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
南京理工大学;