序列紅外圖像目標(biāo)檢測(cè)與識(shí)別算法研究.pdf

1、本文對(duì)低信噪比紅外圖像序列中弱小目標(biāo)的檢測(cè),不完整信息的目標(biāo)識(shí)別算法及智能目標(biāo)識(shí)別問(wèn)題進(jìn)行了深入、系統(tǒng)的研究,主要研究成果如下:1. 利用點(diǎn)目標(biāo)、噪聲及背景雜波在空間分布的特征,提出了旋轉(zhuǎn)均值濾波算法.這種算法不僅可以最大限度地提升點(diǎn)目標(biāo)的信號(hào)強(qiáng)度,而且能夠抑制背景及雜波,有效提高信噪比.深入分析復(fù)雜背景紅外圖像的噪聲特性,并由此先對(duì)紅外圖像進(jìn)行灰值形態(tài)學(xué)濾波,利用目標(biāo)在圖像平面表現(xiàn)為"能量包"的空間特性,提出了基于能量特征的紅外斑點(diǎn)目

2、標(biāo)的檢測(cè)算法.對(duì)實(shí)際紅外圖像數(shù)據(jù)處理結(jié)果表明該算法不僅具有很高的檢測(cè)概率,而且計(jì)算簡(jiǎn)捷,大大提高了算法的實(shí)時(shí)性.2. 分析了一種得到廣泛重視的用于不變目標(biāo)識(shí)別的高階神經(jīng)網(wǎng)絡(luò)算法,并結(jié)合三角學(xué)知識(shí)實(shí)現(xiàn)了快速訓(xùn)練,大大提高了計(jì)算效率,解決了傳統(tǒng)高階神經(jīng)網(wǎng)絡(luò)實(shí)際運(yùn)用中計(jì)算量的瓶頸問(wèn)題.將信息熵的概念引入了特征提取過(guò)程,提出了一種針對(duì)二值模式的多窗二值局部熵的特征提取算法.結(jié)合最近鄰分類算法,識(shí)別實(shí)驗(yàn)結(jié)果表明,本文提出的快速高階神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

3、及基于多窗二值局部熵的特征提取算法在保證了分類性能的同時(shí),大大簡(jiǎn)化了計(jì)算,提高了算法的實(shí)時(shí)性.3.利用方向可調(diào)濾波器直接提取圖像中目標(biāo)子圖的特征信息做為特征向量,而不再采取首先分割的方法.通過(guò)引入一種成功用于非線性及非高斯情況時(shí)估計(jì)問(wèn)題的序貫Monte Carlo方法—粒子濾波算法把識(shí)別問(wèn)題轉(zhuǎn)變?yōu)楣烙?jì)問(wèn)題,使之避免了分割結(jié)果的影響,利用最大后驗(yàn)概率準(zhǔn)則實(shí)現(xiàn)高的識(shí)別準(zhǔn)確率.4. 提出一種新型的模糊形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò).利用模糊化函數(shù)及最大化模糊

4、神經(jīng)元對(duì)規(guī)一化的圖像實(shí)現(xiàn)模糊化,并運(yùn)用方向可調(diào)濾波器提取模糊化模式的特征量作為分類網(wǎng)絡(luò)的輸入.將灰值形態(tài)學(xué)中"Top-Hat"變換與自組織特征映射神經(jīng)網(wǎng)絡(luò)相結(jié)合,實(shí)現(xiàn)了映射區(qū)域的自動(dòng)選擇.結(jié)合遺傳算法并行特點(diǎn),實(shí)現(xiàn)網(wǎng)絡(luò)連接權(quán)值的快速調(diào)節(jié).實(shí)驗(yàn)對(duì)比結(jié)果表明,本文提出的網(wǎng)絡(luò)不僅可以達(dá)到對(duì)二值模式及灰度圖像的快速識(shí)別的目的,而且克服了傳統(tǒng)網(wǎng)絡(luò)的基于梯度下降算法收斂性慢及輸入新模式時(shí)需要重新調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)的問(wèn)題.5. 以真實(shí)紅外點(diǎn)目標(biāo)、斑點(diǎn)目標(biāo)圖