红外和可见光图像的融合分类及红外目标检测

摘要

近年来图像识别技术被广泛应用在场景识别、目标检测、医学诊断、舰船检测等领域。随着高清技术的发展和高分辨率摄像机的更新，基于可见光的多特征融合分类机制成为研究热点，这种方式虽然可以在一定程度上改善分类效果，但是并不能改变因可见光传感器成像方式的局限而造成的特征对环境变化敏感的问题。针对这种仅靠单一传感器获取数据造成识别结果不准确的现状，本文主要对同一图像在红外传感器和可见光传感器下的图像特征融合进行研究。同时，本文对那些红外传感器下获取的弱小目标的检测也进行了研究。主要内容如下:
　　第一，从模式识别及融合分类的研究背景、应用领域及其国内外发展现状等方面的分析，说明融合分类算法研究的意义。分别分析了红外图像和可见光图像的成像特性及存在的优缺点，为二者图像的特征融合提供可行性条件。同时分析红外和可见光图像融合分类中存在的难点，并找到解决问题的方法。
　　第二，针对场景识别和目标（舰船）检测中，可见光图像容易受到环境、光照等外界因素影响导致它有时无法完全表示事物的信息，而造成错分、误分的缺陷，提出基于红外图像和可见光图像融合分类策略。该策略首先用密集型尺度不变特征转换(dense Scale-invariant feature transform，DSIFT)和码书较少模型(codebookless model，CLM)的方法分别对红外和可见光图像进行特征提取。然后将提取的红外图像特征和可见光图像特征通过核函数的形式映射到高维空间，并通过复合核的方式进行特征层面的融合。该方法结合红外和可见光各自的优势，弥补了仅用可见光分类的不足，融合后的特征更加全面、完善。最后该策略采取支持向量机的方法来决策表决。经过试验对比，该方法分类效果优于仅用可见光的分类结果。
　　第三，针对红外图像对比度低、小目标常常被淹没在复杂的背景中，而导致在检测过程中目标与背景混淆或者无法检测到目标的问题，提出了一种结合二维图像经验模式分解(Image Empirical Mode Decomposition，IEMD)和鲁棒主成分分析（Robust Principal Component Analysis，RPCA）的检测方法。该方法通过IEMD分解实现红外小目标图像的背景抑制，提取出有用频率分量，并利用RPCA方法来重建背景图像和目标图像。该方法解决了复杂背景、强杂波背景中的小目标检测，同时可以根据IEMD分解得到的固有模态函数(Intrinsic Mode Functions，IMFs)的图像信息来辨别虚警信息。

目录

声明

摘要

第一章 绪论

1．1 课题背景及意义

1．2 研究现状综述

1．2．1 国外研究现状

1．2．2 国内研究现状

1．2．3 难点及问题分析

1．3 本文研究目的及主要内容

1．3．1 本文主要研究内容

1．3．2 本文的文章结构

第二章 红外和可见光图像的协同分析介绍

2．1 红外图像和可见光图像成像原理及特性

2．2 红外和可见光图像特征

2．3 图像融合的层次划分

2．4 常用的图像融合的方法介绍

2．5 分类识别的评价体系

2．6 本章小结

第三章 基于DSIFT的码书较少模型的特征提取方法

3．1 DSIFT局部特征提取

3．2 码书较少模型

3．3 空间金字塔匹配

3．4 基于SVM分类器的图像分类

3．5 实验结果与分析

3．5．1 实验数据介绍

3．5．2 参数调节优化

3．5．3 实验结果分析

3．6 本章小结

第四章 红外和可见光图像的特征级融合分类

4．1 基于红外和可见光图像的融合分类框架

4．2 核的概念

4．3 基于复合核方式的红外和可见光的特征级融合方法

4．4 实验结果与分析

4．4．1 实验数据介绍

4．4．2 参数调节优化

4．4．3 实验结果分析

4．5 本章小结

第五章 基于IEMD-RPCA的红外小目标检测

5．1 红外小目标检测的整体框架

5．2 基于二维IEMD方法的图像特征提取

5．3 基于RPCA的小目标检测算法

5．4 实验结果与分析

5．5 本章小结

第六章 结论与展望

6．1 结论

6．2 展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介