紅外圖像處理、分析與融合(李俊山-楊威-張雄美著)課件模板

紅外圖像處理、分析與融合(李俊山，楊威，張雄美著)演講人202x-11-1101.02.03.04.目錄前言第一篇紅外圖像的目標(biāo)特性第二篇紅外圖像景象匹配第三篇紅外目標(biāo)識別與跟蹤01前言前言

02第一篇紅外圖像的目標(biāo)特性第1章紅外成像原理與紅外圖像特征1.1紅外輻射基本理論1.2紅外成像原理1.3紅外圖像的基本特征1.4軍用紅外小目標(biāo)和背景的輻射特性1.1紅外輻射基本理論1.1.1紅外輻射與紅外光譜1.1.2紅外輻射的傳輸與衰減1.1.3紅外輻射基本定律第1章紅外成像原理與紅外圖像特征1.2紅外成像原理1.2.1紅外成像基本原理1.2.2紅外成像系統(tǒng)的特點1.2.3紅外探測器第1章紅外成像原理與紅外圖像特征1.3紅外圖像的基本特征1.3.1紅外圖像的特點1.3.2紅外圖像與可見光圖像的區(qū)別第1章紅外成像原理與紅外圖像特征1.4軍用紅外小目標(biāo)和背景的輻射特性1.4.1軍用紅外小目標(biāo)的紅外輻射特性1.4.2紅外目標(biāo)背景的紅外輻射特性第1章紅外成像原理與紅外圖像特征03第二篇紅外圖像景象匹配第2章景象匹配區(qū)選取2.1典型的可匹配性檢驗參數(shù)分析2.2基于紅外實時圖的光學(xué)基準(zhǔn)圖選取2.3基準(zhǔn)圖選取控制策略2.4基于并行遺傳算法的圖像自匹配系數(shù)的快速計算方法2.2基于紅外實時圖的光學(xué)基準(zhǔn)圖選取2.2.1基于典型的可匹配性檢驗參數(shù)準(zhǔn)則的基準(zhǔn)圖選取2.2.2仿真實驗與結(jié)果分析第2章景象匹配區(qū)選取2.3基準(zhǔn)圖選取控制策略2.3.1景象匹配區(qū)相關(guān)面特征的概念2.3.2最高峰尖銳度計算方法2.3.3景象匹配區(qū)相關(guān)面特征準(zhǔn)則的驗證第2章景象匹配區(qū)選取2.4基于并行遺傳算法的圖像自匹配系數(shù)的快速計算方法2.4.1混沌優(yōu)化方法2.4.2基于pga的圖像自匹配系數(shù)的快速計算2.4.3仿真實驗及算法性能分析2.4.2基于PGA的圖像自匹配系數(shù)的快速計算2.4.3仿真實驗及算法性能分析第2章景象匹配區(qū)選取第3章基于遺傳算法的灰度相關(guān)匹配3.1典型的灰度相似性算法分析3.2基于遺傳優(yōu)化的灰度相關(guān)匹配算法3.3基于混合遺傳算法的灰度相關(guān)匹配算法3.4基于遺傳算法的分層快速匹配算法3.2基于遺傳優(yōu)化的灰度相關(guān)匹配算法3.2.1基于遺傳優(yōu)化的灰度相關(guān)匹配算法設(shè)計3.2.2仿真實驗3.2.3實驗結(jié)果與分析第3章基于遺傳算法的灰度相關(guān)匹配3.3基于混合遺傳算法的灰度相關(guān)匹配算法3.3.1混沌遺傳優(yōu)化組合方法研究3.3.2快速匹配算法的設(shè)計3.3.3實驗及算法性能分析第3章基于遺傳算法的灰度相關(guān)匹配3.4基于遺傳算法的分層快速匹配算法3.4.1算法控制策略設(shè)計3.4.2旋轉(zhuǎn)實時圖像的坐標(biāo)變換3.4.3匹配算法的實現(xiàn)第3章基于遺傳算法的灰度相關(guān)匹配第4章基于hausdorff距離的邊緣特征匹配4.1部分hausdorff距離與景象匹配4.2基于lts-hd的景象匹配加速技術(shù)4.3基于lts-hd的邊緣特征快速匹配算法4.4基于進化策略的邊緣特征匹配算法4.5基于邊緣金字塔結(jié)構(gòu)的邊緣特征匹配算法4.2基于LTS-HD的景象匹配加速技術(shù)4.3基于LTS-HD的邊緣特征快速匹配算法4.4基于進化策略的邊緣特征匹配算法4.5基于邊緣金字塔結(jié)構(gòu)的邊緣特征匹配算法4.1部分hausdorff距離與景象匹配4.1.1hausdorff距離4.1.2部分hausdorff距離4.1.3基于平均距離值的部分hausdorff距離4.1.4改進的部分hausdorff距離4.1.2部分Hausdorff距離4.1.3基于平均距離值的部分Hausdorff距離4.1.4改進的部分Hausdorff距離第4章基于hausdorff距離的邊緣特征匹配4.2基于lts-hd的景象匹配加速技術(shù)4.2.1鄰域排除法4.2.2掃描終止法4.2.3前向跳躍法第4章基于hausdorff距離的邊緣特征匹配4.3基于lts-hd的邊緣特征快速匹配算法4.3.1hausdorff距離的變換4.3.2基于lts-hd的快速景象匹配算法設(shè)計4.3.3實驗結(jié)果與分析4.3.2基于LTS-HD的快速景象匹配算法設(shè)計4.3.3實驗結(jié)果與分析第4章基于hausdorff距離的邊緣特征匹配4.4基于進化策略的邊緣特征匹配算法4.4.1進化策略的算法模型4.4.2進化策略的改進措施4.4.3進化策略與lts-hd結(jié)合的匹配算法4.4.4實驗結(jié)果與分析4.4.2進化策略的改進措施4.4.3進化策略與LTS-HD結(jié)合的匹配算法4.4.4實驗結(jié)果與分析第4章基于hausdorff距離的邊緣特征匹配4.5基于邊緣金字塔結(jié)構(gòu)的邊緣特征匹配算法4.5.1邊緣圖像金字塔和距離圖像金字塔4.5.2金字塔抽取模式和分解次數(shù)的自適應(yīng)確定4.5.3邊緣金字塔分解的lts0-hd距離匹配算法4.5.4仿真實驗結(jié)果及分析4.5.2金字塔抽取模式和分解次數(shù)的自適應(yīng)確定4.5.3邊緣金字塔分解的LTS0-HD距離匹配算法4.5.4仿真實驗結(jié)果及分析第4章基于hausdorff距離的邊緣特征匹配第5章基于神經(jīng)網(wǎng)絡(luò)的景象匹配5.1bp神經(jīng)網(wǎng)絡(luò)5.3基于進化策略的bp神經(jīng)網(wǎng)絡(luò)匹配算法5.4基于像素環(huán)形排列的神經(jīng)網(wǎng)絡(luò)匹配算法5.3基于進化策略的BP神經(jīng)網(wǎng)絡(luò)匹配算法5.4基于像素環(huán)形排列的神經(jīng)網(wǎng)絡(luò)匹配算法5.1bp神經(jīng)網(wǎng)絡(luò)5.2.1bp神經(jīng)網(wǎng)絡(luò)匹配特征設(shè)計5.2.2景象匹配的bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計5.2.3景象匹配的bp神經(jīng)網(wǎng)絡(luò)算法5.2.4算法性能分析5.2.2景象匹配的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計5.2.3景象匹配的BP神經(jīng)網(wǎng)絡(luò)算法5.2.4算法性能分析第5章基于神經(jīng)網(wǎng)絡(luò)的景象匹配5.3基于進化策略的bp神經(jīng)網(wǎng)絡(luò)匹配算法5.3.1傳統(tǒng)bp算法的缺陷分析及以往的改進方法5.3.2改進的es與bp神經(jīng)網(wǎng)絡(luò)結(jié)合的關(guān)鍵技術(shù)5.3.3基于進化策略的bp神經(jīng)網(wǎng)絡(luò)匹配算法設(shè)計5.3.4仿真實驗與結(jié)果分析5.3.2改進的ES與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的關(guān)鍵技術(shù)5.3.3基于進化策略的BP神經(jīng)網(wǎng)絡(luò)匹配算法設(shè)計5.3.4仿真實驗與結(jié)果分析第5章基于神經(jīng)網(wǎng)絡(luò)的景象匹配5.4基于像素環(huán)形排列的神經(jīng)網(wǎng)絡(luò)匹配算法5.4.1算法描述5.4.2仿真實驗與結(jié)果分析第5章基于神經(jīng)網(wǎng)絡(luò)的景象匹配04第三篇紅外目標(biāo)識別與跟蹤第6章紅外小目標(biāo)檢測6.1.1dbt方法6.1.2tbd方法6.1.2TBD方法6.1紅外小目標(biāo)檢測方法16.3.1數(shù)學(xué)形態(tài)學(xué)理論6.3.2基于數(shù)學(xué)形態(tài)學(xué)濾波的背景抑制6.3.3基于管道濾波的序列圖像中運動小目標(biāo)的檢測6.3基于背景抑制和管道濾波的紅外運動小目標(biāo)檢測36.2基于特征統(tǒng)計表決的小目標(biāo)檢測6.2.1特征提取6.2.2分層特征統(tǒng)計表決的小目標(biāo)提取2第7章紅外面目標(biāo)檢測7.1基于二維熵分割的紅外面目標(biāo)檢測7.2基于變分水平集的紅外面目標(biāo)分割方法7.3基于時空聯(lián)合的紅外目標(biāo)聚類提取方法7.1基于二維熵分割的紅外面目標(biāo)檢測7.1.1信息熵7.1.2二維直方圖7.1.3二維熵分割算法7.1.4快速二維熵分割算法7.1.5實驗結(jié)果及算法性能分析第7章紅外面目標(biāo)檢測7.2基于變分水平集的紅外面目標(biāo)分割方法7.2.1曲線演化和水平集方法7.2.2c-v模型7.2.3改進c-v模型的紅外圖像分割方法7.2.4實驗結(jié)果及分析7.2.2C-V模型7.2.3改進C-V模型的紅外圖像分割方法7.2.4實驗結(jié)果及分析第7章紅外面目標(biāo)檢測7.3基于時空聯(lián)合的紅外目標(biāo)聚類提取方法7.3.1時域分割7.3.2空域分割7.3.3實驗結(jié)果及分析第7章紅外面目標(biāo)檢測8.1基于貝葉斯濾波的目標(biāo)跟蹤8.2粒子濾波方法8.3基于粒子群優(yōu)化的輔助粒子濾波跟蹤方法第8章基于粒子濾波的紅外目標(biāo)跟蹤8.2粒子濾波方法8.2.1蒙特卡羅原理8.2.2序貫重要性采樣8.2.3重采樣8.2.4粒子濾波算法8.2.4粒子濾波算法第8章基于粒子濾波的紅外目標(biāo)跟蹤8.3基于粒子群優(yōu)化的輔助粒子濾波跟蹤方法8.3.1輔助粒子濾波8.3.2粒子群優(yōu)化8.3.3跟蹤算法8.3.4實驗結(jié)果及分析第8章基于粒子濾波的紅外目標(biāo)跟蹤9.1均值漂移理論9.2基于均值漂移和特征匹配的紅外目標(biāo)跟蹤9.3基于改進均值漂移算法的紅外面目標(biāo)跟蹤第四篇紅外圖像融合第9章基于均值漂移的紅外目標(biāo)跟蹤9.1均值漂移理論9.1.1核密度估計9.1.2均值漂移第9章基于均值漂移的紅外目標(biāo)跟蹤9.2基于均值漂移和特征匹配的紅外目標(biāo)跟蹤9.2.1基于均值漂移的紅外目標(biāo)跟蹤9.2.2紅外目標(biāo)的特征匹配修正定位9.2.3實驗結(jié)果及分析第9章基于均值漂移的紅外目標(biāo)跟蹤9.3基于改進均值漂移算法的紅外面目標(biāo)跟蹤9.3.1跟蹤模型9.3.2跟蹤方法9.3.3核半徑的自動更新9.3.4跟蹤流程9.3.5實驗結(jié)果第9章基于均值漂移的紅外目標(biāo)跟蹤10.1多分辨率圖像融合規(guī)則10.2基于金字塔分解的圖像融合10.3基于小波變換的圖像融合10.4基于contourlet變換的圖像融合10.2基于金字塔分解的圖像融合10.3基于小波變換的圖像融合10.4基于Contourlet變換的圖像融合第10章多分辨率圖像融合10.1多分辨率圖像融合規(guī)則10.1.1基于像素的融合規(guī)則10.1.2基于區(qū)域的融合規(guī)則第10章多分辨率圖像融合10.2基于金字塔分解的圖像融合10.2.1基于laplace金字塔分解的圖像融合10.2.2基于對比度金字塔分解的圖像融合10.2.3實驗結(jié)果及分析10.2.2基于對比度金字塔分解的圖像融合10.2.3實驗結(jié)果及分析第10章多分辨率圖像融合10.3基于小波變換的圖像融合10.3.1連續(xù)小波變換10.3.2用于圖像處理的離散小波變換10.3.3基于小波變換的圖像融合方法與意義10.3.4實驗結(jié)果及分析第10章多分辨率圖像融合10.4基于contourlet變換的圖像融合10.4.1contourlet變換10.4.2基于contourlet變換的圖像融合方法10.4.3實驗結(jié)果及分析10.4.2基于Contourlet變換的圖像融合方法10.4.3實驗結(jié)果及分析第10章多分辨率圖像融合第11章非子采樣輪廓波變換及其改進11.1非子采樣輪廓波變換11.2非子采樣輪廓波變換的改進11.3圖像融合實驗及分析11.1非子采樣輪廓波變換11.1.1非子采樣金字塔11.1.2非子采樣方向濾波器組11.1.3非子采樣濾波器組第11章非子采樣輪廓波變換及其改進11.2非子采樣輪廓波變換的改進11.2.1不可分離小波變換11.2.2平移不變的nswt11.2.3基于平移不變nswt的多尺度方向分析11.2.2平移不變的NSWT11.2.3基于平移不變NSWT的多尺度方向分析第11章非子采樣輪廓波變換及其改進11.3圖像融合實驗及分析11.3.1多聚焦圖像融合實驗11.3.2畸變圖像融合實驗11.3.3微光夜視與前視紅外圖像融合實驗第11章非子采樣輪廓波變換及其改進c12.3基于nswmda的綜合融合框架b12.2基于nswmda的層間融合框架d12.4實驗結(jié)果及分析a12.1基于nswmda的層內(nèi)融合框架第三篇紅外目標(biāo)識別與跟蹤第12章基于nswmda的自適應(yīng)圖像融合框架第13章圖像融合效果評價13.1基于單個圖像統(tǒng)計特征的評價方法13.2基于誤差靈敏度的評價方法13.3基于結(jié)構(gòu)信息傳遞量的評價方法13.4基于梯度的融合圖像質(zhì)量評價方法13.5實驗結(jié)果及分析13.1基于單個圖像統(tǒng)計