基于Gabor特征提取的海面舰船目标识别

摘要

伴着国家经济的快速发展，大量资金投入到科技事业发展进程中，计算机科技领域和数字化图像分析和处理技术实现了质的飞越，随着海军的重要性在现代的军事战争中的不断提升以及多样的拥有先进作战设备的作战舰船的不断推陈出新，能够对目标进行识别并施以打击变得更加重要。由于海天背景比较复杂（云层和海浪的干扰）以及气象条件不稳定，导致目标可能会与海面上的干扰背景混为一体，这样就使得图像中的舰船目标的识别变得具有挑战性。随着成像技术的发展，基于图像处理的目标识别逐渐成为研究的热点，目前应用的主要图像种类有可见光图像、遥感图像、视频图像等。对于图像的处理技术成为信息综合的重要部分。获取的可见光图像中的舰船目标能够较好地体现各种不同类型舰船的主要特征，通过对与这类图像的处理和图像中舰船目标的识别可以实现对于不同类型舰船的智能识别。
　　首先对本课题相关的舰船目标识别的基础知识，以及课题的研究背景与意义进行了研究，并对课题研究的国内外现状进行了解与分析，以便后面有侧重地研究并解决所遇到的问题。
　　然后针对采集到的图像会受到周围采集环境的影响，需要对图像进行去除噪声的预处理操作。将改进的Wavelet变换与Ridgelet变换融合进行实验，并分析评价标准，根据评价标准评判本文算法是否有效；针对图像中对比度低、部分目标边缘模糊的特点，采用模糊对比度增强的方法来提高图像中舰船与周围背景的对比度，同时能够使目标轮廓边缘附近的像素起伏变大，进而增强目标边缘，通过仿真结果来验证算法的有效性。
　　其次对于分割工作来说，先从缩小目标可能会或一定会存在的区域范围入手，分析了海面背景中会存在水域区域与天空区域，且面积大约相等、灰度值有一定差别、灰度分布均匀等特点，运用PCNN模型（脉冲耦合神经网络模型）结合最大香农熵的评判标准来实现水域分割，在此基础上利用Hough（霍夫）变换确定海天线位置，能去除大部分与舰船目标无关且会有所干扰的背景，进而在提取目标特征的基础上对特征进行融合，滤除干扰因素，利用多特征融合的方法将图像中的舰船目标突显出来，再使用自适应阈值最终进行分割。将分割结果与原始图像中的目标相对比，观察分割后对于目标轮廓信息的保存完整程度，来验证算法的可行性。
　　最后在进行识别舰船之前，需要进行舰船的特征提取，对常用的矩特征进行研究，针对矩特征对于旋转不变性的不足，进而将Gabor特征引入舰船的特征提取工作中，针对提取出来的Gabor特征的高维数不利于后续计算的问题，采用核主成分分析方法进行压缩降维，为了使识别速度快并具有更好的适应性，研究了一种适用于多种的不同类型的样本进行识别的改进的K-ELM方法对目标特征序列进行学习，实现误差变小，提升了稳定性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题研究的背景和意义

1.2 国内外研究现状

1.3 论文的研究内容及结构安排

第2章 基于改进小波阈值去噪的舰船图像预处理

2.1 引言

2.2 去噪质量评价标准

2.3 小波变换理论

2.4 小波去噪方法

2.5 基于脊波变换的图像去噪方法

2.6 改进的去噪方法

2.7 本章小结

第3章 基于多特征融合的舰船目标分割

3.1 引言

3.2 舰船图像中的海天线定位方法

3.3 基于简化PCNN分割与Hough变换结合的海天线定位方法

3.4 基于多特征融合的舰船目标分割

3.5 实验结果与分析

3.6 本章小结

第4章 基于Gabor滤波器的舰船目标特征提取

4.1 引言

4.2 舰船目标的不变矩特征提取

4.3 基于Gabor滤波器的舰船目标的特征提取

4.4 核主成分分析对特征压缩降维

4.5 本章小结

第5章 基于Cholesky分解的K-ELM的舰船目标识别

5.1 引言

5.2 单隐层前馈神经网络（ SLFNs ）

5.3 极限学习机（ELM）

5.4 基于核函数的极限学习机（K-ELM）

5.5 实验结果与分析

5.6 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢