文摘
英文文摘
论文说明:图表目录
声明
第一章绪论
1.1研究背景及意义
1.2相关技术及其研究动态
1.2.1背景杂波估计与抑制技术
1.2.3微弱运动目标的检测技术
1.3主要工作与研究成果
1.4论文安排
第二章强杂波抑制型微弱图像目标检测系统设计
2.1强杂波干扰下微弱目标检测数理模型
2.1.1二维成像系统物理模型
2.1.2微弱目标、背景强杂波与噪声关系模型
2.1.3检测模型
2.2强杂波抑制型微弱运动目标检测系统结构设计
2.2.1杂波抑制算子O1设计
2.2.2多帧检测算子O2设计
2.3杂波抑制性能检验与评价方法
2.3.1目标局域信杂比(LSCR)增益检验
2.3.2残留噪声的正态性检验
2.3.3残留噪声白化程度检验
2.3.4单帧检测性能检验
2.4相关概率统计与检测理论
2.4.1一些常用概率分布
2.4.2经验概率密度函数(Empirical Probability Density Function)
2.4.3二元检测理论与Neyman-Pearson准则
2.5小结
第三章强杂波干扰下微弱图像目标参数界定
3.1微弱图像目标信杂比定义
3.2人眼视觉可视性及其微弱目标参数界定
3.2.1图像目标人眼视觉可视性及其分类
3.2.2微弱图像目标视觉可视性参数模型
3.2.2微弱图像目标可视性PC实验分析与实验参数界定
3.3机器可检测性及其微弱目标参数界定
3.3.1图像目标机器可检测性
3.3.2检测性能分析及参数界定
3.3.3真实图像检测PC仿真
3.4小结
第四章准平稳子域划分的背景杂波自适应抑制
4.1算法基本框架结构
4.2图像灰度准平稳子域划分
4.2.1四叉树矩分割法
4.2.2 FCM聚类分割法
4.3多扫描预平滑RLS杂波抑制方法
4.3.1多扫描策略
4.3.2预平滑处理
4.3.3 RLS自适应杂波抑制算法
4.4仿真实验与性能评价
4.4.1杂波抑制实验及结果
4.4.2残留噪声正态性检验
4.4.3残留噪声白化程度检验
4.4.4 LSCR增益检验
4.4.5检测性能检验
4.5小结
第五章基于形态神经网络的复杂背景抑制技术
5.1形态学基础
5.1.1数学形态学发展及现状
5.1.2灰度形态学理论基础
5.2人工神经网络基础
5.2.1人工神经网络概述
5.2.2人工神经网络基本模型
5.3杂波抑制的形态神经网络
5.3.1结构元分块训练策略
5.3.2形态开闭运算BP网络模型
5.3.3杂波抑制BP网络结构元自适应学习
5.4仿真实验
5.4.1结构元自学习结果
5.4.2杂波抑制实验及结果
5.4.2残留噪声正态性检验
5.4.3残留噪声白化程度检验
5.4.4 LSCR增益检验
5.4.5检测性能检验
5.5小结
第六章空时自适应杂波分类抑制快速算法
6.1算法基本框架结构
6.2全域运动估计和补偿
6.2.1图像全域运动参数模型
6.2.2像素点运动场的计算
6.2.3运动背景补偿校正技术
6.3基于时域灰度矩学习的背景杂波分类方法
6.4空时结合杂波分类抑制算法
6.5目标对杂波分类与估计的影响
6.6仿真实验和性能分析
6.6.1自适应杂波分类仿真实验
6.6.2杂波抑制实验及结果
6.6.3残留噪声正态性检验
6.6.4残留噪声白化程度检验
6.6.5 LSCR增益检验
6.6.6杂波抑制计算量比较
6.6.7多帧检测性能比较
6.7小结
第七章微弱运动目标空时集成检测及其性能分析
7.1空时集成检测系统框架
7.2目标空域集成及性能分析
7.2.1目标空域集成模板
7.2.2目标空域集成方式
7.2.3目标空域集成检测性能分析
7.3时域集成检测及其性能分析
7.3.1时域集成方式
7.3.2目标时域集成检测性能分析
7.4仿真实验
7.4.1理想数据仿真实验
7.4.2真实图像仿真实验
7.5小结
全文总结
参考文献
致谢
攻博期间取得的研究成果