声明
摘要
1 绪论
1.1 研究背景及意义
1.2 基于仿生机制的视觉计算模型研究现状
1.2.1 仿生机制视觉理论
1.2.2 视觉计算模型的应用与现状
1.2.3 红外图像视觉计算模型面临的问题
1.3 论文组织结构
2 基于分层和元胞自动机的红外图像增强
2.1 基于分层的红外图像增强
2.1.1 图像结构层
2.1.2 图像纹理层
2.1.3 基于结构约束的图像层整合
2.2 基于元胞自动机的红外图像增强
2.2.1 梯度分布先验知识
2.2.2 梯度分布残差先验知识
2.2.3 迭代准则
2.3 实验结果与分析
2.3.1 基于分层的红外图像增强
2.3.2 基于元胞自动机的红外图像增强
2.4 本章小结
3 基于布尔图的显著性检测
3.1 基于布尔图和前景图的显著性检测
3.1.1 基于多通道传播的布尔显著图
3.1.2 基于前景种子点的前景显著图
3.1.3 动态贝叶斯整合
3.2 基于图论布尔图的显著性检测
3.2.1 布尔图及布尔显著性检测
3.2.2 图论多尺度信息传播
3.2.3 信息整合
3.3 实验结果与分析
3.3.1 基于布尔图和前景图的显著性检测
3.3.2 基于图论布尔图的显著性检测
3.4 本章小结
4 基于LARK特征的红外目标识别
4.1 基于局部和全局LARK特征的红外目标识别
4.1.1 基于协方差和LARK的局部SLARK特征
4.1.2 基于热方程的全局扩散
4.1.3 度量准则及目标识别
4.2 基于LARK特征和布尔图相结合的红外目标识别
4.2.1 局部LARK特征图
4.2.2 布尔图表示
4.2.3 目标位置估计
4.3 实验结果与分析
4.3.1 基于局部和全局LARK的红外目标识别
4.3.2 基于LARK特征和布尔图的红外目标识别
4.4 本章小结
5 基于转换自相似的红外图像超分辨率重建
5.1 红外图像超分辨率重建框架
5.1.1 外观特征代价函数
5.1.2 区域协方差代价函数
5.1.3 稠密残差代价函数
5.1.4 尺度代价函数
5.2 实验结果与分析
5.2.1 定性评价
5.2.2 定量评价
5.3 本章小结
6 总结与展望
6.1 论文主要工作及创新点
6.2 后期工作展望
致谢
参考文献
附录