基于仿生视觉模型和复杂信息学习的多光谱夜视目标识别技术

摘要

针对多光谱夜视图像，探索新型智能的场景理解和目标感知方法已经成为夜视技术发展的必然趋势。本文将视觉建模和信息学习引入到多光谱夜视目标探测识别中，构建一系列具有人眼视觉典型特征和脑认知功能的计算模型和学习方法，实现自然环境中夜视目标鲁棒识别，为智能化多光谱、大规模夜视信息理解和探测提供新型技术实现。基于仿生视觉模型和复杂信息学习的多光谱夜视目标识别需要解决两个问题:①适用于多波段夜视图像特征的仿生视觉建模，实现夜视图像降噪、显著分析和目标识别;②适用于夜视图像集的复杂信息学习，实现多光谱目标探测和大规模夜视数据降维、分类识别。本文针对这两个问题，主要开展了以下几个方面的研究工作:
　　(1)基于局部稀疏结构降噪模型(Local Sparse Structure Denoising，LSSD)的微光图像增强。传统视觉稀疏和冗余表示在图像去噪方面具有良好性能，然而无法解决复杂微光图像降噪问题，且易于丢失图像结构信息。本文将噪声不变的局部结构特征嵌入到稀疏分解过程中，提出一种局部结构保持稀疏编码及其核化算法，提高了强噪声干扰下图像块稀疏表示的稳定性。在此基础上，构建了一种LSSD模型，抑制自然微光图像噪声并保留纹理细节，有效提高微光图像信噪比。
　　(2)基于非经典感受野(non-Classical Receptive Field，nCRF)调制模型的夜视图像显著轮廓提取。本文首先针对噪声和奇异数据干扰的微光图像，提出了一种加权核主成分同质度校正nCRF抑制模型，全面、准确的评估中心-环境差异，有效提高复杂场景下微光图像显著轮廓提取精度。其次针对夜视图像细节模糊导致的轮廓断裂问题，整合nCRF的抑制和易化作用，提出了一种nCRF复合调制模型，增强弱边缘响应、连接间断轮廓，准确提取自然场景下微光和红外图像的完整显著轮廓。
　　(3)基于局部稀疏结构匹配模型(Local Sparse Structure Matching，LSSM)的夜视目标鲁棒识别。视觉稀疏分类能够获得良好的目标识别效果，然而对模板依赖性高，且对复杂场景下的一般夜视目标识别泛化能力弱。本文基于所提出的鲁棒局部结构保持稀疏编码及其核化算法，结合局部匹配思想，构建了一种LSSM模型，该模型无需大量感兴趣目标模板训练，实现了基于简单模板集的夜视目标鲁棒识别，并且对场景变化、目标形态多变、背景遮挡情况下的夜视目标具有稳健认知能力。
　　(4)基于复杂信息学习的多光谱、大规模夜视目标探测识别。本文首先针对多光谱夜视图像集易受病态分布数据影响、目标探测不准确的问题，提出了一种光谱角匹配加权核特征空间分离变换算法，抑制病态数据干扰，显著提高了多光谱夜视目标检测率。其次针对夜视数据流形降维中面临的离群点干扰问题，设计了一种核极大似然加权的局部线性嵌入流形算法，准确检测离群点、优化最佳近邻选取，增强夜视数据低维表示的可靠性和可分性，实现了大规模夜视图像集准确、高效分类识别。

目录

声明

摘要

1 绪论

1．1 研究背景

1．2 视觉模型和信息学习研究现状

1．2．1 仿生视觉模型

1．2．2 复杂信息学习

1．2．3 夜视图像视觉建模和信息学习面临的问题

1．3 论文主要研究内容

2 基于局部稀疏结构降噪模型(LSSD)的微光图像增强

2．1 微光图像降噪问题

2．2 局部结构保持稀疏编码(LSPSc)及其核化(K-LSPSc)算法

2．2．1 局部结构保持稀疏编码LSPSc

2．2．2 核化局部结构保持稀疏编码K-LSPSc

2．2．3 编码实现

2．3 局部稀疏结构降噪模型(LSSD)

2．3．1 局部稀疏结构字典生成、LSPSc／K-LSPSc稀疏量化和降噪

2．3．2 LSPSc／K-LSPSc和LSSD的降噪特性分析

2．4 实验结果与分析

2．4．1 LSSD参数设置

2．4．2 LSSD微光图像降噪性能分析

2．5 本章小结

3 基于非经典感受野模型(nCRF)的夜视图像显著轮廓提取

3．1 基于WKPCA同质度校正nCRF抑制模型的微光图像显著轮廓提取

3．1．1 WKPCA同质度校正nCRF抑制模型

3．1．2 微光图像显著轮廓提取实验分析

3．2 基于nCRF复合模型的复杂场景下夜视图像显著轮廓提取

3．2．1 nCRF复合调制模型

3．2．2 复杂场景下夜视图像显著轮廓提取实验分析

3．3 两种模型对降噪前后微光图像轮廓提取效果比较

3．4 本章小结

4 基于局部稀疏结构匹配模型(LSSM)的夜视目标鲁棒识别

4．1 夜视目标识别问题

4．2 局部稀疏结构匹配模型(LSSM)

4．2．1 模板局部稀疏结构字典生成

4．2．2 LSPSc／K-LSPSc稀疏量化和目标概率提取

4．2．3 LSPSc／K-LSPSc和LSSM的目标识别特性分析

4．3 LSSM模型分析与夜视目标识别效果

4．3．1 LSSM参数设置

4．3．2 红外目标识别

4．3．3 微光目标识别

4．4 本章小结

5 基于复杂信息学习的多光谱夜视目标分类识别

5．1 基于SAM加权KEST算法的多光谱夜视目标检测

5．1．1 EST和KEST算法

5．1．2 SAM加权KEST算法(SKEST)

5．1．3 多光谱异常目标检测实验分析

5．2 基于KML加权KLLE算法的大规模夜视目标降维分类

5．2．1 KML相似性度量

5．2．2 KML离群点概率加权的KLLE算法(KML-KLLE)

5．2．3 大规模夜视图像集降维分类实验分析

5．3 本章小结

6 总结与展望

6．1 论文主要创新点总结

6．2 后期工作展望

致谢

参考文献

攻读博士学位期间发表论文、申请专利、参加科研和获奖情况