掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
論中國
-
>
中共中央在西柏坡
-
>
同盟的真相:美國如何秘密統治日本
-
>
中國歷代政治得失
-
>
中國共產黨的一百年
-
>
習近平談治國理政 第四卷
-
>
在慶祝中國共產主義青年團成立100周年大會上的講話
無人機偵察情報處理技術 版權信息
- ISBN：9787030694133
- 條形碼：9787030694133 ; 978-7-03-069413-3
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
無人機偵察情報處理技術 內容簡介
本書介紹了無人機偵察情報處理的三部分內容，分別為圖像融合、目標識別以及目標跟蹤。圖像融合介紹了紅外和可見光的快速配準技術、結合變換域與空間域的灰度級融合技術和基于IHS變換與目標增強的彩色級融合技術。對于SAR圖像的自動目標識別，說明了基于自適應篩選快速CFAR算法的目標檢測、基于Krawtchouk矩特征的目標鑒別以及基于卷積神經網絡和深度學習的目標識別。針對長時目標跟蹤，闡述了基于相關濾波的自適應特征融合與目標重檢測技術。
無人機偵察情報處理技術 目錄
目錄
前言
圖像融合篇
第1章 圖像融合概述 3
1.1 圖像融合簡介 3
1.2 紅外與可見光圖像配準及融合研究現狀 4
1.2.1 圖像配準技術研究現狀 4
1.2.2 圖像融合技術研究現狀 5
1.3 成像特性分析 6
1.3.1 紅外成像特性 6
1.3.2 可見光成像特性 7
1.3.3 紅外與可見光圖像特性對比 7
1.4 圖像配準基本理論 8
1.4.1 空間變換模型 8
1.4.2 圖像配準方法 10
1.4.3 配準效果評價標準 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 融合效果評價標準 20
1.6 本篇主要研究內容 23
第2章 基于形態學邊緣檢測與改進ORB的圖像配準 25
2.1 引言 25
2.2 算法框架 26
2.2.1 形態學邊緣檢測 26
2.2.2 改進的ORB算法 28
2.2.3 特征點提取、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 仿真實驗與結果分析 33
2.4.1 實驗仿真結果 33
2.4.2 配準結果分析 36
2.5 本章小結 37
第3章 基于NSDTCT與自適應分塊的圖像融合 38
3.1 引言 38
3.2 相關理論 39
3.2.1 NSDTCT 39
3.2.2 果蠅優化算法 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算法優化的自適應分塊 42
3.3.3 標簽圖的產生過程 44
3.3.4 高頻分量融合策略 46
3.4 仿真實驗與結果分析 47
3.4.1 實驗參數設置 47
3.4.2 仿真結果分析 48
3.5 本章小結 52
第4章 基于IHS變換與目標增強的圖像融合 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的目標增強 55
4.3 仿真實驗與結果分析 57
4.3.1 仿真條件 57
4.3.2 實驗結果及分析 57
4.4 本章小結 59
本篇小結 60
目標識別篇
第5章 SAR圖像自動目標識別概述 63
5.1 SAR圖像自動目標識別簡介 63
5.2 SAR圖像自動目標識別研究現狀 64
5.2.1 目標檢測 64
5.2.2 目標鑒別 65
5.2.3 目標識別 66
5.3 本篇主要研究內容 67
第6章 基于自適應篩選快速CFAR算法的目標檢測 69
6.1 引言 69
6.2 雙參數CFAR算法在多目標環境下的性能研究 69
6.2.1 雙參數CFAR算法 69
6.2.2 參考窗內包含目標像素的影響理論推導 71
6.2.3 參考窗內包含目標像素的影響仿真研究 71
6.3 自適應篩選快速CFAR算法流程 73
6.3.1 參考窗口像素的自適應篩選 73
6.3.2 自適應篩選仿真實驗 75
6.3.3 區域閾值的可行性分析 77
6.4 實驗驗證 78
6.4.1 實驗設置 78
6.4.2 實驗結果及分析 78
6.5 本章小結 80
第7章 基于Krawtchouk矩特征的目標鑒別 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*大信息系數的特征選擇 82
7.3 代價敏感神經網絡分類器設計 83
7.3.1 多隱層神經網絡 83
7.3.2 非均等代價函數 84
7.4 實驗驗證 84
7.4.1 實驗設置 84
7.4.2 評價指標 85
7.4.3 實驗結果及分析 86
7.5 本章小結 90
第8章 基于卷積神經網絡和深度學習的目標識別 91
8.1 引言 91
8.2 卷積神經網絡目標識別流程 91
8.3 改進的特征提取網絡結構 92
8.3.1 特征提取網絡的結構 92
8.3.2 卷積神經網絡對噪聲的抑制 93
8.4 優化的Softmax分類器 94
8.4.1 正則化項 94
8.4.2 dropout原理 95
8.5 卷積神經網絡目標識別實驗驗證 96
8.5.1 實驗設置 96
8.5.2 實驗結果及分析 98
8.6 基于深度學習的目標檢測框架 101
8.6.1 Faster-RCNN目標檢測框架 101
8.6.2 SSD目標檢測框架 102
8.7 針對SAR圖像的檢測框架研究 103
8.7.1 預訓練模型 103
8.7.2 零均值規整化 103
8.8 深度學習目標檢測實驗驗證 104
8.8.1 實驗設置 104
8.8.2 實驗結果及分析 105
8.9 本章小結 109
本篇小結 110
目標跟蹤篇
第9章 目標跟蹤概述 113
9.1 目標跟蹤簡介 113
9.2 目標跟蹤研究現狀 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 本篇主要研究內容 121
第10章 相關濾波目標跟蹤基礎理論 123
10.1 引言 123
10.2 背景感知相關濾波目標跟蹤方法 123
10.2.1 標準相關濾波目標跟蹤方法 123
10.2.2 背景感知相關濾波器 124
10.2.3 尺度估計 126
10.3 進一步改進優化方向 127
10.4 實驗數據與評價指標 128
10.4.1 數據集 128
10.4.2 評價指標 130
10.5 本章小結 132
第11章 時空感知相關濾波器 133
11.1 引言 133
11.2 時空感知相關濾波器模板訓練 133
11.3 時空感知相關濾波器方法步驟 136
11.4 時空感知相關濾波器實驗與分析 137
11.4.1 對比實驗設置 137
11.4.2 數據集 137
11.4.3 實驗具體參數設置 138
11.4.4 實驗結果及分析 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 自適應特征選擇 149
11.6 自適應特征選擇實驗與分析 151
11.6.1 對比實驗設置 151
11.6.2 測試數據集 151
11.6.3 實驗具體參數設置 151
11.6.4 實驗結果及分析 151
11.7 本章小結 155
第12章 長時目標跟蹤 157
12.1 引言 157
12.2 EdgeBoxes候選區域提取 158
12.3 結構化支持向量機 160
12.4 自適應目標重檢測 161
12.5 自適應目標重檢測方法步驟 162
12.6 自適應目標重檢測實驗與分析 163
12.6.1 對比實驗設置 163
12.6.2 數據集 164
12.6.3 實驗具體參數設置 164
12.6.4 實驗分析 164
12.7 長時目標跟蹤框架及目標尺度估計 166
12.8 長時目標跟蹤方法步驟 167
12.9 長時目標跟蹤實驗與分析 168
12.9.1 實驗數據 168
12.9.2 對比實驗設置 168
12.9.3 實驗設置 169
12.9.4 定量分析 169
12.9.5 定性分析 189
12.10 本章小結 192
本篇小結 194
參考文獻 195
彩圖
前言
圖像融合篇
第1章 圖像融合概述 3
1.1 圖像融合簡介 3
1.2 紅外與可見光圖像配準及融合研究現狀 4
1.2.1 圖像配準技術研究現狀 4
1.2.2 圖像融合技術研究現狀 5
1.3 成像特性分析 6
1.3.1 紅外成像特性 6
1.3.2 可見光成像特性 7
1.3.3 紅外與可見光圖像特性對比 7
1.4 圖像配準基本理論 8
1.4.1 空間變換模型 8
1.4.2 圖像配準方法 10
1.4.3 配準效果評價標準 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 融合效果評價標準 20
1.6 本篇主要研究內容 23
第2章 基于形態學邊緣檢測與改進ORB的圖像配準 25
2.1 引言 25
2.2 算法框架 26
2.2.1 形態學邊緣檢測 26
2.2.2 改進的ORB算法 28
2.2.3 特征點提取、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 仿真實驗與結果分析 33
2.4.1 實驗仿真結果 33
2.4.2 配準結果分析 36
2.5 本章小結 37
第3章 基于NSDTCT與自適應分塊的圖像融合 38
3.1 引言 38
3.2 相關理論 39
3.2.1 NSDTCT 39
3.2.2 果蠅優化算法 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算法優化的自適應分塊 42
3.3.3 標簽圖的產生過程 44
3.3.4 高頻分量融合策略 46
3.4 仿真實驗與結果分析 47
3.4.1 實驗參數設置 47
3.4.2 仿真結果分析 48
3.5 本章小結 52
第4章 基于IHS變換與目標增強的圖像融合 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的目標增強 55
4.3 仿真實驗與結果分析 57
4.3.1 仿真條件 57
4.3.2 實驗結果及分析 57
4.4 本章小結 59
本篇小結 60
目標識別篇
第5章 SAR圖像自動目標識別概述 63
5.1 SAR圖像自動目標識別簡介 63
5.2 SAR圖像自動目標識別研究現狀 64
5.2.1 目標檢測 64
5.2.2 目標鑒別 65
5.2.3 目標識別 66
5.3 本篇主要研究內容 67
第6章 基于自適應篩選快速CFAR算法的目標檢測 69
6.1 引言 69
6.2 雙參數CFAR算法在多目標環境下的性能研究 69
6.2.1 雙參數CFAR算法 69
6.2.2 參考窗內包含目標像素的影響理論推導 71
6.2.3 參考窗內包含目標像素的影響仿真研究 71
6.3 自適應篩選快速CFAR算法流程 73
6.3.1 參考窗口像素的自適應篩選 73
6.3.2 自適應篩選仿真實驗 75
6.3.3 區域閾值的可行性分析 77
6.4 實驗驗證 78
6.4.1 實驗設置 78
6.4.2 實驗結果及分析 78
6.5 本章小結 80
第7章 基于Krawtchouk矩特征的目標鑒別 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*大信息系數的特征選擇 82
7.3 代價敏感神經網絡分類器設計 83
7.3.1 多隱層神經網絡 83
7.3.2 非均等代價函數 84
7.4 實驗驗證 84
7.4.1 實驗設置 84
7.4.2 評價指標 85
7.4.3 實驗結果及分析 86
7.5 本章小結 90
第8章 基于卷積神經網絡和深度學習的目標識別 91
8.1 引言 91
8.2 卷積神經網絡目標識別流程 91
8.3 改進的特征提取網絡結構 92
8.3.1 特征提取網絡的結構 92
8.3.2 卷積神經網絡對噪聲的抑制 93
8.4 優化的Softmax分類器 94
8.4.1 正則化項 94
8.4.2 dropout原理 95
8.5 卷積神經網絡目標識別實驗驗證 96
8.5.1 實驗設置 96
8.5.2 實驗結果及分析 98
8.6 基于深度學習的目標檢測框架 101
8.6.1 Faster-RCNN目標檢測框架 101
8.6.2 SSD目標檢測框架 102
8.7 針對SAR圖像的檢測框架研究 103
8.7.1 預訓練模型 103
8.7.2 零均值規整化 103
8.8 深度學習目標檢測實驗驗證 104
8.8.1 實驗設置 104
8.8.2 實驗結果及分析 105
8.9 本章小結 109
本篇小結 110
目標跟蹤篇
第9章 目標跟蹤概述 113
9.1 目標跟蹤簡介 113
9.2 目標跟蹤研究現狀 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 本篇主要研究內容 121
第10章 相關濾波目標跟蹤基礎理論 123
10.1 引言 123
10.2 背景感知相關濾波目標跟蹤方法 123
10.2.1 標準相關濾波目標跟蹤方法 123
10.2.2 背景感知相關濾波器 124
10.2.3 尺度估計 126
10.3 進一步改進優化方向 127
10.4 實驗數據與評價指標 128
10.4.1 數據集 128
10.4.2 評價指標 130
10.5 本章小結 132
第11章 時空感知相關濾波器 133
11.1 引言 133
11.2 時空感知相關濾波器模板訓練 133
11.3 時空感知相關濾波器方法步驟 136
11.4 時空感知相關濾波器實驗與分析 137
11.4.1 對比實驗設置 137
11.4.2 數據集 137
11.4.3 實驗具體參數設置 138
11.4.4 實驗結果及分析 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 自適應特征選擇 149
11.6 自適應特征選擇實驗與分析 151
11.6.1 對比實驗設置 151
11.6.2 測試數據集 151
11.6.3 實驗具體參數設置 151
11.6.4 實驗結果及分析 151
11.7 本章小結 155
第12章 長時目標跟蹤 157
12.1 引言 157
12.2 EdgeBoxes候選區域提取 158
12.3 結構化支持向量機 160
12.4 自適應目標重檢測 161
12.5 自適應目標重檢測方法步驟 162
12.6 自適應目標重檢測實驗與分析 163
12.6.1 對比實驗設置 163
12.6.2 數據集 164
12.6.3 實驗具體參數設置 164
12.6.4 實驗分析 164
12.7 長時目標跟蹤框架及目標尺度估計 166
12.8 長時目標跟蹤方法步驟 167
12.9 長時目標跟蹤實驗與分析 168
12.9.1 實驗數據 168
12.9.2 對比實驗設置 168
12.9.3 實驗設置 169
12.9.4 定量分析 169
12.9.5 定性分析 189
12.10 本章小結 192
本篇小結 194
參考文獻 195
彩圖
展開全部
無人機偵察情報處理技術 節選
圖像融合篇 第1章 圖像融合概述 1.1 圖像融合簡介 作為信息融合領域的重要分支之一，多源圖像融合綜合了圖像處理、信號處理、計算機視覺與人工智能等眾多學科的理論。融合的本質是對源圖像中的信息進行優化、篩選與組合，從而降低單一類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、分類與目標識別等方面的有效性 [1]。根據成像傳感器的不同，融合類型可分為紅外與可見光圖像融合、合成孔徑雷達( Synthetic Aperture Radar，SAR)與可見光融合、多光譜圖像融合等。根據融合信息的抽象層次不同，融合類型可分為像素級、特征級與決策級融合三類，其中，像素級融合的結果信息量*大也*全面，更易于被人的視覺系統所接受，適合進一步進行目標檢測、目標識別等，因此目前受到的關注與研究*多。 紅外與可見光圖像融合是當前多源圖像融合中的一大研究熱點 [2]。紅外傳感器可透云霧成像，能全天候執行偵察任務，但成像質量不佳，細節模糊；可見光成像清晰度與對比度更高，但在云煙霧及光照不良條件下成像效果不佳。綜上所述，單一類型的傳感器難以勝任復雜戰場條件下的偵察任務，因此需要通過圖像融合技術實現不同傳感器之間的信息互補，提高偵察信息獲取的可靠性。圖 1-1為可見光與紅外圖像像素級融合過程示意圖。 圖1-1 紅外與可見光圖像像素級融合過程示意圖 在圖 1-1中，目標首先通過傳感器成像得到源圖像，為了解決成像過程中噪聲及運動干擾導致的圖像模糊問題，需要對源圖像進行降噪或增強等預處理操作；為了消除成像過程中產生的縮放、旋轉與平移等圖像畸變，滿足后續融合要求，需要對預處理得到的圖像進行空間位置上的配準；在預處理及配準后，通過融合源圖像，實現兩種不同類型傳感器之間的信息優勢互補，并對融合結果進行評價；融合結果中的信息更完整全面，因此可以進一步提取融合結果中的信息進行圖像分類、目標檢測、識別等，并應用于實際任務中。 1.2 紅外與可見光圖像配準及融合研究現狀 在像素級融合中，源圖像只有在分辨率一致、大小相同且在同一坐標系中嚴格對齊的情況下，才能滿足融合條件。無人機在航空偵察的過程中，機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、旋轉等畸變，因此在融合前，需要通過圖像配準消除圖像畸變，使源圖像滿足融合條件。在實際應用中，圖像配準應快速、精準，才能提高整個融合過程的效率，滿足對實時性的需求。 1.2.1 圖像配準技術研究現狀 圖像配準是指對從不同視點、不同時間或不同傳感器獲得的同一場景的兩幅或多幅圖像建立對應關系的過程。 20世紀 70年代，美軍提出將圖像配準技術用于飛行器輔助導航與制導發射等領域，這是圖像配準技術在軍事領域的首次應用。隨著軍事技術的發展，無人機開始廣泛應用于航空偵察，基于圖像配準的輔助導航系統也大量裝備在無人機上以輔助導航[3]，此外，圖像配準也廣泛應用于醫學檢測[4]、車輛檢測 [5]等民用領域。 圖像配準技術*初主要針對同源圖像，隨著多傳感器成像技術的迅速發展，針對異源圖像配準技術的研究逐漸引起專家學者的關注。由于傳感器的成像機理不同，得到的圖像在顏色、紋理、分辨率等方面差異較大，所以異源圖像配準的難度較同源配準更高。目前，異源圖像配準方法可根據對圖像信息的利用情況分為基于灰度與基于特征兩大類。 基于灰度的配準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，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，且該類方法對圖像的空間結構特征利用不夠，故配準魯棒性通常較差，搜索求解過程容易陷入局部*優，提升該類方法性能的關鍵是尋找更好的相似性度量及改進搜索求解策略。 基于特征的配準方法通過提取圖像局部特征作為異源圖像配準的參考信息，該類方法分為特征提取與特征匹配兩個步驟，常用于匹配的特征包括角點、邊緣、輪廓等[6]。由于圖像局部特征的不變性，該類方法的魯棒性較基于灰度的配準方法更強，配準效果更好，但實現更復雜 [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 BRIEF特征(Oriented FAST and Rotated BRIEF，ORB)等，在匹配速度上， ORB較 SIFT與 SURF有數量級上的提升，更適合實際應用[8]。但 ORB在一些尺度變化較大的場景下匹配效果較差，如何解決 ORB的尺度不變性問題是提升該算法性能的關鍵 [9]。 在紅外與可見光圖像配準領域，兩者的灰度差異較大是制約配準精度的主要因素，因此當前的研究集中在如何消除灰度差異對配準精度的影響，目前已有的方法包括輪廓擬合、顯著性檢測、邊緣檢測 [10]等。這些方法通過檢測并提取紅外與可見光圖像的共同特征如輪廓、邊緣等，來減弱灰度差異對配準精度的影響，盡管部分方法精度足夠高，但配準速度慢，而圖像配準在實際應用中只是眾多步驟的一環，因此如何平衡精度與速度之間的矛盾，使方法能夠得到實際應用，是紅外與可見光圖像配準研究中的重點和難點。 1.2.2 圖像融合技術研究現狀 在國外，美國是融合技術起步*早、發展*快的國家。 1973年，美國國防部通過融合聲吶信號，實現敵方潛艇位置的自動檢測，被視為信息融合技術應用在軍事領域的開端。 70年代后期，格魯門公司利用紅外與可見光圖像的信息互補性，生產了一種增強型夜視鏡用于提高美軍夜間執勤能力。近年來，美軍在不斷研究微光和多波段融合方法，以確保其夜視技術方面的領先優勢，引起了世界軍事強國的高度關注。目前，美國正積極研制一種覆蓋可見光、紅外和雷達成像的多譜段傳感器信息融合系統，以提高戰場感知能力。 相關方法上，國外研究水平始終處于領先地位。早期融合方法集中于空域，主要有加權平均、主成分分析等，這類方法計算量小，易于實現，但圖像并不是孤立像素點的集合，空域法容易割裂圖像的空間構成，造成對比度的下降與細節信息的損失。金字塔融合 [11]的面世，標志著融合方法從空間域轉入變換域，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，神經網絡、壓縮感知、稀疏表示等理論也大量用于圖像融合研究 [13]。*近，伴隨著深度學習的熱潮，部分學者提出基于低秩矩陣分解及卷積神經網絡( Convolutional Neural Network，CNN)理論的融合方法構想，盡管目前相關方法在目標識別、目標檢測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、特征選擇與圖像重建等眾多理論，所以將相關方法應用于圖像融合還有待進一步探索。 在國內，由于對信息融合理論與技術的研究起步較晚，發展相對落后， 80年代末才出現有關多源信息融合技術的研究報告。為緊跟前沿，政府將信息融合技術列為“863”計劃與“九五”規劃中的國家重點研究項目，并將其確定為計算機技術領域的關鍵技術之一。隨后，在政府、軍方及各類基金的扶持下，大批高校與研究所投入了相關研究中，在圖像融合領域，也取得了豐碩的研究成果 [14]。 應用層面上，1999年，我國在“資源一號”衛星上同時安裝了電荷耦合元件(Charge-Coupled Device，CCD)與紅外掃描儀，通過圖像融合，有效擴大了衛星的遙感區域。北京理工大學于 2009年研制的基于 YUV色彩空間傳遞的彩色圖像融合系統，能實現紅外與可見光圖像的偽彩色融合 [15]。同年，南京理工大學也開發了一套能夠實現快速融合的偽彩色圖像實時融合系統。此外，上海交通大學、中科院長春光機所等研究機構也長期與軍方部門合作，一直從事紅外與可見光圖像融合的研究。 學術層面上，由于起步較晚，國內學者在圖像融合領域的提出的創造性理論較少，主要側重于對國外已有的理論進行完善與運用。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網絡 (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]、馬佳義的梯度轉換與*小全變差模型[17]等。此外，國內學者嘗試將深度學習應用于圖像融合，如李紅 [18]等將深度支撐值學習網絡用于遙感圖像、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]利用生成式對抗網絡( Generative Adversarial Network，GAN)融合紅外與可見光圖像等，展現了國內學者勇于開拓創新的科研精神。 盡管我國在圖像融合領域研究成果突出，尤其是在紅外與可見光圖像融合方面碩果累累，但總體而言，由于缺乏實際的多傳感器系統應用需求的牽引，圖像融合領域的研究更傾向于探索與仿真，且研究過程中并未針對不同層次不同類型的融合建立廣受認可的詳細數學模型和完整理論體系，很多研究工作只針對某些應用領域的特定問題展開，缺乏普適性。因此，需要進一步研究圖像融合的數學本質，建立具有普適性的數學模型，并加強需求牽引，才能更好地引導研究成果服務于實際應用，從而提高我國的軍事實力。 1.3 成像特性分析 1.3.1 紅外成像特性 紅外線( Infrared Ray，IR)波長介于可見光與微波之間，根據波長不同，可分為近、中、遠紅外線三類。近波紅外波長介于 0.7～2.5μm，穿透力*強；中波紅外波長介于 2.5～25μm，穿透力較強；遠波紅外波長介于 25～1000μm，穿透力*弱。根據成像紅外線來源的不同，成像方式可劃分為主動式與被動式：主動式成像通過成像設備主動向目標發射紅外線，通過接收反射的紅外輻射成像；被動式成像通過接收目標熱輻射產生的紅外線成像。 理論上，高于絕對零度的目標就能產生紅外線。實際情況下，目標與環境的溫差越大，能量傳遞產生的熱效應越強，這種熱效應產生的輻射差異通過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，熱效應越強。由于目標邊緣處與環境的輻射差異更大，所以邊緣處在紅外圖像中通常
書友推薦
- >
羅庸西南聯大授課錄
- >
名家帶你讀魯迅:朝花夕拾
- >
隨園食單
- >
回憶愛瑪儂
- >
有舍有得是人生
- >
我從未如此眷戀人間
- >
詩經-先民的歌唱
- >
大紅狗在馬戲團-大紅狗克里弗-助人
本類暢銷
