现代视频图像弱小目标检测导论

目 录
前言
第1章 概论 1
1.1目标检测的内涵 1
1.2目标检测方法概述 1
1.2.1模糊数学方法 9
1.2.2数学形态学方法 2
1.2.3分形学方法 3
1.2.4子波变换方法 3
1.2.5神经网络方法 4
1.2.6粒子滤波方法 5
参考文献 6
第2章 图像目标特性分析 10
2.1引言 10
9.9太阳的辐射特性 10
2.2.1黑体辐射定律 10
2.2.2太阳辐射在进人大气层后的传播形式 11
2.3海浪的阳光反射模型 14
2.3.1菲涅尔反射系数 14
2.3.2海浪的反射模型 14
2.4云团的阳光反射模型 17
2.4.1光在大气中的传输模型 17
2.4.2成像传感器接收云团阳光散射的模型 18
2.5红外图像特征描述 20
2.5.1点目标辐射强度分布特性 20
2.5.2背景起伏特性 21
2.5.3噪声分布特性 22
2.6小结 22
参考文献 23
第3章 运动模糊图像复原方法 24
3.1引言 24
3.2线性模糊图像复原 25
3.2.1图像模糊退化分析 25
3.2.2均匀积分模糊图像的复原 26
3.2.3非均匀积分模糊图像的复原 37
3.3旋转模糊图像复原 44
3.3.1旋转模糊退化分析 45
3.3.2模糊路径提取 47
3.3.3基于维纳滤波的旋转模糊图像复原 49
3.3.4基于对角加载的旋转模糊图像复原 49
3.3.5几种旋转模糊图像复原算法的效果比较 53
3.4小结 58
参考文献 58
第4章 基于信息处理的电子稳像方法 60
4.1引言 60
4.2图像运动模型和电子稳像原理 61
4.2.1摄像机成像模型分析 61
4.2.2图像运动模型 63
4.2.3电子稳像原理 66
4.3运动估计算法 67
4.3.1灰度投影法 67
4.3.2梯度法 70
4.3.3特征量匹配法 71
4.3.4块匹配法 72
4.3.5其他运动估计方法 73
4.4基于块匹配的电子稳像方法 74
4.4.1图像预处理 75
4.4.2运动估计模型 77
4.4.3局部运动矢量估计 77
4.4.4全局运动矢量估计 87
4.4.5运动补偿 90
4.4.6电子稳像仿真实验结果 94
4.5小结 103
参考文献 103
第5章 基于模糊数学的目标检测方法 106
5.1引言 106
5.2模糊数学理论 106
5.2.1模糊集 106
5.2.2模糊度 107
5.3基于模糊数学的目标检测算法 108
5.3.1图像模糊增强的模型 108
5.3.2常用的模糊增强算法 109
5.3.3改进的模糊增强算法 111
5.3.4实验结果 112
5.4小结 118
参考文献 118
第6章 基于数学形态学的目标检测方法 119
6.1引言 119
6.2形态滤波理论 119
6.2.1二值形态滤波理论 119
6.2.2灰值形态滤波理论 122
6.3基于形态滤波的目标检测算法 126
6.4小结 129
参考文献 130
第7章 形态滤波与遗传算法相结合的目标检测方法 131
7.1引言 131
7.2遗传算法基本理论 132
7.2.1遗传算法的基本概念 132
7.2.2遗传算法的编码及适应度函数 133
7.2.3遗传算法的基本操作 135
7.2.4遗传算法模式理论和特点 137
7.3形态滤波与遗传算法在目标检测中的运用 140
7.3.1目标检测算法 141
7.3.2遗传算子确定 141
7.3.3白适应遗传策略算法 145
7.3.4基于遗传算法的白适应形态滤波目标检测算法 147
7.4小结 150
参考文献 151
第8章 基于分形学的目标检测方法 152
8.1引言 152
8.2分形理论 152
8.2.1分形维数 152
8.2.2 DFBIR场维数 153
8.3基于分形技术的目标检测算法 154
8.3.1基于分形维数的目标检测 154
8.3.2基于分形模型图像误差的目标检测 156
8.3.3基于分形技术改进的目标检测算法 157
8.4小结 160
参考文献 161
第9章 基于子波变换的目标检测方法 162
9.1引言 162
9.2子波变换理论 162
9.2.1连续子波变换 162
9.2.2离散子波变换 163
9.2.3多分辨率分析 163
9.2.4子波基函数分析 164
9.2.5信号奇异性及子波变换模极大值 166
9.3基于子波变换的目标检测算法 167
9.3.1图像预处理 167
9.3.2潜在目标图像区域划分 168
9.3.3潜在目标检测 170
9.4小结 172
参考文献 172
第10章 基于神经网络的目标检测方法 174
10.1引言 174
10.2神经网络基础 174
10.2.1远动图像的时变特性 174
10.2.2神经网络学习规则 175
10.2.3白适应BP学习算法 177
10.3形态学神经网络目标检测算法 177
10.3.1神经网络模型参数 177
10.3.2形态学变权神经网络算法 178
10.4小结 182
参考文献 182
第11章 基于粒子滤波器的先跟踪后检测方法 183
11.1引言 183
11.2弱小目标的状态与测量模型 184
11.3先跟踪后检测方法的贝叶斯形式 184
11.4基于粒子滤波器的先跟踪后检测算法 185
11.5仿真实验及实验结果 188
11.6小结 190
参考文献 190
第12章 基于混合粒子滤波的多目标检测与跟踪 192
12.1引言 192
12.2先跟踪后检测的贝叶斯形式 193
12.3混合贝叶斯跟踪 194
12.4混合粒子滤波器 195
12.5贝叶斯目标检测 197
12.6仿真实验 200
12.7小结 203
参考文献 203
第13章 基于组合优化的目标检测方法 205
13.1引言 205
13.2神经网络多分类器组合 205
13.3贝叶斯多分类器组合 207
13.4基于Bagging的分类器组合 209
13.5基于Adaboost的分类器组合 211
13.6基于Adaboost算法的目标检测与仿真实验 214
13.6.1基于Adaboost算法的目标检测 215
13.6.2仿真实验 216
13.7小结222
参考文献222
第14章 决策融合技术在目标检测中的应用 224
14.1信息融合 224
14.2决策融合方法 226
14.2.1基于主观贝叶斯概率推理理论的决策融合 226
14.2.2基于DS证据理论的决策融合 227
14.2.3基于人T智能的决策融合 229
14.2.4基于模糊子集理论的决策融合 230
14.2.5基于投票规则的决策融合 231
14.2.6基于神经网络技术的决策融合 231
14.3决策融合用于目标检测 234
14.3.1单个检测器决策结果的描述形式 234
14.3.2如何实现各单个检测器的决策结果的融合 236
14.3.3决策结果的评价 241
14.4投票表决技术在决策融合中的应用 241
14.4.1未考虑先验知识的表决融合 242
14.4.2基于连续五帧图像的投票表决融合 245
14.4.3基于先验知识的表决融合 250
14.5小结 255
参考文献 256
第15章 基于特征的运动目标检测与跟踪 257
15.1引言 257
15.2图像特征点检测算法 257
15.2.1角点检测方法 258
15.2.2尺度不变特征点检测算子 262
15.2.3特征点描述符的建立 267
15.3基于SIFT特征的运动目标跟踪 270
15.3.1基于累积SIFT特征的目标跟踪算法 271
15.3.2实验结果及分析 277
15.4小结 280
参考文献 281
第16章 动平台光电成像的运动目标检测与跟踪 283
16.1引言 283
16.2全局运动估计与补偿技术 283
16.2.1 Kl．T特征追踪器 284
16.2.2图像运动参数的估计与补偿 286
16.2.3基于RAN SAC算法的动态特征消除 288
16.2.4基于多分辨率技术的快速运动估计与补偿 290
16.3基于粒子滤波的运动目标检测与跟踪 293
16.3.1粒子滤波器 294
16.3.2基于KLD采样的白适应粒子滤波器 299
16.3.3白适应粒子滤波器用于多运动目标检测与跟踪 301
16.4基于图像动态层表述的目标跟踪 313
16.4.1图像的动态层表述 314
16.4.2动态层表述跟踪算法的实现 316
16.5小结 323
参考文献 323
第17章 复杂背景下的目标识别与跟踪 326
17.1引言 326
17.2潜在目标区域提取 326
17.2.1图像的最小化能量分割法．Q97
17.2.2区域运动状态分析 331
17.3目标识别 332
17.3.1主成分分析 333
17.3.2奇异值分解 335
17.3.3目标识别实验 338
17.4目标跟踪 345
17.4.1鲁棒统计及其在目标跟踪巾的应用 346
17.4.2仿射变换及其在目标跟踪巾的应用 353
17.4.3目标跟踪稳定性措施 356
17.4.4目标跟踪处理算法流程 359
17.5小结 366
参考文献 366
后记 369
彩图