融合 圖像分割
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 摘要4-6
• Abstract6-12
• 主要縮寫符號(hào)清單12-17
• 第1章 緒論17-34
• 1.1 研究課題的背景及意義17-18
• 1.2 電磁波頻（波段）的劃分18
• 1.3 電磁波輻射危險(xiǎn)品探測(cè)技術(shù)的發(fā)展及研究現(xiàn)狀18-24
• 1.3.1 波譜分析技術(shù)19
• 1.3.2 太赫茲探測(cè)技術(shù)19-20
• 1.3.3 X射線探測(cè)技術(shù)20-21
• 1.3.4 毫米波探測(cè)技術(shù)21-24
• 1.3.4.1 毫米波頻段的開(kāi)發(fā)與應(yīng)用21
• 1.3.4.2 毫米波成像技術(shù)的優(yōu)點(diǎn)21-22
• 1.3.4.3 被動(dòng)式毫米波成像技術(shù)的應(yīng)用和發(fā)展22-24
• 1.4 PMMW圖像處理24-31
• 1.4.1 數(shù)字圖像與圖像退化模型24-26
• 1.4.2 圖像復(fù)原26-28
• 1.4.3 圖像融合28-29
• 1.4.4 目標(biāo)識(shí)別與圖像分割29-30
• 1.4.5 圖像處理客觀評(píng)價(jià)指標(biāo)30-31
• 1.5 論文研究的主要內(nèi)容31-33
• 1.6 論文的組織架構(gòu)33-34
• 第2章 PMMW隱匿物品探測(cè)及毫米波衰減材料性能研究34-60
• 2.1 引言34-35
• 2.2 PMMW對(duì)人體隱匿物品探測(cè)35-50
• 2.2.1 電磁波輻射成像原理35-38
• 2.2.2 PMMW探測(cè)成像機(jī)理分析38-45
• 2.2.3 毫米波輻射計(jì)45-47
• 2.2.4 被動(dòng)毫米波成像系統(tǒng)47-50
• 2.3 復(fù)合材料的探測(cè)及實(shí)驗(yàn)50-58
• 2.3.1 電磁波吸收材料50-51
• 2.3.2 碳納米管復(fù)合材料51-54
• 2.3.3 可膨脹石墨復(fù)合材料54-56
• 2.3.4 碳纖維復(fù)合材料56-58
• 2.4 實(shí)驗(yàn)結(jié)果及分析58-59
• 2.5 本章小結(jié)59-60
• 第3章 基于小波域的PMMW圖像去噪及融合算法60-90
• 3.1 引言60-61
• 3.2 小波變換61-68
• 3.2.1 連續(xù)小波變換61-62
• 3.2.2 離散小波變換62-63
• 3.2.3 小波多分辨率分析63-68
• 3.3 改進(jìn)的小波去噪算法在PMMW圖像處理中的應(yīng)用68-79
• 3.3.1 PMMW圖像噪聲分析68-69
• 3.3.2 小波閾值收縮去噪69-70
• 3.3.3 基于貝葉斯決策的小波閾值收縮去噪算法70-72
• 3.3.4 平移不變量貝葉斯決策小波閾值去噪算法72-74
• 3.3.5 改進(jìn)的平移不變量貝葉斯決策小波閾值去噪算法74-76
• 3.3.5.1 基于加權(quán)歐氏距離的改進(jìn)TIBayesShrink算法75
• 3.3.5.2 周期延拓75-76
• 3.3.6 實(shí)驗(yàn)結(jié)果及分析76-79
• 3.4. 圖像的結(jié)構(gòu)相似度79-89
• 3.4.1 圖像的結(jié)構(gòu)相似度80-81
• 3.4.2 SSIM矩陣81-82
• 3.4.3 基于SSIM的圖像融合算法82-84
• 3.4.3.1 低頻域的融合規(guī)則82-83
• 3.4.3.2 高頻域的融合規(guī)則83-84
• 3.4.4 基于結(jié)構(gòu)相似度的改進(jìn)圖像小波融合算法84-87
• 3.4.5 實(shí)驗(yàn)結(jié)果及分析87-89
• 3.5 本章小結(jié)89-90
• 第4章 基于預(yù)分類的非局部被動(dòng)毫米波圖像處理算法90-103
• 4.1 引言90
• 4.2 非局部均值去噪算法及其改進(jìn)算法90-93
• 4.2.1 預(yù)分類法92
• 4.2.2 多尺度法92-93
• 4.3 基于預(yù)分類的非局部被動(dòng)毫米波圖像去噪算法93-99
• 4.3.1 梯度矩陣的奇異值分解及像素分類93-95
• 4.3.2 平滑域的相似集構(gòu)造及去噪95-97
• 4.3.3 邊緣域去噪97-98
• 4.3.4 過(guò)渡域去噪98-99
• 4.4 噪聲估計(jì)99-100
• 4.5 降噪結(jié)果分析100-102
• 4.6 本章小結(jié)102-103
• 第5章 基于高斯混合模型的隱匿物品圖像分割算法103-125
• 5.1 引言103-104
• 5.2 基于Split Bregman迭代的全變分去噪104-106
• 5.3 自適應(yīng)參數(shù)初始化的高斯混合模型106-116
• 5.3.1 高斯混合模型106-108
• 5.3.1.1 高斯混合模型的參數(shù)估計(jì)106-108
• 5.3.1.2 最小信息長(zhǎng)度108
• 5.3.2 自適應(yīng)參數(shù)初始化策略108-114
• 5.3.2.1 直方圖分析及有限沖激響應(yīng)低通濾波器109-110
• 5.3.2.2 高斯混合模型擬合的參數(shù)初始化方法110-114
• 5.3.3 高斯函數(shù)合并114-116
• 5.4 混合分割116-119
• 5.4.1 置信區(qū)間116-117
• 5.4.2 混合分割原理117-119
• 5.5 實(shí)驗(yàn)結(jié)果及分析119-123
• 5.5.1 圖像去噪119
• 5.5.2 直方圖擬合及分析119-121
• 5.5.3 隱匿物品分割121-122
• 5.5.4 結(jié)果比較122-123
• 5.6 本章小結(jié)123-125
• 第6章 總結(jié)與展望125-128
• 6.1 研究總結(jié)125-126
• 6.2 研究展望126-128
• 參考文獻(xiàn)128-140
• 攻讀博士學(xué)位期間發(fā)表和錄用的論文140-141
• 致謝141-142
• 作者簡(jiǎn)介142

  本文關(guān)鍵詞：基于被動(dòng)毫米波的隱匿物品探測(cè)方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：504272