一、小波分析理论在图像目标检测中的应用（论文文献综述）
陈顺[1]（2021）在《几种类型图像边缘检测的相关问题研究》文中指出近年来,随着图像处理研究的快速发展,非标准图像的研究已逐渐成为研究热点,例如,织物图像、遥感图像和齿轮图像等。其中部分遥感图像与标准图像相比具有复杂的背景和低光照性,并且采集时易混入噪声;部分织物图像具有丰富的纹理信息,为相关处理增加了难度,采集时也容易混入噪声。视觉感知特征中边缘特征是最基本的低层次特征,此特征在图像信息简化和分析中发挥着重要作用,为后续图像更深层次处理打下了良好的基础。并且图像灰度化后进行边缘检测是我们最常见的图像边缘检测方式,而彩色图像由于具有多种不同颜色空间使得边缘检测更为复杂。因此,本文将针对灰度印花织物图像、彩色图像、灰度遥感图像等图像边缘检测的相关问题展开研究。针对印花织物图像中存在丰富的纹理信息和噪声问题,本论文提出一种基于改进滤波器与小波的印花织物图像边缘提取算法。将系数相关性分析的思想运用到滤波器的改进,应用指数函数结合连分式逼近思想确定权值。将欧氏距离公式用于改进自适应中值滤波器,并采用自适应权值公式确定权值。最后改进二维Otsu算法求得最优梯度阈值用于小波模极大值法。针对彩色图像边缘检测中RGB颜色空间分量之间高的关联性会导致部分色彩信息未能被有效识别、检测及抗噪性低,本论文提出一种多层小波阈值去噪函数的彩色图像边缘检测方法。采用改进的小波阈值去噪方法对彩色图像进行去噪预处理,然后运用四元数思想构建四方向特征矩阵求解Canny算子梯度幅值和幅角,最后对梯度幅值进行非极大值抑制,并采取自适应双阈值处理得到边缘检测图像。针对遥感图像对比度低和含有大量噪声问题,本文提出一种结合图像增强的遥感图像边缘检测算法。其基本思想是对NSCT（非下采样轮廓波变换）分解的高低频分量采用Top-hat变换进行图像增强突出细节信息,然后采用改进Canny算子得到边缘图像,并去除部分孤立点得到最终边缘图像。针对含噪齿轮图像边缘检测中存在难以有效抑制噪声等问题,提出一种融合Canny算子和数学形态学的边缘检测算法。首先对图像进行小波分解得到各层子图像,然后分别对子图像采用自适应加权融合,最后重构图像得到边缘检测图像。
林昌[2]（2021）在《大雾下海上图像的目标分离与智能辨识研究》文中提出大雾天气会对船舶航行安全造成明显影响,通过在船舶上加装视觉传感器有助于提前获知和判断海上情况,提升智能船舶自主航行的安全性。然而,在大雾环境下,通过传感器获取的海上图像往往存在对比度低、颜色失真和细节丢失等问题,并且受海面浪花和反光等干扰,会导致海上图像纹理和形状等特征信息干扰性强,从而使得目标检测与识别难度加大。因此,为了提高大雾环境下船舶智能航行系统的自动检测与辨识能力,降低漏检和虚警率,本文围绕大雾下海上图像的目标分离和智能辨识问题展开深入的研究。通过图像增强、海天线分割、显着区域检测分离和目标智能辨识,系统地建立利用视觉传感器对大雾环境下海上图像进行目标分离和辨识的科学有效的方法。首先,根据大雾下图像的成像特点,对基于Retinex模型的图像增强去雾算法进行改进。通过分析传统Retinex模型的图像去雾算法,针对单尺度的Retinex模型在图像增强后存在局部细节不易突出、图像对比度差等问题,提出了基于改进双边滤波的高斯金字塔变换的Retinex图像增强算法,解决图像细节模糊和提高图像对比度。对于带色彩恢复的多尺度Retinex（MSRCR）模型在图像增强后图像整体色彩失真和图像的视觉效果差等问题,提出了基于全局亮度自适应均衡化的MSRCR图像增强算法,为后续的图像处理提供更加丰富的色彩、纹理和边缘等图像特征。其次,提出了基于梯度积分和多项式迭代的海天线快速检测算法,实现海面和天空区域的快速分割。采用高斯低通滤波器来增强图像的梯度边缘特征,对给定区域内的梯度积分值进行滑动统计,确定海面图像中海天线的潜在区域。通过逐列寻找潜在区域内梯度最大值点作为海天线的候选点,并对所有候选点进行多项式迭代拟合,剔除误检测点后,拟合确定最终的海天线,从而获得含有天空背景的图像和含有目标物的海面图像。再次,提出了融合图像多视觉特征的视觉注意机制目标分离算法,获得图像综合显着图,分割出海上图像的显着目标区域。选取海面图像中的频率特征、改进Gabor算子的方向特征、梯度纹理特征、颜色空间变换所提取亮度特征和颜色拮抗特征等八个视觉特征子图,运用谱残差算法得到不同视觉特征的显着子图。利用显着性密度函数计算得到各显着子图的权重系数,构建多视觉特征的综合显着图。在对综合显着图进行自适应阈值分割后,采用显着区域自生长策略分离并获得综合显着图中的显着区域。最后,研究基于卷积神经网络框架下的海上图像目标智能辨识分类算法,完成海上目标的分类智能辨识。结合VGG网络和Res Net网络优点,构建新型卷积神经网络框架,对含有9个类别共96980张图片的训练数据集进行训练学习,并随机选取训练数据集中每一类别各50张图像进行数据增强后作为辨识实验的测试数据集,对测试数据集进行目标智能辨识实验;实验结果表明该算法具有较高训练速度和较低的训练误差,单次训练迭代平均时间0.9s,测试数据集的辨识准确率为95.14%,有效地完成目标智能辨识分类。另外,完成对基于视觉注意机制下的大雾海上图像目标分离的显着区域图像集的智能辨识对比实验,实验结果表明该算法在识别速度上具有优势,单张图像辨识时间较VGG-16算法平均快86.6%,较Res Net50算法平均快24.35%;同时,图像最大辨识准确率优于Res Net50算法25%,略低于VGG-16算法2.78%。
刘苏[3]（2019）在《基于群稀疏表示的SAR图像相干斑抑制与目标检测识别》文中进行了进一步梳理作为一种主动式的对地观测雷达,合成孔径雷达（Synthetic Aperture Radar,SAR）具有远距离、高分辨率、能够穿透云雾植被、全天候、全天时对地观测的特点,在军事、遥感、水文、地矿等领域有着广泛的应用。由于SAR相干成像的机理使得SAR图像的表现异于光学图像,解译更加困难。群稀疏表示理论能够有效的表述SAR图像结构及目标信息,为SAR图像相干斑抑制、目标检测、目标识别提供了更加有效的分析手段。本文从SAR图像的群稀疏性出发,在深入分析SAR图像固有的相干斑和地物电磁散射特征的基础上,开展了群稀疏表示理论在SAR图像相干斑抑制、目标检测、目标识别中的应用,对SAR技术在军事和民用领域的推广应用具有重要的意义。本文的主要研究内容如下:1.为抑制SAR图像中的相干斑噪声及保留图像结构信息,引入更适合描述SAR图像局部相似性的群稀疏表示理论,在深入分析相干斑乘性噪声模型的基础上,本文提出了基于群稀疏字典学习的SAR图像相干斑抑制算法。为克服乘性相干斑噪声影响,引入均值滤波器对SAR图像进行均值滤波,获得滤波后无噪SAR图像的近似表示。基于该滤波后图像结构信息固有的局部相似性,结合均值滤波器参数建立群稀疏求解目标函数,对相干斑抑制后结果图以及群稀疏表示系数进行双目标迭代优化计算,对具有局部相似性的图像结构信息进行重构,实现SAR图像相干斑噪声抑制。实验结果表明,与目前流行的相干斑抑制算法相比,该算法能够获得较好的相干斑抑制效果。2.为了更好的描述SAR图像目标结构和细节信息,本文利用群稀疏字典学习算法对目标低频结构特征进行保留,结合预构字典对目标高频细节信息的表征优势,提出一种基于群稀疏表示理论的超完备字典设计算法。该方法利用基于群稀疏表示的字典学习算法,获得可以有效降低相干斑噪声的学习字典,实现无噪SAR图像低频结构特征的重构。选用基于小波基和剪切波基的预构字典,对SAR图像高频细节信息进行提取。最后,通过学习字典和预构字典重构图像的合成实现SAR图像相干斑抑制。实验结果表明,该算法能够在进行相干斑抑制的同时较好的保留图像点目标及线目标。3.由于复杂外形目标的电磁散射机理,造成了目标SAR图像表征复杂,常表现为在目标尺寸范围附近群聚的多个强独立散射中心,本文提出了基于群稀疏表示理想点散射中心模型的目标检测算法。该方法首先建立了基于理想点散射中心模型的SAR目标群稀疏表示模型,引入动态群稀疏算法,利用目标群稀疏约束重构出群聚的散射中心,抑制离散分布的散射中心。然后根据感兴趣目标尺寸设定参数对重构结果进行筛选定位。实验结果表明,该算法能够获得更好的目标检测性能,且抑制了虚警。4.由于SAR图像目标常表现为稀疏的散射中心分布,且对成像方位比较敏感,目标几何特征并不稳定,本文提出了基于欧拉核二维主成分分析的SAR图像目标特征提取算法。利用二维主成分分析特征提取算法在保留图像空间结构信息上的优势,结合欧拉核函数提取图像像素间的非线性相关性,获得对SAR图像更为高效的特征提取,降低SAR图像异常值对于特征提取的影响。采用最近邻分类器进行目标分类识别,实验表明该特征提取算法在较强的噪声干扰下,提高了目标特征提取的稳定性,改善了目标分类效果。5.为了能联合使用多种特征对SAR图像进行描述,利用五个不同单演特征描述同一目标时存在一定的相关性,本文引入稀疏向量分布相似度的定义,提出基于最小加权单演特征重构残差的SAR图像目标识别算法。利用单演信号模型获得SAR图像目标在不同尺度上的五种单演特征构成冗余字典。针对同一单演特征不同尺度上稀疏表示系数结构相似性,采用尺度联合群稀疏表示模型进行目标特征的高维群稀疏向量系数重构。根据稀疏向量分布相似度定义加权值,计算测试样本特征在不同类别子字典上的最小加权残差值进行分类判别。实验结果表明,该算法能够明显提高SAR图像目标的准确识别率。
刘宁波,关键,宋杰,王国庆,何友[4]（2012）在《分形理论在目标检测中的应用》文中研究指明对分形理论在雷达目标检测领域中应用的相关研究进行整理与总结,以传统雷达目标检测方法中存在的不足为切入点,按照分形模型由简单到复杂的顺序,从常规雷达目标检测与图像（SAR图像）目标检测2个方面介绍了分形理论在目标检测领域的发展,并对分形理论在目标检测领域的研究前景进行展望。
郑海疆[5]（2006）在《小波理论在图像边缘检测中的应用研究》文中认为图像边缘检测是一种重要的图像预处理技术,广泛应用于轮廓、特征的抽取和纹理分析等领域。本论文重点研究了小波分析技术,脊波分析技术和曲波分析技术在图像边缘检测中的应用。小波多分辨率分析思想是对调和分析等一系列新的分析方法的总结。它以多尺度理论为基础,具有时-频局部化特点和多尺度特性,能够有效的分析信号的奇异性,因此小波分析技术可以检测图像边缘,又能有效抑制噪声,在图像处理领域得到了广泛应用。本论文围绕小波多尺度分析和小波变换的性质,用三次B样条小波滤波器提取图像边缘,并对信号的奇异性和边缘结构分类做了详细的讨论。脊波变换是应用现代调和分析的概念和方法,并在小波分析和群展开理论中发展起来的技术,脊波能够有效地表达二维以及高维空间中的直线状奇异性,所以在检测大尺度直线时,其检测效果优于小波变换。本文简要的介绍了Radon变换和脊波变换的基础理论,并应用Radon变换和脊波变换从噪声背景中提取大尺度直线边缘。实验结果表明,在噪声背景下提取大尺度直线特征方面,脊波变换比小波变换对噪声的抑制更有效。曲波变换是在脊波变换的基础上发展起来的,对具有曲线奇异性的目标,曲波能够对其进行稀疏表示。曲波综合了脊波擅长表示直线特征和小波适合于表示点状特征的优点,并充分利用了多尺度分析的优势。对曲波的变换系数进行简单的阈值处理,就可得到或超过一般小波检测的效果。本文简要介绍了曲波变换的基本理论,并对曲波变换在边缘检测中的应用做初步的探讨,用实验证明了曲波变换相对于小波变换在边缘检测中的优越性和可行性。
王慧燕[6]（2003）在《图像边缘检测和图像匹配研究及应用》文中认为边缘是图像最重要的特征，包含了用于图像识别的有用信息。而图像识别是图像监控的中心环节。本论文结合具体的变电站图像监控系统的项目，对图像识别部分的图像边缘检测与图像匹配技术及其应用进行了研究。主要内容有： 1)在边缘检测中，噪声消除与边缘定位是两个相互矛盾的部分，是一个“两难”问题。本文从边缘检测的“两难”问题出发，对实际图像中可能出现的边缘类型进行了数学模型描述，然后把高斯平滑后的边缘模型作为研究对象，系统地分析了采用微分法检测边缘时，不同的边缘类型表现出来的特性，以及不同类型的边缘定位与平滑尺度的关系。得到的结论为边缘类型的分类提供了依据。若能预先对边缘类型进行分类，则可选取合适的平滑尺度，较好地解决边缘检测的“两难”问题。 2)信息测度能够很好地定量描述图像的边缘特征。本文将图像的三个信息测度作为分量组成边缘特征的测度向量，作为小脑模型神经元网络—CMAC的输入，提出一种基于信息测度和CMAC网络的边缘检测方法，用该法得到的边缘轮廓清晰，实时性好，并且抗噪能力有明显提高：将上述边缘检测方法应用于无人值守变电站，提出一种瓷瓶裂纹故障监控方案。 3)对小波变换和多分辨率分析在边缘检测中的应用进行了分析和研究，并与图像的不变矩特征相结合，出了一种新的基于小波和矩的动念检测瓷瓶裂纹的实时监控方案，应用于无人值守变电站图像监控系统，仿真结果和实际应用均证明了该方案的正确性和有效性。 4)分析和研究了小波自身特性—对称性、收敛性、平滑性与小波消失矩的内在联系及其这些特性对边缘检测的影响，提出了小波在边缘检测中的选取原则：并以一个具有普适性的斜坡边缘模型为例，探讨了小波用于边缘检测的尺度选取问题。实验证明，提出的小波选取原则是可行的。 5)划Hausdorff距离在图像匹配算法中的应用作了探讨，提出了一种基于信息测度和Hausdorff距离的图像匹配策略。实验表明，该策略加快了匹配过程，提高了抗噪性能，能准确匹配遮挡图像，较好地解决了传统Hausdorff距离中噪声摘要点、伪边缘和出格点造成的误匹配问题。
刘雨菡[7]（2021）在《对地观测红外成像虚警源检测方法研究》文中认为随着现代空间探测技术的发展,人们已经可以获得不同种类的卫星遥感图像并对其进行分析处理。其中,对地观测红外成像技术由于其成像机理及其多功能性,近年来在军民生活中有着广泛的应用,而对红外图像中的目标进行检测更是在现代战争如空间制导、地区安防、预警等领域有着重要的作用。由于对地观测红外成像存在成像距离远、成像环境复杂及图像特征有限等问题,使得红外图像中的目标检测十分困难。同时,红外成像采用的是红外传感器,通过该传感器接收对象的热辐射并将接收的红外热辐射转换成电信号,由此将不可见的红外辐射转变成图像信号。而地球表面存在大量具有高辐射的区域,如雪山、结冰河流、卷云等,使得该类区域会和目标同时成像,对目标的检测产生干扰从而产生虚警。为了提高对地观测红外成像系统的性能及目标检测精度,本文研究了可能会产生虚警的自然场景即虚警源场景,并对虚警源进行分析与检测,从而辅助目标检测以降低其虚警率。本文结合了不同红外遥感图像中的场景检测方法,集中研究了包括虚警源及目标的特性分析与提取、典型虚警源场景的检测以及虚警源检测理论在对地观测红外成像系统中的应用,研究内容主要包括:（1）结合对地观测红外成像系统的成像机理,分析了可能会产生高辐射的场景及其检测的难点。结合虚警源的成像特性,研究并分析了典型虚警源场景的较为普适的特征,如纹理特征、灰度特征、形状特征、视觉显着性特征、分形特征等。同时,分析了不同虚警源背景下的目标特性。通过研究虚警源及目标的不同特征及其成像特性,为后续设计检测算法打下基础。（2）基于河流区域的灰度特征及纹理特征与其他区域不同,研究并提出了基于局部二值模式特征及形态学的河流检测方法。传统以2为半径,8邻域的局部二值模式特征会忽略最近邻的像素信息,而本方法在计算特征时,改变计算半径并利用插值重新计算8邻域的像素值,从而考虑到更多的局部信息,避免了信息被忽略的问题。通过对河流的纹理特征进行分析和提取,再利用合适的阈值并结合形态学理论,实现了快速且简便的河流检测。（3）基于河流的形状特性及方向性,研究并提出了基于Frangi滤波及剪切波变换的河流检测方法。Frangi滤波可以增强图像中的条状物体,而河流由于其形状特性,可以在Frangi滤波后得到增强。同时,不同于其他场景如建筑物、湖泊等,河流在图像中具有一定的方向特性。因此,本文采用了可以在不同方向下提取图像特征的剪切波变换对滤波后的图像进行分析。河流由于其方向特性,在某个分析方向的表现会比图像中的其他区域更加明显。由此,将方向特征较为明显的特征图像进行重建后,可以凸显河流而削弱其他背景区域,再结合活动轮廓模型方法可以实现对河流的有效检测。除此之外,为了提升检测的精度,设计了一种基于每个检测区域椭圆长轴和短轴比的筛选方法,并结合面积筛选策略剔除了检测出的非河流区域,使算法的检测精度有了进一步提升。（4）基于对地观测红外成像的显着性特征,研究并提出了基于多视觉显着性特征融合的卷云检测方法。卷云在对地观测红外成像系统中属于较为显着的区域,其灰度特性与其他背景区域有所不同。除此之外,单一视觉显着性特征并不能全方面地表现物体特性,而不同尺度下或不同种类的特征可以很好地表现对象的多个特性。因此本文提出了基于多特征融合的方法,设计了基于主成分分析理论的特征融合策略,从而结合了不同的视觉显着性特征以更全面地突出卷云,并结合活动轮廓模型方法对卷云实现了精确检测。（5）基于卷云固有的自相似性,研究并提出了基于随机分形模型及稀疏表示的卷云检测方法。遥感图像尤其是红外遥感图像存在着数据样本少、标签难以获取等问题,而利用机器学习的检测方法需要大量的数据及相对应的标签,算法成本较高。因此,基于卷云固有的分形特性,本文设计了一种利用随机分形图像作为模型,根据模型与遥感图像中卷云的相似程度,筛选出合适的图像块作为原子,训练学习出可以表达卷云的字典,再利用稀疏表示方法对图像进行表示的卷云检测方法。由此,可以有效地表示出卷云区域。该方法可有效实现单幅图像中的卷云检测,同时降低了一般机器学习类方法对图像样本数据与标签的需求,在保证检测精度的同时降低了算法成本。（6）基于对地观测红外图像中的虚警源的研究基础,本文提出将虚警源检测方法应用于对地观测红外目标的检测中,将虚警源检测结果作为辅助信息应用于红外目标检测,建立了以检测出的虚警源为先验信息的目标检测理论,分析了其未来应用的合理性及有效性。除此之外,本文还分析了虚警源检测方法在其他对地观测红外成像系统中的应用。不同测试实验表明,上述提出的方法可较为有效地检测出两类典型的虚警源,并建立了虚警源检测应用于目标检测的理论,讨论了一定程度上能够降低红外目标检测虚警率以及提升对地红外目标检测精度的可能性。此外,本文所构建的虚警源检测理论也为对地观测红外成像系统未来的相关研究与应用打下了基础。
李钢[8]（2020）在《视觉烟雾检测中的变换域局部特征建模》文中指出视觉烟雾检测已成为当前早期火灾探测领域的研究热点和难点,其检测率直接影响到视觉火灾探测技术的应用。近年来,随着数字图像处理、视频分析、模式识别、机器学习等技术的发展,视觉火灾探测对烟雾的检测率有了更高的要求。火灾中烟雾的视觉特征通常呈现出形态多变、颜色各异、透明度差异大、运动无规律等特点,易受外界环境影响,稳定性差,这使得从视频和图像中提取表达能力强、鲁棒性好的烟雾特征成为了提高烟雾检测率的技术难题。因此,研究视觉烟雾检测中的烟雾特征建模方法,对早期火灾预警具有重要的理论价值和实践意义。烟雾的变换域特征和静态纹理特征是两种重要特征。变换域蕴涵了原始图像中较高层的抽象信息,提取变换域上的特征有利于增强烟雾特征的表达能力。烟雾的局部特征能很好地表达烟雾的静态纹理信息,是一种稳定的烟雾特征。因此,本文围绕变换域和局部特征模式对烟雾特征建模展开研究,以提高烟雾检测的检测率,降低误报率和错误率,促进视觉烟雾检测技术的发展。本文的主要研究工作如下。（1）提出了边缘变换域局部特征建模方法。图像中的烟雾多表现为边缘模糊弯曲、少直线,而其他人造物体通常存在清晰的直线边缘。基于这一现象,该方法利用边缘特征图上的局部特征来增强烟雾特征的表达能力。为保证边缘检测方法的适应性,该方法使用了自适应Canny算子检测边缘。针对二值的边缘特征图,该方法提出了两种局部特征模式（局部边界求和模式与局部区域求和模式）。提取边缘特征图的局部边界求和模式特征与局部区域求和模式特征、原图和边缘特征图的局部二值模式特征之后,该方法对所提特征进行选择得到最终特征。该方法利用边缘变换域解决了图像中目标物体的边缘信息没有得到利用的问题。（2）提出了Gabor变换域局部特征建模方法。图像变换常被用于传统视觉烟雾检测,而烟雾特征提取过程通常只使用单一尺度的变换域,较少采用具有多尺度特性的Gabor变换域。因此,该方法引入了具有多尺度、多方向特性的Gabor小波,通过提取Gabor特征图的局部特征来增强烟雾特征的表达能力。首先,该方法通过构造聚合Gabor核,减少了传统Gabor核的数量和传统Gabor核之间的冗余信息。然后,改进了传统局部二值模式的编码方式,采用自定义比较函数替代原始的二值化函数,很好地利用了Gabor特征图中丰富的像素值信息。最后,利用改进的局部二值模式提取原始图像和Gabor特征图的特征,并串联所有特征生成最终特征。该方法利用Gabor变换域解决了传统局部特征不具有多尺度、多方向特性的问题。（3）提出了基于Gabor变换域和边缘变换域的局部特征建模方法。Gabor特征图能够提取原始图像中所蕴涵的抽象特征,具有丰富的像素值信息。为更好利用Gabor特征图上的像素值信息,该方法改进了局部三值模式。针对传统局部三值模式中使用固定阈值不能很好适应所有图像的问题,该方法提出了置信水平局部三值模式,利用置信水平阈值来计算三值化函数的高低阈值,并设计了新的三值化函数来生成编码特征图,提高了局部三值模式的适应性。针对Gabor特征图上所提特征的融合方法过于简单而导致不能反映各特征重要程度的问题,该方法使用Gabor特征图的信息熵来计算对应特征的权重,从而生成加权特征。另外,边缘特征图能捕获原始图像中特定的高频信息,体现了物体的边缘特征,故该方法也使用了原始图像的边缘特征图。利用置信水平局部三值模式,该方法分别计算了原始图像和边缘特征图的特征、Gabor特征图的加权特征,并将这些特征融合、降维生成最终特征。该方法很好地解决了多个Gabor变换域的局部特征融合方法过于简单的问题,同时利用Gabor变换域和边缘变换域捕获了原始图像上两种不同的抽象信息。（4）提出了多层Gabor变换域局部特征建模方法。使用Gabor核的传统特征提取方法中,每个Gabor核通常只执行一次卷积运算,无法同时提取到原始图像在不同层次上的抽象特征。为此,该方法构建一个多层Gabor卷积网络,提取了原始图像在多个层次上的抽象特征,生成了多层级的Gabor特征图。该网络含有一个图像输入层和多个Gabor特征计算层。Gabor特征计算层包含Gabor卷积子层和Gabor特征融合子层。在卷积子层利用Gabor核生成Gabor特征图后,该网络能利用特征融合子层融合Gabor特征图,避免了网络中图像数量呈指数级增长。在利用Gabor卷积网络输出多个层级的图像后,该方法计算了这些图像的局部二值模式特征。最后利用特征选择权重向量对各层的特征进行选择,并对所选特征进行融合、降维生成最终特征。针对Gabor核仅使用一次卷积运算的问题,该方法通过构建多层Gabor卷积网络很好地捕获了原始图像上多个层次的抽象信息。（5）为验证上述4种局部特征建模方法的性能,本文分别在烟雾识别和视频烟雾检测实验中使用了这4种方法来提取烟雾特征,并且视频烟雾检测实验使用了由烟雾识别实验训练的分类模型。实验结果显示:烟雾识别实验中,这4种方法都能获得较高的检测率,所提特征具有很好的烟雾辨识能力;视频烟雾检测中,分类模型能够很好地检测出烟雾视频中的烟雾,具有较好的烟雾检测效果。
刘晓明[9]（2020）在《多尺度几何变换在金属表面缺陷识别中的应用》文中研究指明表面缺陷是影响金属板带产品质量的重要因素之一,国内板带材产品用户质量异议事件很大一部分归因于表面缺陷。基于机器视觉的表面检测系统可以对表面缺陷进行在线检测和实时反馈,已成为现代钢铁企业主要的检测手段。目前基于机器视觉的表面检测系统面临的主要难题是缺陷识别率较低,如何在满足在线检测速度的前提下进一步提高缺陷的识别率是一个重要研究内容。特征提取的好坏直接影响表面检测系统的应用效果,因此寻求有效的特征提取方法是提高缺陷识别率的关键。金属表面缺陷在不同方向和不同尺度上具有不同的信息量,缺陷的整体轮廓和几何形状等信息主要表征在图像的粗尺度上,局部边缘和灰度突变点等细节信息则主要体现在图像细尺度上,因此提取表面缺陷的多尺度和多方向信息对于提高缺陷识别率非常重要。多尺度几何变换比小波变换具有更多的方向选择性且基函数满足各向异性的尺度关系,在描述高维信号时能以更少的系数、更优的逼近阶逼近信号奇异处。因此本文针对酸洗带钢、中厚板、铝板等4种金属表面缺陷检测的特点,开发了相应的基于多尺度几何变换的检测算法。本文主要研究内容与创新成果如下。（1）针对酸洗带钢生产线运行速度快、图像背景简单、缺陷种类少的特点,提出基于 Contourlet 变换和 KSR（Kernel Spectral Regression）降维的Contourlet-KSR特征提取方法。通过Contourlet变换对图像进行多尺度、多方向分解,并对分解得到的子带提取统计特征,采用KSR非线性降维算法去除冗余特征,将得到的低维特征输入分类器进行分类识别。与几种常用的特征提取算法进行了对比,Contourlet-KSR方法对酸洗带钢缺陷识别率达到了96.76%,比小波方法、局部二值模式方法、幅值谱方法分别提高了 3.05%、15.66%、5.14%。（2）针对Contourlet变换方法进行下采样操作导致的图像信息丢失问题,提出 了改进 Contourlet 变换方法 ICT（Improved Contourlet Transform）,在此基础上,提出ICT-KSR特征提取方法,并应用于中厚板表面缺陷识别。对Contourlet变换方法进行了如下改进:在多尺度分解时采用了非子采样的金字塔滤波器NSP（Non-Subsampled Pyramid）,用来消除了尺度分解带来的频率混叠和信息丢失,然后将图像输入到双通道方向滤波器组DFB（directional filter banks）中进行方向分解。ICT-KSR方法对于中厚板每类缺陷的识别率均达到了 97.62%以上,整体识别率达到了 99.21%。（3）针对铝板图像对比度低、缺陷细小、干扰因素多等难以识别的特点,提出基于NSST（non-subsampled shearlettransform）特征提取方法。对铝板样本图像进行对比度拉伸处理,再利用NSST对图像进行水平锥和垂直锥子带分解,对得到的各个子带系数提取均值和方差统计特征并组成NSST特征矩阵,再利用非线性降维算法去除提取的冗余特征,最后将低维特征矩阵和类别标签数据输入分类器中进行缺陷识别。该方法对铝板表面缺陷识别率达到了 97.92%。（4）针对连铸坯生产线运行速度慢、图像背景复杂、干扰因素多等特点,提出了 DNST（discrete non-separable shearlettransform）与 GLCM（gray level co-occurrence matrix）纹理特征融合的提取方法。对连铸坯样本进行DNST分解,提取各个子带的统计量,再对连铸坯样本计算灰度共生矩阵并提取能量、熵、惯性矩等5个纹理参数,对这5种纹理参数分别计算均值和方差统计量,将DNST与GLCM两者的统计特征进行连接组成特征融合矩阵,利用非线性降维算法得到用于分类的特征。该方法对连铸坯缺陷的整体识别率达到了96.37%,裂纹识别率达到了 95.50%。（5）利用复剪切波变换（complex shearlettransform,CST）具有相位信息的特点,提出了基于复剪切波变换的缺陷区域提取算法,在带钢表面夹渣和铝板表面划伤图像上进行了测试,该算法可以准确地提取带钢夹渣缺陷和铝板划伤缺陷区域。针对连铸坯表面缺陷识别的特点,提出了基于CST的特征融合方法,得到连铸坯缺陷的识别率为95.97%。
彭凌冰[10]（2020）在《复杂成像探测中的微弱目标检测算法研究》文中指出成像目标检测、识别与跟踪是计算机视觉领域的研究热点,无论在军事还是民用领域都有着极其广泛的应用。尤其在军事领域,微弱成像目标检测在雷达探测及光电探测系统中均具有?分重要的作用,对图像中目标的检测精度将直接影响系统的探测性能。实际应用中,需要捕获目标场景的诸多细节信息,便于图像解析及对各类运动军事目标的探测与识别。由于容易受到光照条件、场景复杂度、目标运动速度及可能发生的遮挡等众多因素影响,目前现有的目标检测算法还存在鲁棒性不强、精度不高、实时性及适应性较差等诸多局限性,这将直接影响成像探测系统的目标探测性能。本文围绕复杂成像探测中的微弱目标检测方法,开展相关基础理论及应用研究,旨在进一步提高目标检测精度、降低虚警率和满足工程应用的实时性要求,以期提高成像探测系统的性能。本文主要工作包括以下几个方面:（1）对复杂成像探测系统中的目标检测基础理论进行了研究和算法仿真,包括帧差法、背景减除法、光流法以及基于这些理论的扩展和改进算法。重点针对复杂红外场景下的弱小目标检测涉及到的特有算法和理论进行了研究,如红外图像预处理、红外图像高分辨率重建及红外图像稀疏表示方法等,并进行仿真测试。总结了各种算法的适应性,为后续研究打下了坚实的基础。（2）针对复杂背景红外弱小目标检测难点问题,开展了复杂动态场景下的红外成像背景建模方法研究。重点开展了混合高斯背景建模及非参数核密度估计背景建模方法等,进行了实际场景数据的仿真、测试和评价,构建了基于背景建模和估计来解决低信噪比红外弱小目标检测的技术途径。du（3）提出了基于多尺度、多方向特征融合的红外弱小目标检测方法。即在Sheartlet变换域中引入高频系数Kurtosis最大化准则,利用复杂红外图像中的背景、弱小目标及噪声三者在分解后不同高频子带中具有不同模极大值的特性来达到抑制复杂背景及噪声的目的,解决了复杂红外场景中噪声及背景干扰下的弱小目标检测问题。（4）从红外图像目标的视觉显着性模型入手,提出了多方向多尺度高提升响应的红外弱小目标检测方法。通过设计空域八方向各向异性滤波器及不同尺度下的局部高提升滤波策略,以解决红外成像场景下的背景杂波干扰及噪声抑制问题。最后,对提出的算法进行了多组实际红外场景的仿真实验,通过与其它现有算法的对比分析,本文算法在检测率、实时性等方面有较大的性能提升,验证了本文算法的可行性与有效性。（5）提出了基于最优分数域时频分析的SAR图像弱目标检测算法。通过引入分数域时频分析理论,将常规时频分析扩展到分数阶傅立叶变换（FrFT）域,通过设计和优化分数域Gabor变换（FrGT）的最优阶和对应的窗函数,进一步提高了SAR图像的时频分辨率。最后利用分数域能量衰减梯度特征进行SAR目标的检测。通过对MSTAR数据集几种典型SAR成像目标的仿真测试,本文提出的算法具有较高的检测精度和较好的检测性能,为SAR目标检测和识别提供了新的技术途径。
二、小波分析理论在图像目标检测中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、小波分析理论在图像目标检测中的应用（论文提纲范文）
（1）几种类型图像边缘检测的相关问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 织物图像边缘检测研究现状 |
| 1.2.2 彩色图像边缘检测研究现状 |
| 1.2.3 遥感图像边缘检测研究现状 |
| 1.2.4 齿轮图像边缘检测研究现状 |
| 1.3 图像去噪预处理研究 |
| 1.3.1 图像噪声分类 |
| 1.3.2 图像卷积处理 |
| 1.3.3 图像去噪方法 |
| 1.3.4 图像去噪效果客观评价指标 |
| 1.4 研究内容 |
| 1.5 论文结构安排 |
| 1.6 本章小结 |
| 2 印花织物图像边缘提取 |
| 2.1 传统滤波器介绍 |
| 2.1.1 高斯滤波器 |
| 2.1.2 均值滤波器 |
| 2.1.3 修正的阿尔法均值滤波器 |
| 2.1.4 中值滤波器 |
| 2.1.5 自适应中值滤波器 |
| 2.2 改进滤波器 |
| 2.2.1 改进修正的阿尔法均值滤波器 |
| 2.2.2 改进自适应中值滤波器 |
| 2.3 小波模极大值法边缘检测 |
| 2.3.1 经典小波模极大值法 |
| 2.3.2 传统Otsu算法 |
| 2.3.3 改进的小波模极大值法 |
| 2.4 印花织物图像边缘检测实验过程 |
| 2.4.1 高斯噪声平滑实验分析 |
| 2.4.2 椒盐噪声平滑实验分析 |
| 2.4.3 混合噪声平滑实验分析 |
| 2.4.4 印花织物图像边缘提取实验分析 |
| 2.5 本章小结 |
| 3 彩色图像边缘检测研究 |
| 3.1 基于小波变换的去噪算法研究 |
| 3.1.1 小波变换的基本理论 |
| 3.1.2 基于小波变换的去噪方法介绍 |
| 3.2 基于小波变换的小波阈值去噪算法介绍 |
| 3.2.1 小波阈值去噪原理 |
| 3.2.2 常见的小波阈值去噪函数 |
| 3.2.3 自适应阈值选取 |
| 3.3 改进小波阈值去噪函数 |
| 3.3.1 改进自适应阈值选取 |
| 3.3.2 建立多层小波阈值去噪函数 |
| 3.3.3 多层小波阈值去噪函数效果验证 |
| 3.4 四元数理论构建特征矩阵 |
| 3.4.1 四元数理论及基本运算 |
| 3.4.2 四元数表示彩色图像 |
| 3.4.3 四元数结合Canny算子 |
| 3.5 彩色图像边缘检测实验过程 |
| 3.6 本章小结 |
| 4 齿轮图像边缘检测研究 |
| 4.1 数学形态学边缘检测 |
| 4.1.1 数学形态学基本理论 |
| 4.1.2 数学形态学的基本运算 |
| 4.2 Canny算子边缘检测 |
| 4.2.1 传统Canny算子 |
| 4.2.2 传统Canny算子分析 |
| 4.3 改进Canny算子边缘检测 |
| 4.3.1 改进梯度幅值和梯度幅角计算方式 |
| 4.3.2 改进阈值选取方式 |
| 4.4 改进数学形态学边缘检测 |
| 4.5 齿轮图像边缘检测实验过程及分析 |
| 4.5.1 改进数学形态学算法去噪效果验证 |
| 4.5.2 齿轮图像边缘检测实验过程 |
| 4.6 本章小结 |
| 5 遥感图像边缘检测研究 |
| 5.1 Top-hat变换基本理论 |
| 5.2 改进的一维Otsu阈值分割算法 |
| 5.3 非下采样轮廓波变换(NSCT)基本理论 |
| 5.4 遥感图像边缘检测算法 |
| 5.4.1 边缘检测算法整体流程 |
| 5.4.2 边缘检测算法实验过程 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（2）大雾下海上图像的目标分离与智能辨识研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像去雾增强技术的研究现状 |
| 1.2.2 海上图像目标分离研究现状 |
| 1.2.3 海上图像目标智能辨识研究现状 |
| 1.3 大雾下海上图像的目标分离与智能辨识中存在的主要问题 |
| 1.4 研究内容与创新点 |
| 1.4.1 研究内容 |
| 1.4.2 创新点 |
| 1.4.3 研究技术路线图 |
| 第2章 基于改进Retinex模型的图像增强去雾算法 |
| 2.1 传统Retinex模型的图像增强去雾算法 |
| 2.1.1 色彩颜色空间 |
| 2.1.2 基于Retinex模型的图像去雾算法 |
| 2.2 改进Retinex图像增强算法 |
| 2.2.1 改进双边滤波函数 |
| 2.2.2 高斯-拉普拉斯金字塔多尺度算法 |
| 2.2.3 算法流程 |
| 2.2.4 实验结果与分析 |
| 2.3 基于全局亮度自适应均衡化的MSRCR图像增强算法 |
| 2.3.1 图像雾浓度的自平衡 |
| 2.3.2 全局亮度自适应均衡化 |
| 2.3.3 平衡图像亮暗区域 |
| 2.3.4 颜色通道色彩拉伸 |
| 2.3.5 算法流程 |
| 2.3.6 实验结果与分析 |
| 2.4 小结 |
| 第3章 基于梯度积分和多项式迭代的海天线快速检测算法 |
| 3.1 基于Hough变换的海天线提取算法 |
| 3.1.1 Otsu图像阈值分割 |
| 3.1.2 基于Hough变换的海天线检测 |
| 3.2 基于梯度积分和多项式迭代的海天线快速检测算法 |
| 3.2.1 图像梯度 |
| 3.2.2 平滑滤波增强梯度图像显着性 |
| 3.2.3 构建图像梯度的积分图 |
| 3.2.4 计算海天线区域范围 |
| 3.2.5 迭代拟合海天线曲线 |
| 3.3 实验结果与分析 |
| 3.3.1 海天线迭代实验结果与分析 |
| 3.3.2 对比实验结果与分析 |
| 3.4 小结 |
| 第4章 融合图像多视觉特征的视觉注意机制目标分离算法 |
| 4.1 传统的视觉注意机制模型 |
| 4.1.1 自顶向下视觉注意模型 |
| 4.1.2 自底向上视觉注意模型 |
| 4.2 融合海面图像多视觉特征的显着性目标分离方法 |
| 4.2.1 小波变换多级分解高低频特征计算 |
| 4.2.2 改进Gabor滤波的图像方向特征计算 |
| 4.2.3 亮度特征与颜色拮抗特征计算 |
| 4.2.4 图像梯度特征计算 |
| 4.2.5 海上图像各视觉特征显着子图计算 |
| 4.2.6 基于自适应权重的视觉特征显着子图像融合 |
| 4.2.7 综合显着图中显着区域分割策略 |
| 4.3 实验结果与分析 |
| 4.4 小结 |
| 第5章 基于新型卷积神经网络框架的目标智能辨识算法 |
| 5.1 基于卷积神经网络的目标智能辨识方法 |
| 5.1.1 Le Net卷积神经网络 |
| 5.1.2 VGG卷积神经网络模型 |
| 5.1.3 Goog Le Net网络结构 |
| 5.2 基于新型卷积神经网络框架下的目标智能辨识算法研究 |
| 5.2.1 数据预处理 |
| 5.2.2 新型卷积神经网络结构设计 |
| 5.2.3 分类器选择 |
| 5.3 实验结果与分析 |
| 5.3.1 数据集和参数设置 |
| 5.3.2 测试集实验结果 |
| 5.3.3 测试集实验结果分析 |
| 5.4 显着区域智能辨识实验与分析 |
| 5.5 小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 在学期间科研成果情况 |
（3）基于群稀疏表示的SAR图像相干斑抑制与目标检测识别（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR图像相干斑抑制的研究现状 |
| 1.2.2 SAR图像目标检测的研究现状 |
| 1.2.3 SAR图像目标识别的研究现状 |
| 1.3 论文的主要研究工作及内容安排 |
| 第二章 群稀疏表示理论基础 |
| 2.1 概述 |
| 2.2 稀疏表示理论 |
| 2.2.1 压缩感知理论 |
| 2.2.2 稀疏学习理论 |
| 2.3 群稀疏表示理论 |
| 2.4 基于群稀疏表示理论的SAR图像压缩重构 |
| 2.5 实验结果及性能分析 |
| 2.5.1 二维仿真灰度图压缩重构实验及分析 |
| 2.5.2 SAR图像压缩重构实验 |
| 2.6 本章小结 |
| 第三章 基于群稀疏表示的SAR图像相干斑抑制 |
| 3.1 概述 |
| 3.2 基于群稀疏表示字典学习的SAR图像相干斑抑制 |
| 3.2.1 SAR图像群稀疏表示模型 |
| 3.2.2 基于GSRDL算法的SAR图像相干斑抑制 |
| 3.2.3 实验结果及性能分析 |
| 3.3 基于群稀疏表示的过完备字典设计 |
| 3.3.1 小波基与剪切波基 |
| 3.3.2 基于OD-GSR的 SAR图像相干斑抑制 |
| 3.3.3 实验结果及性能分析 |
| 3.4 本章小结 |
| 第四章 基于群稀疏表示的SAR目标检测及特征提取 |
| 4.1 概述 |
| 4.2 基于群稀疏表示的SAR图像目标检测 |
| 4.2.1 理想点散射中心模型及稀疏基构造 |
| 4.2.2 基于群稀疏表示理想点散射中心模型的目标检测算法 |
| 4.2.3 实验结果及性能分析 |
| 4.3 基于欧拉核2DPCA及群稀疏表示的SAR图像特征提取 |
| 4.3.1 欧拉核主成分分析算法 |
| 4.3.2 欧拉核2DPCA算法 |
| 4.3.3 实验结果及性能分析 |
| 4.4 本章小结 |
| 第五章 基于单演特征相关性及群稀疏表示的SAR图像目标识别 |
| 5.1 概述 |
| 5.2 二维图像及单演信号 |
| 5.2.1 图像中的局部能量、相位和指向 |
| 5.2.2 单演信号的对称性和非对称性 |
| 5.3 基于最小加权单演特征重构残差的SAR图像目标识别 |
| 5.4 实验结果及性能分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文主要研究内容 |
| 6.2 启发与展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（4）分形理论在目标检测中的应用（论文提纲范文）
| 0 引言 |
| 1 传统目标检测方法存在的不足 |
| 1)难以适应现代多样化的目标模型 |
| 2)对杂波的时变性、非平稳性考虑不足 |
| 2 分形理论在目标检测中应用的研究现状 |
| 2.1 常规雷达目标检测方面 |
| 2.2 图像目标检测方面 |
| 3 结束语 |
（5）小波理论在图像边缘检测中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题的背景和意义 |
| 1.2 小波的理论及其发展概况 |
| 1.3 边缘检测研究概况 |
| 1.4 本文主要研究的内容 |
| 第二章 小波分析的基本理论 |
| 2.1 连续小波变换和离散小波变换 |
| 2.2 框架理论及小波框架 |
| 2.3 多分辨分析和MALLAT 算法 |
| 2.4 边界延拓方法 |
| 2.5 小结 |
| 第三章 小波在信号奇异性检测和图像边缘提取中的应用 |
| 3.1 李普西兹（LIPSCHITZ）指数的定义 |
| 3.2 李普西兹(LIPSCHITZ)指数与边缘的关系 |
| 3.3 B 样条小波边缘检测算子 |
| 3.4 小波变换的模极大值与信号多尺度边界检测 |
| 3.5 实验结果分析 |
| 3.6 小结 |
| 第四章 脊波变换在直线特征提取中的应用 |
| 4.1 RADON 变换理论及其实现步骤 |
| 4.2 脊波（RIDGELET）变换的基本理论及其直线特征提取 |
| 4.3 单尺度脊波（MONOSCALE RIDGELET）变换的基本理论 |
| 4.4 小结 |
| 第五章 曲波（CURVELET）变换在边缘提取中的应用 |
| 5.1 曲波变换的基本理论 |
| 5.2 曲波变换的分解与重构 |
| 5.3 曲波变换在边缘检测中的应用 |
| 5.4 实验结果分析 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录 攻读硕士期间的研究成果 |
| 发表论文: |
| 参加科研情况: |
| 致谢 |
（6）图像边缘检测和图像匹配研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 现有的边缘检测技术和方法 |
| 1.2.1 经典算子 |
| 1.2.2 最优算子 |
| 1.2.2.1 马尔算子 |
| 1.2.2.2 坎尼边缘检测 |
| 1.2.2.3 曲面拟合法 |
| 1.2.3 多尺度方法 |
| 1.2.3.1 边缘聚焦 |
| 1.2.3.2 基于小波的边缘检测 |
| 1.2.4 自适应平滑滤波方法 |
| 1.2.5 模糊数学在边缘检测中的应用 |
| 1.2.6 基于神经元网络的边缘检测方法 |
| 1.2.7 数学形态学在边缘检测中的应用 |
| 1.3 边缘检测步骤 |
| 1.3.1 边缘定位 |
| 1.3.2 边缘链接 |
| 1.4 图像匹配的发展与现状 |
| 1.5 本文的主要工作及主要创新点 |
| 参考文献 |
| 第2章 边缘模型分类及性能分析 |
| 2.1 引言 |
| 2.2 边缘检测“两难”问题 |
| 2.3 “边缘点”定义 |
| 2.4 边缘分类及性能分析 |
| 本章小结 |
| 参考文献 |
| 第3章 基于小脑模型神经网络CMAC的边缘检测及其应用 |
| 3.1 引言 |
| 3.2 图像信息测度描述 |
| 3.3 基于CMAC的边缘检测方法 |
| 3.3.1 CMAC网络 |
| 3.3.2 CMAC在边缘检测中的应用 |
| 3.3.2.1 样本预处理 |
| 3.3.2.2 批量学习 |
| 3.3.2.3 后续处理 |
| 3.4 无人值守变电站图像监控系统 |
| 3.5 绝缘瓷瓶实时检测方案 |
| 3.5.1 预匹配处理 |
| 3.5.2 边缘扫描 |
| 3.5.3 监控方案 |
| 3.6 实验结果 |
| 3.7 结束语 |
| 本章小结 |
| 参考文献 |
| 第4章 小波理论在图像边缘检测的应用 |
| 4.1 引言 |
| 4.2 小波变换及多分辨率分析 |
| 4.2.1 小波变换基本原理 |
| 4.2.2 图像信号的多分辨率分析 |
| 4.3 小波理论在边缘检测中的应用 |
| 4.3.1 小波变换边缘检测基本原理 |
| 4.3.1.1 模极大值点 |
| 4.3.1.2 模极大值曲线 |
| 4.3.2 小波变换模极大值与信号奇异点的性质 |
| 4.3.2.1 Lipschitz正则性 |
| 4.3.2.1.1 Lipschitz指数 |
| 4.3.2.1.2 小波消失矩与奇异点检测的关系 |
| 4.3.2.2 奇异点Lipschitz指数与小波变换模极大值的对应关系 |
| 4.3.3 边缘检测具体步骤的实现 |
| 4.4 基于小波和矩的边缘特征提取及其在故障监测中的应用 |
| 4.4.1 小波函数的构造及其快速算法的实现 |
| 4.4.2 图像除噪 |
| 4.4.3 不变矩描述 |
| 4.4.4 基于不变矩衡量相似度 |
| 4.4.5 监控方案 |
| 4.4.6 实验结果 |
| 本章小结 |
| 参考文献 |
| 第5章 小波在边缘检测中的选取问题研究 |
| 5.1 引言 |
| 5.2 小波自身特性对边缘检测的影响分析 |
| 5.2.1 小波对称性分析 |
| 5.2.2 对称轴的选取对多尺度边缘定位的影响 |
| 5.2.3 小波收敛性对截断误差的影响 |
| 5.2.4 小波平滑性分析 |
| 5.2.4.1 函数的光滑性度量 |
| 5.2.4.2 小波光滑性与衰减性 |
| 5.2.4.3 小波光滑性与小波消失矩 |
| 5.2.4.4 小波光滑性与小波滤波器支撑 |
| 5.3 小波选取原则 |
| 5.4 实验结果和讨论 |
| 5.5 在边缘检测中小波尺度的选取 |
| 本章小结 |
| 参考文献 |
| 第6章 基于Hausdorff距离的图像匹配算法研究 |
| 6.1 引言 |
| 6.2 Hausdorff距离 |
| 6.3 Hausdorff距离的改进 |
| 6.4 Hausdorff距离的计算 |
| 6.5 基于Hausdorff距离和信息测度构造相似性测度 |
| 6.6 匹配策略 |
| 6.6.1 定位搜索 |
| 6.6.2 匹配步骤 |
| 6.7 实验结果 |
| 本章小结 |
| 参考文献 |
| 第7章 总结与展望 |
| 致谢 |
| 博士期间参加的研究项目及完成的论文 |
（7）对地观测红外成像虚警源检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 对地观测红外成像技术 |
| 1.2.2 虚警源检测技术 |
| 1.2.3 红外目标检测技术 |
| 1.3 主要研究工作及技术路线 |
| 1.4 论文结构安排 |
| 第二章 红外探测成像特性及视觉特征分析 |
| 2.1 概述 |
| 2.2 虚警源与目标的形成 |
| 2.2.1 红外成像原理 |
| 2.2.2 虚警源与目标 |
| 2.3 虚警源特性分析 |
| 2.4 目标特性分析 |
| 2.5 本章小结 |
| 第三章 结合形态特性及纹理分析的河流检测 |
| 3.1 概述 |
| 3.2 局部二值模式特征 |
| 3.3 形态学方法 |
| 3.4 基于LBP特征及形态学理论的河流检测方法 |
| 3.4.1 算法流程 |
| 3.4.2 实验数据 |
| 3.4.3 参数设置 |
| 3.4.4 实验结果及分析 |
| 3.5 Frangi滤波 |
| 3.6 剪切波变换 |
| 3.7 基于Frangi滤波及剪切波变换的河流检测方法 |
| 3.7.1 算法流程 |
| 3.7.2 实验数据 |
| 3.7.3 参数设置 |
| 3.7.4 实验结果及分析 |
| 3.8 本章小结 |
| 第四章 基于多显着性特征融合的卷云检测方法 |
| 4.1 概述 |
| 4.2 卷云 |
| 4.3 视觉显着性 |
| 4.4 基于视觉显着性特征融合的卷云检测方法 |
| 4.4.1 算法流程 |
| 4.4.2 实验数据 |
| 4.4.3 参数设置 |
| 4.4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 联合分形理论及稀疏表示的卷云检测 |
| 5.1 概述 |
| 5.2 随机分形理论 |
| 5.3 基于稀疏表示的图像分解理论 |
| 5.4 基于随机分形模型及稀疏表示的卷云检测算法 |
| 5.4.1 算法流程 |
| 5.4.2 实验数据 |
| 5.4.3 参数设置 |
| 5.4.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 虚警源检测技术与应用 |
| 6.1 概述 |
| 6.2 基于虚警源检测的对地观测红外目标检测理论 |
| 6.3 虚警源检测理论的其他应用 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 创新点及主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 附录 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（8）视觉烟雾检测中的变换域局部特征建模（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 火灾危害与火灾应急管理 |
| 1.1.2 火灾预警与探测 |
| 1.1.3 视觉烟雾检测及意义 |
| 1.2 研究现状 |
| 1.2.1 传统视觉火焰检测 |
| 1.2.2 传统视觉烟雾检测 |
| 1.2.3 基于深度学习的火灾探测 |
| 1.3 传统视觉烟雾检测的框架 |
| 1.4 研究目标、研究内容和技术路线 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.4.3 技术路线 |
| 1.5 论文结构安排 |
| 第2章 视觉烟雾检测相关技术 |
| 2.1 疑似烟雾区域检测 |
| 2.1.1 疑似烟雾区域检测的基本流程 |
| 2.1.2 三帧差分法检测运动区域 |
| 2.1.3 暗通道图像转换 |
| 2.2 特征描述 |
| 2.2.1 边缘特征 |
| 2.2.2 Gabor特征 |
| 2.2.3 局部特征 |
| 2.3 烟雾识别 |
| 2.4 本章小结 |
| 第3章 边缘变换域局部特征建模 |
| 3.1 问题描述与分析 |
| 3.2 边缘特征图 |
| 3.3 局部特征模式 |
| 3.3.1 局部边界求和模式的编码 |
| 3.3.2 局部区域求和模式的编码 |
| 3.3.3 局部边界求和模式与局部区域求和模式的特征 |
| 3.3.4 局部二值模式的特征 |
| 3.4 边缘变换域局部特征建模框架 |
| 3.5 烟雾识别实验 |
| 3.5.1 烟雾图像数据库 |
| 3.5.2 评价指标 |
| 3.5.3 烟雾识别对比实验 |
| 3.6 视频烟雾检测实验 |
| 3.6.1 烟雾视频数据库 |
| 3.6.2 视频烟雾检测的结果及分析 |
| 3.6.3 视频烟雾检测的效率分析 |
| 3.6.4 视频烟雾检测的预警结果及分析 |
| 3.7 本章小结 |
| 第4章 Gabor变换域局部特征建模 |
| 4.1 问题描述与分析 |
| 4.2 基于聚合Gabor核的变换域特征图 |
| 4.2.1 传统Gabor小波核 |
| 4.2.2 聚合Gabor小波核 |
| 4.2.3 聚合Gabor特征图 |
| 4.3 改进的局部二值模式 |
| 4.4 Gabor变换域局部特征建模框架 |
| 4.5 烟雾识别实验 |
| 4.5.1 实验说明 |
| 4.5.2 超参数实验 |
| 4.5.3 烟雾识别对比实验 |
| 4.6 视频烟雾检测实验 |
| 4.6.1 视频烟雾检测的结果及分析 |
| 4.6.2 视频烟雾检测的效率分析 |
| 4.6.3 视频烟雾检测的预警结果及分析 |
| 4.7 本章小结 |
| 第5章 基于Gabor变换域和边缘变换域的局部特征建模 |
| 5.1 问题描述与分析 |
| 5.2 改进的局部三值模式 |
| 5.2.1 局部三值模式 |
| 5.2.2 基于置信水平的高低阈值计算 |
| 5.2.3 置信水平局部三值模式的特征 |
| 5.3 变换域特征图的特征 |
| 5.3.1 Gabor小波核 |
| 5.3.2 Gabor特征图的特征 |
| 5.3.3 Gabor特征图的加权特征 |
| 5.3.4 边缘特征图的特征 |
| 5.4 基于Gabor变换域和边缘变换域的局部特征建模 |
| 5.4.1 总体框架 |
| 5.4.2 特征降维 |
| 5.5 烟雾识别实验 |
| 5.5.1 实验说明 |
| 5.5.2 不同特征组合的结果及分析 |
| 5.5.3 烟雾识别对比实验 |
| 5.6 视频烟雾检测实验 |
| 5.6.1 视频烟雾检测的结果及分析 |
| 5.6.2 视频烟雾检测的效率分析 |
| 5.6.3 视频烟雾检测的预警结果及分析 |
| 5.7 纹理分类实验 |
| 5.8 本章小结 |
| 第6章 多层Gabor变换域局部特征建模 |
| 6.1 问题描述与分析 |
| 6.2 Gabor卷积网络 |
| 6.2.1 Gabor小波核 |
| 6.2.2 Gabor特征图的融合方案 |
| 6.2.3 Gabor卷积网络的基本结构 |
| 6.3 多层Gabor变换域局部特征建模框架 |
| 6.4 烟雾识别实验 |
| 6.4.1 实验说明 |
| 6.4.2 超参数实验 |
| 6.4.3 烟雾识别对比实验 |
| 6.5 视频烟雾检测实验 |
| 6.5.1 视频烟雾检测的结果及分析 |
| 6.5.2 视频烟雾检测的效率分析 |
| 6.5.3 视频烟雾检测的预警结果及分析 |
| 6.6 纹理分类对比实验 |
| 6.7 本文所提方法对比 |
| 6.8 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 作者在攻读博士期间的科研成果 |
| 致谢 |
（9）多尺度几何变换在金属表面缺陷识别中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 基于机器视觉的表面缺陷检测 |
| 1.2.1 金属表面缺陷检测系统发展概述 |
| 1.2.2 金属表面缺陷检测算法概况 |
| 1.2.3 本梯队的研究基础 |
| 1.3 多尺度几何变换方法发展概述 |
| 1.3.1 图像的稀疏表示 |
| 1.3.2 从傅里叶变换到小波变换 |
| 1.3.3 多尺度几何变换方法概述 |
| 1.4 论文结构与章节安排 |
| 2 金属表面缺陷图像及样本库 |
| 2.1 钢铁生产的工艺流程 |
| 2.2 机器视觉表面检测系统 |
| 2.3 酸洗带钢表面缺陷图像及样本库 |
| 2.3.1 酸洗带钢表面特点 |
| 2.3.2 酸洗带钢表面缺陷样本库 |
| 2.4 中厚板表面缺陷图像及样本库 |
| 2.4.1 中厚板表面特点 |
| 2.4.2 中厚板表面缺陷样本库 |
| 2.5 铝板表面缺陷图像及样本库 |
| 2.5.1 铝板表面特点 |
| 2.5.2 铝板表面缺陷样本库 |
| 2.6 连铸坯表面缺陷图像及样本库 |
| 2.6.1 连铸坯表面的特点 |
| 2.6.2 连铸坯表面缺陷样本库 |
| 2.7 本章小结 |
| 3 Contourlet-KSR特征提取方法研究 |
| 3.1 小波特征提取方法 |
| 3.1.1 直接小波特征提取方法实验 |
| 3.1.2 间接小波系数特征提取实验 |
| 3.1.3 小波特征选择实验 |
| 3.2 Contourlet变换在带钢表面缺陷识别中的应用 |
| 3.2.1 Contourlet变换 |
| 3.2.2 基于Contourlet变换的特征提取方法 |
| 3.3 Contourlet-KSR方法应用于酸洗带钢表面缺陷识别 |
| 3.3.1 KSR理论 |
| 3.3.2 Contourlet-KSR特征提取方法 |
| 3.3.3 实验结果讨论 |
| 3.3.4 可视化结果与混淆矩阵 |
| 3.3.5 实验结果对比分析 |
| 3.4 Contourlet-KSR在其它金属表面缺陷识别的应用 |
| 3.4.1 中厚板表面缺陷识别 |
| 3.4.2 铝板表面缺陷识别 |
| 3.4.3 连铸坯表面缺陷识别 |
| 3.5 本章小结 |
| 4 改进Contourlet变换的特征提取方法 |
| 4.1 改进轮廓波变换方法 |
| 4.1.1 改进Contourlet变换(ICT) |
| 4.1.2 横向裂纹的ICT分解与重构 |
| 4.1.3 ICT系数的稀疏性 |
| 4.2 ICT方法在中厚板表面缺陷识别的应用 |
| 4.2.1 基于ICT的特征提取方法 |
| 4.2.2 与Contourlet方法的比较 |
| 4.2.3 与NSCT方法的比较 |
| 4.2.4 实验结果对比分析 |
| 4.3 ICT方法在其它金属表面缺陷识别的应用 |
| 4.3.1 铝板表面缺陷识别的应用 |
| 4.3.2 连铸坯表面缺陷识别的应用 |
| 4.4 本章小结 |
| 5 基于剪切波变换的特征提取方法 |
| 5.1 NSST原理 |
| 5.1.1 非子采样剪切波的构造 |
| 5.1.2 非子采样剪切波的离散化 |
| 5.2 基于NSST的特征提取方法 |
| 5.2.1 基于NSST的铝板特征提取方法 |
| 5.2.2 实验结果和讨论 |
| 5.2.3 与基于轮廓波的特征提取方法比较 |
| 5.3 DNST变换 |
| 5.3.1 DNST构造基础 |
| 5.3.2 DNST的实现 |
| 5.3.3 DNST变换示例 |
| 5.4 DNST在连铸坯表面缺陷识别中的应用 |
| 5.4.1 DNST-KSR特征提取方法 |
| 5.4.2 DNST和GLCM特征融合方法 |
| 5.4.3 实验结果分析与讨论 |
| 5.4.4 实验结果对比分析 |
| 5.5 本章小结 |
| 6 复剪切波变换在金属表面检测中的研究 |
| 6.1 复剪切波变换的理论 |
| 6.1.1 复剪切波变换的发展背景 |
| 6.1.2 复剪切波变换的构造 |
| 6.1.3 复剪切波变换的特点 |
| 6.2 基于复剪切波变换的缺陷区域提取 |
| 6.2.1 CSTED的构造原理 |
| 6.2.2 CSTED方法实验 |
| 6.2.3 基于CSTED的缺陷区域提取 |
| 6.3 复剪切波变换在连铸坯表面缺陷识别中的应用 |
| 6.3.1 特征提取参数实验 |
| 6.3.2 特征融合方法 |
| 6.3.3 CST与DNST的对比实验 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 全文总结 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录A 小波系数矩特征向量的组合明细表 |
| 附录B Contourlet参数设置及结果明细表(酸洗带钢) |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（10）复杂成像探测中的微弱目标检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及发展动态分析 |
| 1.2.1 成像目标检测技术 |
| 1.2.2 红外成像弱小目标检测 |
| 1.3 主要研究内容及技术路线 |
| 1.4 论文的结构安排 |
| 第二章 成像目标视觉检测基础理论 |
| 2.1 红外成像特性分析 |
| 2.1.1 红外成像机理 |
| 2.1.2 红外图像的特点 |
| 2.1.3 典型红外背景及目标特性分析 |
| 2.2 红外图像预处理 |
| 2.2.1 图像增强 |
| 2.2.2 红外图像高分辨重建 |
| 2.3 成像目标检测技术 |
| 2.3.1 帧间差分 |
| 2.3.2 背景减除法 |
| 2.3.3 光流法 |
| 2.3.4 动态规划 |
| 2.4 红外弱小目标检测 |
| 2.4.1 空时滤波法 |
| 2.4.2 视觉显着性检测 |
| 2.4.3 基于稀疏表示的弱小目标检测 |
| 2.5 本章小结 |
| 第三章 基于背景建模的目标检测算法 |
| 3.1 概述 |
| 3.2 高斯背景模型 |
| 3.2.1 单高斯背景模型 |
| 3.2.2 混合高斯背景模型 |
| 3.3 核密度估计背景模型 |
| 3.3.1 非参数估计方法 |
| 3.3.2 基于核密度估计的背景建模 |
| 3.4 实验结果与算法分析 |
| 3.4.1 实验结果 |
| 3.4.2 性能分析 |
| 3.5 本章小结 |
| 第四章 基于多尺度几何分析的红外目标检测算法 |
| 4.1 概述 |
| 4.2 多尺度几何分析 |
| 4.2.1 多尺度几何分析理论 |
| 4.2.2 Contourlet变换 |
| 4.2.3 Shearlet变换 |
| 4.3 基于NSST的红外弱小目标检测 |
| 4.3.1 多特征融合与Kurtosis最大化 |
| 4.3.2 基于最大对比度准则的阈值分割 |
| 4.4 实验结果与性能分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果 |
| 4.4.3 性能分析 |
| 4.5 本章小结 |
| 第五章 基于视觉显着性的红外弱小目标检测方法 |
| 5.1 概述 |
| 5.2 视觉显着性模型 |
| 5.3 红外弱小目标视觉显着性检测 |
| 5.3.1 局部对比度检测模型 |
| 5.3.2 红外目标HB-MLCM检测算法 |
| 5.4 基于MDMSHB模型的红弱小目标检测方法 |
| 5.4.1 方向滤波器 |
| 5.4.2 改进的高提升响应滤波器 |
| 5.4.3 多方向及多尺度分析 |
| 5.4.4 自适应阈值分割 |
| 5.5 实验结果与算法分析 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 基于分数域最优时频特征的SAR目标检测 |
| 6.1 SAR图像及其特性分析 |
| 6.1.1 SAR成像概述 |
| 6.1.2 SAR图像特性分析 |
| 6.2 时频分析理论 |
| 6.2.1 信号的展开 |
| 6.2.2 短时傅里叶变换 |
| 6.2.3 Gabor变换及展开 |
| 6.2.4 Wigner-Ville时频分布 |
| 6.3 分数阶傅里叶变换 |
| 6.3.1 FrFT的定义 |
| 6.3.2 FrFT的特性 |
| 6.4 基于最优FrGT时频谱特征的SAR目标检测 |
| 6.4.1 二维分数阶Gabor变换 |
| 6.4.2 最优窗函数设计 |
| 6.4.3 最优阶决策 |
| 6.4.4 能量衰减梯度特征 |
| 6.5 实验结果与算法分析 |
| 6.5.1 实验设置 |
| 6.5.2 实验结果与分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 创新点及主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
四、小波分析理论在图像目标检测中的应用（论文参考文献）
- [1]几种类型图像边缘检测的相关问题研究[D]. 陈顺. 武汉纺织大学, 2021(08)
- [2]大雾下海上图像的目标分离与智能辨识研究[D]. 林昌. 集美大学, 2021(01)
- [3]基于群稀疏表示的SAR图像相干斑抑制与目标检测识别[D]. 刘苏. 南京航空航天大学, 2019
- [4]分形理论在目标检测中的应用[J]. 刘宁波,关键,宋杰,王国庆,何友. 现代雷达, 2012(02)
- [5]小波理论在图像边缘检测中的应用研究[D]. 郑海疆. 厦门大学, 2006(01)
- [6]图像边缘检测和图像匹配研究及应用[D]. 王慧燕. 浙江大学, 2003(03)
- [7]对地观测红外成像虚警源检测方法研究[D]. 刘雨菡. 电子科技大学, 2021
- [8]视觉烟雾检测中的变换域局部特征建模[D]. 李钢. 江西财经大学, 2020(01)
- [9]多尺度几何变换在金属表面缺陷识别中的应用[D]. 刘晓明. 北京科技大学, 2020(03)
- [10]复杂成像探测中的微弱目标检测算法研究[D]. 彭凌冰. 电子科技大学, 2020