掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類(lèi)五星書(shū)更多>
-
>
論中國(guó)
-
>
中共中央在西柏坡
-
>
同盟的真相:美國(guó)如何秘密統(tǒng)治日本
-
>
中國(guó)歷代政治得失
-
>
中國(guó)共產(chǎn)黨的一百年
-
>
習(xí)近平談治國(guó)理政 第四卷
-
>
在慶祝中國(guó)共產(chǎn)主義青年團(tuán)成立100周年大會(huì)上的講話(huà)
買(mǎi)過(guò)本商品的人還買(mǎi)了
地面無(wú)人機(jī)動(dòng)平臺(tái)技術(shù)未來(lái)發(fā)展趨勢(shì)-新觀點(diǎn)新學(xué)說(shuō)學(xué)術(shù)沙龍文集-108
中國(guó)科協(xié)學(xué)會(huì)學(xué)術(shù)部編¥8.7¥18.0
中圖價(jià):¥90.3
加入購(gòu)物車(chē)
無(wú)人機(jī)偵察情報(bào)處理技術(shù) 版權(quán)信息
- ISBN：9787030694133
- 條形碼：9787030694133 ; 978-7-03-069413-3
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>>
無(wú)人機(jī)偵察情報(bào)處理技術(shù) 內(nèi)容簡(jiǎn)介
本書(shū)介紹了無(wú)人機(jī)偵察情報(bào)處理的三部分內(nèi)容，分別為圖像融合、目標(biāo)識(shí)別以及目標(biāo)跟蹤。圖像融合介紹了紅外和可見(jiàn)光的快速配準(zhǔn)技術(shù)、結(jié)合變換域與空間域的灰度級(jí)融合技術(shù)和基于IHS變換與目標(biāo)增強(qiáng)的彩色級(jí)融合技術(shù)。對(duì)于SAR圖像的自動(dòng)目標(biāo)識(shí)別，說(shuō)明了基于自適應(yīng)篩選快速CFAR算法的目標(biāo)檢測(cè)、基于Krawtchouk矩特征的目標(biāo)鑒別以及基于卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的目標(biāo)識(shí)別。針對(duì)長(zhǎng)時(shí)目標(biāo)跟蹤，闡述了基于相關(guān)濾波的自適應(yīng)特征融合與目標(biāo)重檢測(cè)技術(shù)。
無(wú)人機(jī)偵察情報(bào)處理技術(shù) 目錄
目錄
前言
圖像融合篇
第1章 圖像融合概述 3
1.1 圖像融合簡(jiǎn)介 3
1.2 紅外與可見(jiàn)光圖像配準(zhǔn)及融合研究現(xiàn)狀 4
1.2.1 圖像配準(zhǔn)技術(shù)研究現(xiàn)狀 4
1.2.2 圖像融合技術(shù)研究現(xiàn)狀 5
1.3 成像特性分析 6
1.3.1 紅外成像特性 6
1.3.2 可見(jiàn)光成像特性 7
1.3.3 紅外與可見(jiàn)光圖像特性對(duì)比 7
1.4 圖像配準(zhǔn)基本理論 8
1.4.1 空間變換模型 8
1.4.2 圖像配準(zhǔn)方法 10
1.4.3 配準(zhǔn)效果評(píng)價(jià)標(biāo)準(zhǔn) 12
1.5 圖像融合基本理論 13
1.5.1 圖像融合層次劃分 13
1.5.2 圖像融合方法 14
1.5.3 融合效果評(píng)價(jià)標(biāo)準(zhǔn) 20
1.6 本篇主要研究?jī)?nèi)容 23
第2章 基于形態(tài)學(xué)邊緣檢測(cè)與改進(jìn)ORB的圖像配準(zhǔn) 25
2.1 引言 25
2.2 算法框架 26
2.2.1 形態(tài)學(xué)邊緣檢測(cè) 26
2.2.2 改進(jìn)的ORB算法 28
2.2.3 特征點(diǎn)提取、描述與匹配 28
2.3 基于GMS與PROSAC的雙重誤匹配剔除 31
2.3.1 基于GMS的誤匹配剔除 31
2.3.2 基于PROSAC的二次誤匹配剔除 33
2.4 仿真實(shí)驗(yàn)與結(jié)果分析 33
2.4.1 實(shí)驗(yàn)仿真結(jié)果 33
2.4.2 配準(zhǔn)結(jié)果分析 36
2.5 本章小結(jié) 37
第3章 基于NSDTCT與自適應(yīng)分塊的圖像融合 38
3.1 引言 38
3.2 相關(guān)理論 39
3.2.1 NSDTCT 39
3.2.2 果蠅優(yōu)化算法 40
3.3 融合步驟與策略 41
3.3.1 融合方案 41
3.3.2 基于FOA算法優(yōu)化的自適應(yīng)分塊 42
3.3.3 標(biāo)簽圖的產(chǎn)生過(guò)程 44
3.3.4 高頻分量融合策略 46
3.4 仿真實(shí)驗(yàn)與結(jié)果分析 47
3.4.1 實(shí)驗(yàn)參數(shù)設(shè)置 47
3.4.2 仿真結(jié)果分析 48
3.5 本章小結(jié) 52
第4章 基于IHS變換與目標(biāo)增強(qiáng)的圖像融合 53
4.1 引言 53
4.2 融合步驟 54
4.2.1 融合方案 54
4.2.2 IHS色彩空間變換 54
4.2.3 基于RPCA的目標(biāo)增強(qiáng) 55
4.3 仿真實(shí)驗(yàn)與結(jié)果分析 57
4.3.1 仿真條件 57
4.3.2 實(shí)驗(yàn)結(jié)果及分析 57
4.4 本章小結(jié) 59
本篇小結(jié) 60
目標(biāo)識(shí)別篇
第5章 SAR圖像自動(dòng)目標(biāo)識(shí)別概述 63
5.1 SAR圖像自動(dòng)目標(biāo)識(shí)別簡(jiǎn)介 63
5.2 SAR圖像自動(dòng)目標(biāo)識(shí)別研究現(xiàn)狀 64
5.2.1 目標(biāo)檢測(cè) 64
5.2.2 目標(biāo)鑒別 65
5.2.3 目標(biāo)識(shí)別 66
5.3 本篇主要研究?jī)?nèi)容 67
第6章 基于自適應(yīng)篩選快速CFAR算法的目標(biāo)檢測(cè) 69
6.1 引言 69
6.2 雙參數(shù)CFAR算法在多目標(biāo)環(huán)境下的性能研究 69
6.2.1 雙參數(shù)CFAR算法 69
6.2.2 參考窗內(nèi)包含目標(biāo)像素的影響理論推導(dǎo) 71
6.2.3 參考窗內(nèi)包含目標(biāo)像素的影響仿真研究 71
6.3 自適應(yīng)篩選快速CFAR算法流程 73
6.3.1 參考窗口像素的自適應(yīng)篩選 73
6.3.2 自適應(yīng)篩選仿真實(shí)驗(yàn) 75
6.3.3 區(qū)域閾值的可行性分析 77
6.4 實(shí)驗(yàn)驗(yàn)證 78
6.4.1 實(shí)驗(yàn)設(shè)置 78
6.4.2 實(shí)驗(yàn)結(jié)果及分析 78
6.5 本章小結(jié) 80
第7章 基于Krawtchouk矩特征的目標(biāo)鑒別 81
7.1 引言 81
7.2 SAR圖像的Krawtchouk矩特征提取 81
7.2.1 Krawtchouk矩 81
7.2.2 基于*大信息系數(shù)的特征選擇 82
7.3 代價(jià)敏感神經(jīng)網(wǎng)絡(luò)分類(lèi)器設(shè)計(jì) 83
7.3.1 多隱層神經(jīng)網(wǎng)絡(luò) 83
7.3.2 非均等代價(jià)函數(shù) 84
7.4 實(shí)驗(yàn)驗(yàn)證 84
7.4.1 實(shí)驗(yàn)設(shè)置 84
7.4.2 評(píng)價(jià)指標(biāo) 85
7.4.3 實(shí)驗(yàn)結(jié)果及分析 86
7.5 本章小結(jié) 90
第8章 基于卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的目標(biāo)識(shí)別 91
8.1 引言 91
8.2 卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別流程 91
8.3 改進(jìn)的特征提取網(wǎng)絡(luò)結(jié)構(gòu) 92
8.3.1 特征提取網(wǎng)絡(luò)的結(jié)構(gòu) 92
8.3.2 卷積神經(jīng)網(wǎng)絡(luò)對(duì)噪聲的抑制 93
8.4 優(yōu)化的Softmax分類(lèi)器 94
8.4.1 正則化項(xiàng) 94
8.4.2 dropout原理 95
8.5 卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別實(shí)驗(yàn)驗(yàn)證 96
8.5.1 實(shí)驗(yàn)設(shè)置 96
8.5.2 實(shí)驗(yàn)結(jié)果及分析 98
8.6 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)框架 101
8.6.1 Faster-RCNN目標(biāo)檢測(cè)框架 101
8.6.2 SSD目標(biāo)檢測(cè)框架 102
8.7 針對(duì)SAR圖像的檢測(cè)框架研究 103
8.7.1 預(yù)訓(xùn)練模型 103
8.7.2 零均值規(guī)整化 103
8.8 深度學(xué)習(xí)目標(biāo)檢測(cè)實(shí)驗(yàn)驗(yàn)證 104
8.8.1 實(shí)驗(yàn)設(shè)置 104
8.8.2 實(shí)驗(yàn)結(jié)果及分析 105
8.9 本章小結(jié) 109
本篇小結(jié) 110
目標(biāo)跟蹤篇
第9章 目標(biāo)跟蹤概述 113
9.1 目標(biāo)跟蹤簡(jiǎn)介 113
9.2 目標(biāo)跟蹤研究現(xiàn)狀 114
9.2.1 生成式跟蹤方法 114
9.2.2 判別式跟蹤方法 118
9.3 本篇主要研究?jī)?nèi)容 121
第10章 相關(guān)濾波目標(biāo)跟蹤基礎(chǔ)理論 123
10.1 引言 123
10.2 背景感知相關(guān)濾波目標(biāo)跟蹤方法 123
10.2.1 標(biāo)準(zhǔn)相關(guān)濾波目標(biāo)跟蹤方法 123
10.2.2 背景感知相關(guān)濾波器 124
10.2.3 尺度估計(jì) 126
10.3 進(jìn)一步改進(jìn)優(yōu)化方向 127
10.4 實(shí)驗(yàn)數(shù)據(jù)與評(píng)價(jià)指標(biāo) 128
10.4.1 數(shù)據(jù)集 128
10.4.2 評(píng)價(jià)指標(biāo) 130
10.5 本章小結(jié) 132
第11章 時(shí)空感知相關(guān)濾波器 133
11.1 引言 133
11.2 時(shí)空感知相關(guān)濾波器模板訓(xùn)練 133
11.3 時(shí)空感知相關(guān)濾波器方法步驟 136
11.4 時(shí)空感知相關(guān)濾波器實(shí)驗(yàn)與分析 137
11.4.1 對(duì)比實(shí)驗(yàn)設(shè)置 137
11.4.2 數(shù)據(jù)集 137
11.4.3 實(shí)驗(yàn)具體參數(shù)設(shè)置 138
11.4.4 實(shí)驗(yàn)結(jié)果及分析 138
11.5 特征選擇 146
11.5.1 人工特征 146
11.5.2 深度特征 148
11.5.3 自適應(yīng)特征選擇 149
11.6 自適應(yīng)特征選擇實(shí)驗(yàn)與分析 151
11.6.1 對(duì)比實(shí)驗(yàn)設(shè)置 151
11.6.2 測(cè)試數(shù)據(jù)集 151
11.6.3 實(shí)驗(yàn)具體參數(shù)設(shè)置 151
11.6.4 實(shí)驗(yàn)結(jié)果及分析 151
11.7 本章小結(jié) 155
第12章 長(zhǎng)時(shí)目標(biāo)跟蹤 157
12.1 引言 157
12.2 EdgeBoxes候選區(qū)域提取 158
12.3 結(jié)構(gòu)化支持向量機(jī) 160
12.4 自適應(yīng)目標(biāo)重檢測(cè) 161
12.5 自適應(yīng)目標(biāo)重檢測(cè)方法步驟 162
12.6 自適應(yīng)目標(biāo)重檢測(cè)實(shí)驗(yàn)與分析 163
12.6.1 對(duì)比實(shí)驗(yàn)設(shè)置 163
12.6.2 數(shù)據(jù)集 164
12.6.3 實(shí)驗(yàn)具體參數(shù)設(shè)置 164
12.6.4 實(shí)驗(yàn)分析 164
12.7 長(zhǎng)時(shí)目標(biāo)跟蹤框架及目標(biāo)尺度估計(jì) 166
12.8 長(zhǎng)時(shí)目標(biāo)跟蹤方法步驟 167
12.9 長(zhǎng)時(shí)目標(biāo)跟蹤實(shí)驗(yàn)與分析 168
12.9.1 實(shí)驗(yàn)數(shù)據(jù) 168
12.9.2 對(duì)比實(shí)驗(yàn)設(shè)置 168
12.9.3 實(shí)驗(yàn)設(shè)置 169
12.9.4 定量分析 169
12.9.5 定性分析 189
12.10 本章小結(jié) 192
本篇小結(jié) 194
參考文獻(xiàn) 195
彩圖
前言
圖像融合篇
第1章 圖像融合概述 3
1.1 圖像融合簡(jiǎn)介 3
1.2 紅外與可見(jiàn)光圖像配準(zhǔn)及融合研究現(xiàn)狀 4
1.2.1 圖像配準(zhǔn)技術(shù)研究現(xiàn)狀 4
1.2.2 圖像融合技術(shù)研究現(xiàn)狀 5
1.3 成像特性分析 6
1.3.1 紅外成像特性 6
1.3.2 可見(jiàn)光成像特性 7
1.3.3 紅外與可見(jiàn)光圖像特性對(duì)比 7
1.4 圖像配準(zhǔn)基本理論 8
1.4.1 空間變換模型 8
1.4.2 圖像配準(zhǔn)方法 10
1.4.3 配準(zhǔn)效果評(píng)價(jià)標(biāo)準(zhǔn) 12
1.5 圖像融合基本理論 13
1.5.1 圖像融合層次劃分 13
1.5.2 圖像融合方法 14
1.5.3 融合效果評(píng)價(jià)標(biāo)準(zhǔn) 20
1.6 本篇主要研究?jī)?nèi)容 23
第2章 基于形態(tài)學(xué)邊緣檢測(cè)與改進(jìn)ORB的圖像配準(zhǔn) 25
2.1 引言 25
2.2 算法框架 26
2.2.1 形態(tài)學(xué)邊緣檢測(cè) 26
2.2.2 改進(jìn)的ORB算法 28
2.2.3 特征點(diǎn)提取、描述與匹配 28
2.3 基于GMS與PROSAC的雙重誤匹配剔除 31
2.3.1 基于GMS的誤匹配剔除 31
2.3.2 基于PROSAC的二次誤匹配剔除 33
2.4 仿真實(shí)驗(yàn)與結(jié)果分析 33
2.4.1 實(shí)驗(yàn)仿真結(jié)果 33
2.4.2 配準(zhǔn)結(jié)果分析 36
2.5 本章小結(jié) 37
第3章 基于NSDTCT與自適應(yīng)分塊的圖像融合 38
3.1 引言 38
3.2 相關(guān)理論 39
3.2.1 NSDTCT 39
3.2.2 果蠅優(yōu)化算法 40
3.3 融合步驟與策略 41
3.3.1 融合方案 41
3.3.2 基于FOA算法優(yōu)化的自適應(yīng)分塊 42
3.3.3 標(biāo)簽圖的產(chǎn)生過(guò)程 44
3.3.4 高頻分量融合策略 46
3.4 仿真實(shí)驗(yàn)與結(jié)果分析 47
3.4.1 實(shí)驗(yàn)參數(shù)設(shè)置 47
3.4.2 仿真結(jié)果分析 48
3.5 本章小結(jié) 52
第4章 基于IHS變換與目標(biāo)增強(qiáng)的圖像融合 53
4.1 引言 53
4.2 融合步驟 54
4.2.1 融合方案 54
4.2.2 IHS色彩空間變換 54
4.2.3 基于RPCA的目標(biāo)增強(qiáng) 55
4.3 仿真實(shí)驗(yàn)與結(jié)果分析 57
4.3.1 仿真條件 57
4.3.2 實(shí)驗(yàn)結(jié)果及分析 57
4.4 本章小結(jié) 59
本篇小結(jié) 60
目標(biāo)識(shí)別篇
第5章 SAR圖像自動(dòng)目標(biāo)識(shí)別概述 63
5.1 SAR圖像自動(dòng)目標(biāo)識(shí)別簡(jiǎn)介 63
5.2 SAR圖像自動(dòng)目標(biāo)識(shí)別研究現(xiàn)狀 64
5.2.1 目標(biāo)檢測(cè) 64
5.2.2 目標(biāo)鑒別 65
5.2.3 目標(biāo)識(shí)別 66
5.3 本篇主要研究?jī)?nèi)容 67
第6章 基于自適應(yīng)篩選快速CFAR算法的目標(biāo)檢測(cè) 69
6.1 引言 69
6.2 雙參數(shù)CFAR算法在多目標(biāo)環(huán)境下的性能研究 69
6.2.1 雙參數(shù)CFAR算法 69
6.2.2 參考窗內(nèi)包含目標(biāo)像素的影響理論推導(dǎo) 71
6.2.3 參考窗內(nèi)包含目標(biāo)像素的影響仿真研究 71
6.3 自適應(yīng)篩選快速CFAR算法流程 73
6.3.1 參考窗口像素的自適應(yīng)篩選 73
6.3.2 自適應(yīng)篩選仿真實(shí)驗(yàn) 75
6.3.3 區(qū)域閾值的可行性分析 77
6.4 實(shí)驗(yàn)驗(yàn)證 78
6.4.1 實(shí)驗(yàn)設(shè)置 78
6.4.2 實(shí)驗(yàn)結(jié)果及分析 78
6.5 本章小結(jié) 80
第7章 基于Krawtchouk矩特征的目標(biāo)鑒別 81
7.1 引言 81
7.2 SAR圖像的Krawtchouk矩特征提取 81
7.2.1 Krawtchouk矩 81
7.2.2 基于*大信息系數(shù)的特征選擇 82
7.3 代價(jià)敏感神經(jīng)網(wǎng)絡(luò)分類(lèi)器設(shè)計(jì) 83
7.3.1 多隱層神經(jīng)網(wǎng)絡(luò) 83
7.3.2 非均等代價(jià)函數(shù) 84
7.4 實(shí)驗(yàn)驗(yàn)證 84
7.4.1 實(shí)驗(yàn)設(shè)置 84
7.4.2 評(píng)價(jià)指標(biāo) 85
7.4.3 實(shí)驗(yàn)結(jié)果及分析 86
7.5 本章小結(jié) 90
第8章 基于卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的目標(biāo)識(shí)別 91
8.1 引言 91
8.2 卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別流程 91
8.3 改進(jìn)的特征提取網(wǎng)絡(luò)結(jié)構(gòu) 92
8.3.1 特征提取網(wǎng)絡(luò)的結(jié)構(gòu) 92
8.3.2 卷積神經(jīng)網(wǎng)絡(luò)對(duì)噪聲的抑制 93
8.4 優(yōu)化的Softmax分類(lèi)器 94
8.4.1 正則化項(xiàng) 94
8.4.2 dropout原理 95
8.5 卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別實(shí)驗(yàn)驗(yàn)證 96
8.5.1 實(shí)驗(yàn)設(shè)置 96
8.5.2 實(shí)驗(yàn)結(jié)果及分析 98
8.6 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)框架 101
8.6.1 Faster-RCNN目標(biāo)檢測(cè)框架 101
8.6.2 SSD目標(biāo)檢測(cè)框架 102
8.7 針對(duì)SAR圖像的檢測(cè)框架研究 103
8.7.1 預(yù)訓(xùn)練模型 103
8.7.2 零均值規(guī)整化 103
8.8 深度學(xué)習(xí)目標(biāo)檢測(cè)實(shí)驗(yàn)驗(yàn)證 104
8.8.1 實(shí)驗(yàn)設(shè)置 104
8.8.2 實(shí)驗(yàn)結(jié)果及分析 105
8.9 本章小結(jié) 109
本篇小結(jié) 110
目標(biāo)跟蹤篇
第9章 目標(biāo)跟蹤概述 113
9.1 目標(biāo)跟蹤簡(jiǎn)介 113
9.2 目標(biāo)跟蹤研究現(xiàn)狀 114
9.2.1 生成式跟蹤方法 114
9.2.2 判別式跟蹤方法 118
9.3 本篇主要研究?jī)?nèi)容 121
第10章 相關(guān)濾波目標(biāo)跟蹤基礎(chǔ)理論 123
10.1 引言 123
10.2 背景感知相關(guān)濾波目標(biāo)跟蹤方法 123
10.2.1 標(biāo)準(zhǔn)相關(guān)濾波目標(biāo)跟蹤方法 123
10.2.2 背景感知相關(guān)濾波器 124
10.2.3 尺度估計(jì) 126
10.3 進(jìn)一步改進(jìn)優(yōu)化方向 127
10.4 實(shí)驗(yàn)數(shù)據(jù)與評(píng)價(jià)指標(biāo) 128
10.4.1 數(shù)據(jù)集 128
10.4.2 評(píng)價(jià)指標(biāo) 130
10.5 本章小結(jié) 132
第11章 時(shí)空感知相關(guān)濾波器 133
11.1 引言 133
11.2 時(shí)空感知相關(guān)濾波器模板訓(xùn)練 133
11.3 時(shí)空感知相關(guān)濾波器方法步驟 136
11.4 時(shí)空感知相關(guān)濾波器實(shí)驗(yàn)與分析 137
11.4.1 對(duì)比實(shí)驗(yàn)設(shè)置 137
11.4.2 數(shù)據(jù)集 137
11.4.3 實(shí)驗(yàn)具體參數(shù)設(shè)置 138
11.4.4 實(shí)驗(yàn)結(jié)果及分析 138
11.5 特征選擇 146
11.5.1 人工特征 146
11.5.2 深度特征 148
11.5.3 自適應(yīng)特征選擇 149
11.6 自適應(yīng)特征選擇實(shí)驗(yàn)與分析 151
11.6.1 對(duì)比實(shí)驗(yàn)設(shè)置 151
11.6.2 測(cè)試數(shù)據(jù)集 151
11.6.3 實(shí)驗(yàn)具體參數(shù)設(shè)置 151
11.6.4 實(shí)驗(yàn)結(jié)果及分析 151
11.7 本章小結(jié) 155
第12章 長(zhǎng)時(shí)目標(biāo)跟蹤 157
12.1 引言 157
12.2 EdgeBoxes候選區(qū)域提取 158
12.3 結(jié)構(gòu)化支持向量機(jī) 160
12.4 自適應(yīng)目標(biāo)重檢測(cè) 161
12.5 自適應(yīng)目標(biāo)重檢測(cè)方法步驟 162
12.6 自適應(yīng)目標(biāo)重檢測(cè)實(shí)驗(yàn)與分析 163
12.6.1 對(duì)比實(shí)驗(yàn)設(shè)置 163
12.6.2 數(shù)據(jù)集 164
12.6.3 實(shí)驗(yàn)具體參數(shù)設(shè)置 164
12.6.4 實(shí)驗(yàn)分析 164
12.7 長(zhǎng)時(shí)目標(biāo)跟蹤框架及目標(biāo)尺度估計(jì) 166
12.8 長(zhǎng)時(shí)目標(biāo)跟蹤方法步驟 167
12.9 長(zhǎng)時(shí)目標(biāo)跟蹤實(shí)驗(yàn)與分析 168
12.9.1 實(shí)驗(yàn)數(shù)據(jù) 168
12.9.2 對(duì)比實(shí)驗(yàn)設(shè)置 168
12.9.3 實(shí)驗(yàn)設(shè)置 169
12.9.4 定量分析 169
12.9.5 定性分析 189
12.10 本章小結(jié) 192
本篇小結(jié) 194
參考文獻(xiàn) 195
彩圖
展開(kāi)全部
無(wú)人機(jī)偵察情報(bào)處理技術(shù) 節(jié)選
圖像融合篇 第1章 圖像融合概述 1.1 圖像融合簡(jiǎn)介 作為信息融合領(lǐng)域的重要分支之一，多源圖像融合綜合了圖像處理、信號(hào)處理、計(jì)算機(jī)視覺(jué)與人工智能等眾多學(xué)科的理論。融合的本質(zhì)是對(duì)源圖像中的信息進(jìn)行優(yōu)化、篩選與組合，從而降低單一類(lèi)型傳感器成像可能存在的多義性、不完整性與不確定性，提高在特征提取、分類(lèi)與目標(biāo)識(shí)別等方面的有效性 [1]。根據(jù)成像傳感器的不同，融合類(lèi)型可分為紅外與可見(jiàn)光圖像融合、合成孔徑雷達(dá)( Synthetic Aperture Radar，SAR)與可見(jiàn)光融合、多光譜圖像融合等。根據(jù)融合信息的抽象層次不同，融合類(lèi)型可分為像素級(jí)、特征級(jí)與決策級(jí)融合三類(lèi)，其中，像素級(jí)融合的結(jié)果信息量*大也*全面，更易于被人的視覺(jué)系統(tǒng)所接受，適合進(jìn)一步進(jìn)行目標(biāo)檢測(cè)、目標(biāo)識(shí)別等，因此目前受到的關(guān)注與研究*多。 紅外與可見(jiàn)光圖像融合是當(dāng)前多源圖像融合中的一大研究熱點(diǎn) [2]。紅外傳感器可透云霧成像，能全天候執(zhí)行偵察任務(wù)，但成像質(zhì)量不佳，細(xì)節(jié)模糊；可見(jiàn)光成像清晰度與對(duì)比度更高，但在云煙霧及光照不良條件下成像效果不佳。綜上所述，單一類(lèi)型的傳感器難以勝任復(fù)雜戰(zhàn)場(chǎng)條件下的偵察任務(wù)，因此需要通過(guò)圖像融合技術(shù)實(shí)現(xiàn)不同傳感器之間的信息互補(bǔ)，提高偵察信息獲取的可靠性。圖 1-1為可見(jiàn)光與紅外圖像像素級(jí)融合過(guò)程示意圖。 圖1-1 紅外與可見(jiàn)光圖像像素級(jí)融合過(guò)程示意圖 在圖 1-1中，目標(biāo)首先通過(guò)傳感器成像得到源圖像，為了解決成像過(guò)程中噪聲及運(yùn)動(dòng)干擾導(dǎo)致的圖像模糊問(wèn)題，需要對(duì)源圖像進(jìn)行降噪或增強(qiáng)等預(yù)處理操作；為了消除成像過(guò)程中產(chǎn)生的縮放、旋轉(zhuǎn)與平移等圖像畸變，滿(mǎn)足后續(xù)融合要求，需要對(duì)預(yù)處理得到的圖像進(jìn)行空間位置上的配準(zhǔn)；在預(yù)處理及配準(zhǔn)后，通過(guò)融合源圖像，實(shí)現(xiàn)兩種不同類(lèi)型傳感器之間的信息優(yōu)勢(shì)互補(bǔ)，并對(duì)融合結(jié)果進(jìn)行評(píng)價(jià)；融合結(jié)果中的信息更完整全面，因此可以進(jìn)一步提取融合結(jié)果中的信息進(jìn)行圖像分類(lèi)、目標(biāo)檢測(cè)、識(shí)別等，并應(yīng)用于實(shí)際任務(wù)中。 1.2 紅外與可見(jiàn)光圖像配準(zhǔn)及融合研究現(xiàn)狀 在像素級(jí)融合中，源圖像只有在分辨率一致、大小相同且在同一坐標(biāo)系中嚴(yán)格對(duì)齊的情況下，才能滿(mǎn)足融合條件。無(wú)人機(jī)在航空偵察的過(guò)程中，機(jī)載傳感器受成像距離、角度等因素的影響，成像后圖像可能存在空間上的縮放、平移、旋轉(zhuǎn)等畸變，因此在融合前，需要通過(guò)圖像配準(zhǔn)消除圖像畸變，使源圖像滿(mǎn)足融合條件。在實(shí)際應(yīng)用中，圖像配準(zhǔn)應(yīng)快速、精準(zhǔn)，才能提高整個(gè)融合過(guò)程的效率，滿(mǎn)足對(duì)實(shí)時(shí)性的需求。 1.2.1 圖像配準(zhǔn)技術(shù)研究現(xiàn)狀 圖像配準(zhǔn)是指對(duì)從不同視點(diǎn)、不同時(shí)間或不同傳感器獲得的同一場(chǎng)景的兩幅或多幅圖像建立對(duì)應(yīng)關(guān)系的過(guò)程。 20世紀(jì) 70年代，美軍提出將圖像配準(zhǔn)技術(shù)用于飛行器輔助導(dǎo)航與制導(dǎo)發(fā)射等領(lǐng)域，這是圖像配準(zhǔn)技術(shù)在軍事領(lǐng)域的首次應(yīng)用。隨著軍事技術(shù)的發(fā)展，無(wú)人機(jī)開(kāi)始廣泛應(yīng)用于航空偵察，基于圖像配準(zhǔn)的輔助導(dǎo)航系統(tǒng)也大量裝備在無(wú)人機(jī)上以輔助導(dǎo)航[3]，此外，圖像配準(zhǔn)也廣泛應(yīng)用于醫(yī)學(xué)檢測(cè)[4]、車(chē)輛檢測(cè) [5]等民用領(lǐng)域。 圖像配準(zhǔn)技術(shù)*初主要針對(duì)同源圖像，隨著多傳感器成像技術(shù)的迅速發(fā)展，針對(duì)異源圖像配準(zhǔn)技術(shù)的研究逐漸引起專(zhuān)家學(xué)者的關(guān)注。由于傳感器的成像機(jī)理不同，得到的圖像在顏色、紋理、分辨率等方面差異較大，所以異源圖像配準(zhǔn)的難度較同源配準(zhǔn)更高。目前，異源圖像配準(zhǔn)方法可根據(jù)對(duì)圖像信息的利用情況分為基于灰度與基于特征兩大類(lèi)。 基于灰度的配準(zhǔn)方法直接利用局部圖像的灰度信息建立異源圖像之間的相似性度量，而后搜索求解使相似性度量值*大或*小的變換模型參數(shù)，常用的相似性度量包括 Hausdorff距離、互信息等。由于噪聲影響圖像的灰度分布，且該類(lèi)方法對(duì)圖像的空間結(jié)構(gòu)特征利用不夠，故配準(zhǔn)魯棒性通常較差，搜索求解過(guò)程容易陷入局部*優(yōu)，提升該類(lèi)方法性能的關(guān)鍵是尋找更好的相似性度量及改進(jìn)搜索求解策略。 基于特征的配準(zhǔn)方法通過(guò)提取圖像局部特征作為異源圖像配準(zhǔn)的參考信息，該類(lèi)方法分為特征提取與特征匹配兩個(gè)步驟，常用于匹配的特征包括角點(diǎn)、邊緣、輪廓等[6]。由于圖像局部特征的不變性，該類(lèi)方法的魯棒性較基于灰度的配準(zhǔn)方法更強(qiáng)，配準(zhǔn)效果更好，但實(shí)現(xiàn)更復(fù)雜 [7]。目前主流的特征匹配方法有尺度不變特征變換(Scale-Invariant Feature Transform，SIFT)、加速魯棒特征( Speeded-Up Robust Features，SURF)、定向 FAST和旋轉(zhuǎn) BRIEF特征(Oriented FAST and Rotated BRIEF，ORB)等，在匹配速度上， ORB較 SIFT與 SURF有數(shù)量級(jí)上的提升，更適合實(shí)際應(yīng)用[8]。但 ORB在一些尺度變化較大的場(chǎng)景下匹配效果較差，如何解決 ORB的尺度不變性問(wèn)題是提升該算法性能的關(guān)鍵 [9]。 在紅外與可見(jiàn)光圖像配準(zhǔn)領(lǐng)域，兩者的灰度差異較大是制約配準(zhǔn)精度的主要因素，因此當(dāng)前的研究集中在如何消除灰度差異對(duì)配準(zhǔn)精度的影響，目前已有的方法包括輪廓擬合、顯著性檢測(cè)、邊緣檢測(cè) [10]等。這些方法通過(guò)檢測(cè)并提取紅外與可見(jiàn)光圖像的共同特征如輪廓、邊緣等，來(lái)減弱灰度差異對(duì)配準(zhǔn)精度的影響，盡管部分方法精度足夠高，但配準(zhǔn)速度慢，而圖像配準(zhǔn)在實(shí)際應(yīng)用中只是眾多步驟的一環(huán)，因此如何平衡精度與速度之間的矛盾，使方法能夠得到實(shí)際應(yīng)用，是紅外與可見(jiàn)光圖像配準(zhǔn)研究中的重點(diǎn)和難點(diǎn)。 1.2.2 圖像融合技術(shù)研究現(xiàn)狀 在國(guó)外，美國(guó)是融合技術(shù)起步*早、發(fā)展*快的國(guó)家。 1973年，美國(guó)國(guó)防部通過(guò)融合聲吶信號(hào)，實(shí)現(xiàn)敵方潛艇位置的自動(dòng)檢測(cè)，被視為信息融合技術(shù)應(yīng)用在軍事領(lǐng)域的開(kāi)端。 70年代后期，格魯門(mén)公司利用紅外與可見(jiàn)光圖像的信息互補(bǔ)性，生產(chǎn)了一種增強(qiáng)型夜視鏡用于提高美軍夜間執(zhí)勤能力。近年來(lái)，美軍在不斷研究微光和多波段融合方法，以確保其夜視技術(shù)方面的領(lǐng)先優(yōu)勢(shì)，引起了世界軍事強(qiáng)國(guó)的高度關(guān)注。目前，美國(guó)正積極研制一種覆蓋可見(jiàn)光、紅外和雷達(dá)成像的多譜段傳感器信息融合系統(tǒng)，以提高戰(zhàn)場(chǎng)感知能力。 相關(guān)方法上，國(guó)外研究水平始終處于領(lǐng)先地位。早期融合方法集中于空域，主要有加權(quán)平均、主成分分析等，這類(lèi)方法計(jì)算量小，易于實(shí)現(xiàn)，但圖像并不是孤立像素點(diǎn)的集合，空域法容易割裂圖像的空間構(gòu)成，造成對(duì)比度的下降與細(xì)節(jié)信息的損失。金字塔融合 [11]的面世，標(biāo)志著融合方法從空間域轉(zhuǎn)入變換域，此后，小波融合、脊波變換、輪廓波變換 [12]等基于變換域的方法相繼被提出。此外，神經(jīng)網(wǎng)絡(luò)、壓縮感知、稀疏表示等理論也大量用于圖像融合研究 [13]。*近，伴隨著深度學(xué)習(xí)的熱潮，部分學(xué)者提出基于低秩矩陣分解及卷積神經(jīng)網(wǎng)絡(luò)( Convolutional Neural Network，CNN)理論的融合方法構(gòu)想，盡管目前相關(guān)方法在目標(biāo)識(shí)別、目標(biāo)檢測(cè)等方面已取得顯著成效，但由于圖像融合涉及圖像分解、特征分類(lèi)、特征選擇與圖像重建等眾多理論，所以將相關(guān)方法應(yīng)用于圖像融合還有待進(jìn)一步探索。 在國(guó)內(nèi)，由于對(duì)信息融合理論與技術(shù)的研究起步較晚，發(fā)展相對(duì)落后， 80年代末才出現(xiàn)有關(guān)多源信息融合技術(shù)的研究報(bào)告。為緊跟前沿，政府將信息融合技術(shù)列為“863”計(jì)劃與“九五”規(guī)劃中的國(guó)家重點(diǎn)研究項(xiàng)目，并將其確定為計(jì)算機(jī)技術(shù)領(lǐng)域的關(guān)鍵技術(shù)之一。隨后，在政府、軍方及各類(lèi)基金的扶持下，大批高校與研究所投入了相關(guān)研究中，在圖像融合領(lǐng)域，也取得了豐碩的研究成果 [14]。 應(yīng)用層面上，1999年，我國(guó)在“資源一號(hào)”衛(wèi)星上同時(shí)安裝了電荷耦合元件(Charge-Coupled Device，CCD)與紅外掃描儀，通過(guò)圖像融合，有效擴(kuò)大了衛(wèi)星的遙感區(qū)域。北京理工大學(xué)于 2009年研制的基于 YUV色彩空間傳遞的彩色圖像融合系統(tǒng)，能實(shí)現(xiàn)紅外與可見(jiàn)光圖像的偽彩色融合 [15]。同年，南京理工大學(xué)也開(kāi)發(fā)了一套能夠?qū)崿F(xiàn)快速融合的偽彩色圖像實(shí)時(shí)融合系統(tǒng)。此外，上海交通大學(xué)、中科院長(zhǎng)春光機(jī)所等研究機(jī)構(gòu)也長(zhǎng)期與軍方部門(mén)合作，一直從事紅外與可見(jiàn)光圖像融合的研究。 學(xué)術(shù)層面上，由于起步較晚，國(guó)內(nèi)學(xué)者在圖像融合領(lǐng)域的提出的創(chuàng)造性理論較少，主要側(cè)重于對(duì)國(guó)外已有的理論進(jìn)行完善與運(yùn)用。具有代表性的研究成果主要有馬義德的基于脈沖耦合神經(jīng)網(wǎng)絡(luò) (Pulse Coupled Neural Network，PCNN)的融合理論、劉羽的基于多尺度變換與稀疏表示的圖像融合框架 [16]、馬佳義的梯度轉(zhuǎn)換與*小全變差模型[17]等。此外，國(guó)內(nèi)學(xué)者嘗試將深度學(xué)習(xí)應(yīng)用于圖像融合，如李紅 [18]等將深度支撐值學(xué)習(xí)網(wǎng)絡(luò)用于遙感圖像、藺素珍 [19]等提出基于深度堆疊 CNN的圖像融合方法、馬佳義 [20]利用生成式對(duì)抗網(wǎng)絡(luò)( Generative Adversarial Network，GAN)融合紅外與可見(jiàn)光圖像等，展現(xiàn)了國(guó)內(nèi)學(xué)者勇于開(kāi)拓創(chuàng)新的科研精神。 盡管我國(guó)在圖像融合領(lǐng)域研究成果突出，尤其是在紅外與可見(jiàn)光圖像融合方面碩果累累，但總體而言，由于缺乏實(shí)際的多傳感器系統(tǒng)應(yīng)用需求的牽引，圖像融合領(lǐng)域的研究更傾向于探索與仿真，且研究過(guò)程中并未針對(duì)不同層次不同類(lèi)型的融合建立廣受認(rèn)可的詳細(xì)數(shù)學(xué)模型和完整理論體系，很多研究工作只針對(duì)某些應(yīng)用領(lǐng)域的特定問(wèn)題展開(kāi)，缺乏普適性。因此，需要進(jìn)一步研究圖像融合的數(shù)學(xué)本質(zhì)，建立具有普適性的數(shù)學(xué)模型，并加強(qiáng)需求牽引，才能更好地引導(dǎo)研究成果服務(wù)于實(shí)際應(yīng)用，從而提高我國(guó)的軍事實(shí)力。 1.3 成像特性分析 1.3.1 紅外成像特性 紅外線( Infrared Ray，IR)波長(zhǎng)介于可見(jiàn)光與微波之間，根據(jù)波長(zhǎng)不同，可分為近、中、遠(yuǎn)紅外線三類(lèi)。近波紅外波長(zhǎng)介于 0.7～2.5μm，穿透力*強(qiáng)；中波紅外波長(zhǎng)介于 2.5～25μm，穿透力較強(qiáng)；遠(yuǎn)波紅外波長(zhǎng)介于 25～1000μm，穿透力*弱。根據(jù)成像紅外線來(lái)源的不同，成像方式可劃分為主動(dòng)式與被動(dòng)式：主動(dòng)式成像通過(guò)成像設(shè)備主動(dòng)向目標(biāo)發(fā)射紅外線，通過(guò)接收反射的紅外輻射成像；被動(dòng)式成像通過(guò)接收目標(biāo)熱輻射產(chǎn)生的紅外線成像。 理論上，高于絕對(duì)零度的目標(biāo)就能產(chǎn)生紅外線。實(shí)際情況下，目標(biāo)與環(huán)境的溫差越大，能量傳遞產(chǎn)生的熱效應(yīng)越強(qiáng)，這種熱效應(yīng)產(chǎn)生的輻射差異通過(guò)紅外成像儀映射成圖像中的灰度值。在紅外圖像中，灰度值越高的地方表示輻射差異越大，熱效應(yīng)越強(qiáng)。由于目標(biāo)邊緣處與環(huán)境的輻射差異更大，所以邊緣處在紅外圖像中通常
書(shū)友推薦
- >
我與地壇
- >
月亮虎
- >
巴金－再思錄
- >
自卑與超越
- >
經(jīng)典常談
- >
隨園食單
- >
有舍有得是人生
- >
李白與唐代文化
本類(lèi)暢銷(xiāo)
