遠(yuǎn)距復(fù)雜背景紅外暗弱小目標(biāo)檢測技術(shù)

第1章紅外小目標(biāo)檢測技術(shù)概述1
1.1紅外成像探測技術(shù)發(fā)展概況1
1.1.1紅外成像探測基本原理1
1.1.2紅外成像探測技術(shù)發(fā)展現(xiàn)狀14
1.1.3紅外成像探測技術(shù)應(yīng)用概況22
1.2典型紅外成像探測系統(tǒng)介紹27
1.2.1紅外成像導(dǎo)引系統(tǒng)27
1.2.2紅外搜索與跟蹤系統(tǒng)31
1.2.3紅外告警系統(tǒng)37
1.2.4紅外小目標(biāo)探測性能指標(biāo)39
1.3紅外小目標(biāo)檢測技術(shù)發(fā)展概況40
1.3.1小目標(biāo)檢測問題描述40
1.3.2小目標(biāo)檢測技術(shù)研究現(xiàn)狀42
1.3.3本書主要內(nèi)容51
本章小結(jié)52
第2章紅外暗弱小目標(biāo)探測理論基礎(chǔ)53
2.1紅外暗弱小目標(biāo)與背景特性53
2.1.1紅外圖像的特性53
2.1.2暗弱小目標(biāo)紅外特性55
2.1.3背景紅外特性59
2.2常用暗弱小目標(biāo)檢測方法64
2.2.1空域處理方法64
2.2.2變換域處理方法73
2.2.3時域處理方法78
2.2.4深度學(xué)習(xí)方法83
2.3暗弱小目標(biāo)檢測性能指標(biāo)86
2.3.1目標(biāo)信號質(zhì)量指標(biāo)87
2.3.2圖像信號質(zhì)量指標(biāo)88
2.3.3檢測算法性能指標(biāo)89
本章小結(jié)91
第3章低信雜比環(huán)境紅外弱小目標(biāo)檢測技術(shù)92
3.1基于空域顯著性的弱小目標(biāo)檢測92
3.1.1空域顯著特性92
3.1.2空域?yàn)V波方法93
3.1.3空域顯著圖計(jì)算和顯著度分割96
3.1.4弱小目標(biāo)檢測算法97
3.2基于頻域顯著性的弱小目標(biāo)檢測100
3.2.1頻域顯著特性101
3.2.2頻域?yàn)V波方法102
3.2.3頻域顯著圖計(jì)算105
3.2.4頻譜殘差計(jì)算107
3.2.5弱小目標(biāo)檢測算法108
3.3基于時空頻域顯著性的弱小目標(biāo)檢測110
3.3.1時域能量累積110
3.3.2時域管道濾波114
3.3.3時域動態(tài)規(guī)劃117
3.3.4弱小目標(biāo)檢測算法120
本章小結(jié)132
第4章強(qiáng)反射環(huán)境紅外暗弱小目標(biāo)檢測技術(shù)133
4.1暗目標(biāo)檢測方法133
4.1.1局部能量因子133
4.1.2MLCMLEF暗目標(biāo)檢測算法134
4.1.3MPCMLEF暗目標(biāo)檢測算法135
4.2空域先驗(yàn)信息背景抑制方法137
4.2.1背景與暗目標(biāo)灰度直方圖分析137
4.2.2背景與暗目標(biāo)灰度概率分布模型139
4.2.3背景抑制方法142
4.3融合背景先驗(yàn)的時空顯著性暗目標(biāo)檢測145
4.3.1算法原理145
4.3.2算法流程145
4.3.3示例147
本章小結(jié)152
第5章強(qiáng)雜波環(huán)境紅外弱小目標(biāo)檢測技術(shù)153
5.1自適應(yīng)圖像分割153
5.1.1場景區(qū)域分類154
5.1.2自適應(yīng)閾值分割158
5.2背景抑制方法162
5.2.1背景特征分析162
5.2.2基于梯度特征的背景抑制方法164
5.3基于位置灰度面積關(guān)聯(lián)的動態(tài)管道濾波166
5.3.1背景時空波動特征分析166
5.3.2基于位置灰度面積關(guān)聯(lián)的動態(tài)管道濾波原理168
5.4自適應(yīng)紅外小目標(biāo)檢測170
5.4.1算法原理170
5.4.2算法流程171
5.4.3示例172
本章小結(jié)177
第6章復(fù)雜背景紅外弱小目標(biāo)智能檢測技術(shù)178
6.1卷積神經(jīng)網(wǎng)絡(luò)小目標(biāo)檢測178
6.1.1通用檢測網(wǎng)絡(luò)178
6.1.2小目標(biāo)檢測網(wǎng)絡(luò)設(shè)計(jì)188
6.1.3示例193
6.2基于深度學(xué)習(xí)的分割算法198
6.2.1通用分割網(wǎng)絡(luò)198
6.2.2小目標(biāo)分割網(wǎng)絡(luò)設(shè)計(jì)205
6.2.3示例210
6.3三維卷積神經(jīng)網(wǎng)絡(luò)小目標(biāo)檢測212
6.3.1通用檢測網(wǎng)絡(luò)212
6.3.2小目標(biāo)檢測網(wǎng)絡(luò)設(shè)計(jì)213
6.3.3示例216
6.4融合時序信息的小目標(biāo)智能檢測217
6.4.1基于時空信息關(guān)聯(lián)算法218
6.4.2基于融合注意力機(jī)制的時空神經(jīng)網(wǎng)絡(luò)算法原理230
6.4.3示例236
本章小結(jié)243
第7章弱小目標(biāo)紅外雙波段圖像融合檢測技術(shù)244
7.1目標(biāo)與背景雙波段特性分析244
7.1.1目標(biāo)雙波段特性244
7.1.2背景雙波段特性248
7.1.3融合圖像特性250
7.2雙波段圖像傳統(tǒng)融合方法253
7.2.1基于空間域的圖像融合方法254
7.2.2基于變換域的圖像融合方法255
7.3雙波段圖像深度學(xué)習(xí)融合方法262
7.3.1DenseFuse圖像融合算法262
7.3.2DRF圖像融合算法265
7.3.3RFNNest圖像融合算法268
7.3.4基于生成對抗網(wǎng)絡(luò)的圖像融合算法272
7.3.5基于VGG19網(wǎng)絡(luò)圖像融合算法276
7.4雙波段圖像傳統(tǒng)深度學(xué)習(xí)融合方法280
7.4.1參數(shù)智能學(xué)習(xí)的紅外雙波段圖像像素級融合方法280
7.4.2參數(shù)智能學(xué)習(xí)的紅外雙波段圖像特征級融合方法283
7.4.3雙波段圖像融合評價指標(biāo)286
7.4.4示例293
7.5弱小目標(biāo)雙波段檢測297
7.5.1融合檢測原理297
7.5.2算法流程301
7.5.3示例303
本章小結(jié)308
第8章紅外與可見光圖像融合弱小目標(biāo)檢測技術(shù)309
8.1紅外與可見光融合理論基礎(chǔ)309
8.1.1圖像預(yù)處理310
8.1.2紅外與可見光圖像融合基本方法311
8.1.3紅外與可見光圖像融合評價標(biāo)準(zhǔn)316
8.2基于邊緣特征和互信息的紅外與可見光圖像配準(zhǔn)317
8.2.1邊緣檢測317
8.2.2邊緣檢測結(jié)合互信息的圖像配準(zhǔn)319
8.2.3示例320
8.3基于NSSTPCNN的紅外與可見光圖像融合方法321
8.3.1非下采樣剪切波變換321
8.3.2脈沖耦合神經(jīng)網(wǎng)絡(luò)323
8.3.3NSSTPCNN圖像融合算法324
8.3.4示例326
本章小結(jié)328
參考文獻(xiàn)330