基于稀疏贝叶斯学习的小弱目标检测算法研究
发布时间：2021-04-30 09:51
基于复杂背景下的红外小弱目标检测与跟踪技术,是红外制导、防空预警等领域的关键技术,由于红外成像系统自身噪声和探测器距离目标距离远等原因,目标在红外图像中通常表现为亮度值低、像素数少的小弱目标,并且淹没于起伏强烈的噪声中,导致目标探测难度很大。因此,研究一种低信噪比情况下的红外小弱目标检测技术具备理论和实用意义。稀疏贝叶斯方法将结构先验信息与样本信息相结合,使用概率去表示所有形式的不确定性,通过贝叶斯定理来学习信号状态,充分利用信号稀疏表示系数的空间结构和时序结构,参数化性能卓越。虽然贝叶斯理论依旧处于发展探索阶段,但是它在信号处理领域表现出了很大的潜力。基于上述背景,本文利用稀疏贝叶斯理论对序列红外图像小弱运动目标检测方法进行了深入研究,全文的主要研究内容及成果有:（1）分析了红外小弱目标图像的能量特性和图像场景特性,结果显示目标能量突出,场景不同导致背景杂波明显。（2）对于目标图像的时域和空域稀疏特性进行分析,实验结果表明图像在时域稀疏表示存在很强的相关性,在空域原子聚类后,可以某一类原子表示目标图像的主要特征。（3）对连续帧图像的稀疏分解系数进行统计分布拟合与检验,对比不同核函数的...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
中文摘要
英文摘要
1 绪论
1.1 课题背景及研究意义
1.2 国内外研究现状
1.3 研究的主要内容及结构安排
1.4 本章小结
2 稀疏贝叶斯理论基础
2.1 稀疏表示的基本理论
2.1.1 稀疏表示的数学模型
2.1.2 稀疏性的度量
2.1.3 稀疏解的唯一性
2.1.4 稀疏模型的求解
2.2 贝叶斯理论
2.2.1 条件概率和乘法定理
2.2.2 最大似然估计和贝叶斯估计
2.2.3 动态系统的贝叶斯估计
2.3 稀疏贝叶斯算法框架
2.4 本章小结
3 红外小弱目标图像及稀疏特性分析
3.1 红外目标图像特性
3.1.1 红外目标图像的能量特性
3.1.2 红外目标图像场景分析
3.2 图像的稀疏表示
3.3 图像时域稀疏特性
3.4 图像空域稀疏特性分析
3.4.1 字典原子关联度分析
3.4.2 字典原子聚类
3.5 本章小结
4 基于稀疏贝叶斯的目标检测
4.1 稀疏统计特性分析
4.1.1 分布的拟合与检验
4.1.2 核密度估计
4.2 基于稀疏贝叶斯的小弱目标检测算法
4.2.1 最小错误率贝叶斯决策
4.2.2 目标检测算法原理及步骤
4.2.3 目标检测模型建立
4.2.4 实验结果及分析
4.3 本章小结
5 总结与展望
5.1 工作总结
5.2 工作展望
致谢
参考文献
附录
A.作者在攻读学位期间发表的论文目录
B.作者在攻读学位期间取得的科研成果目录
【参考文献】：
期刊论文
[1]基于小波变换的自适应多模红外小目标检测[J]. 张晓露,李玲,辛云宏. 激光与红外. 2017(05)
[2]低秩稀疏分解下多尺度积的运动目标检测方法[J]. 王辉,孙洪. 信号处理. 2016(12)
[3]广义贝叶斯字典学习K-SVD稀疏表示算法[J]. 周飞飞,李雷. 计算机技术与发展. 2016(05)
[4]稀疏域海杂波抑制与微动目标检测方法[J]. 陈小龙,关键,董云龙,赵志坚. 电子学报. 2016(04)
[5]国外红外制导空空导弹的研究现状及其关键技术[J]. 张肇蓉,高贺,张曦,李韬,康宇航. 飞航导弹. 2016(03)
[6]基于结构信息和稀疏贝叶斯学习的图像去噪[J]. 刘帅. 火控雷达技术. 2015(04)
[7]结合自适应字典学习的稀疏贝叶斯重构[J]. 王勇,乔倩倩,杨笑宇,徐文娟,贾拯,陈楚楚,高全学. 西安电子科技大学学报. 2016(04)
[8]基于空时稀疏表示的红外小目标检测算法[J]. 李正周,侯倩,戴真,付红霞,葛丰增,金钢. 兵工学报. 2015(07)
[9]基于稀疏表示和道路辅助的单幅SAR图像运动目标检测方法[J]. 史洪印,张诺. 电子学报. 2015(03)
[10]基于块稀疏贝叶斯学习的多任务压缩感知重构算法[J]. 文方青,张弓,贲德. 物理学报. 2015(07)
博士论文
[1]基于稀疏贝叶斯重构方法的雷达成像技术研究[D]. 苏伍各.国防科学技术大学 2015
[2]基于稀疏贝叶斯学习的雷达自动目标识别方法研究[D]. 徐丹蕾.西安电子科技大学 2015
[3]快速块稀疏贝叶斯学习算法的理论与应用[D]. 刘本源.国防科学技术大学 2015
[4]复杂背景下的红外弱小目标检测与跟踪技术研究[D]. 汪大宝.西安电子科技大学 2010
[5]复杂背景下红外弱小目标检测算法研究[D]. 李欣.西安电子科技大学 2010
硕士论文
[1]基于稀疏表示的小弱运动目标跟踪算法研究[D]. 陈静.重庆大学 2015
[2]基于空时域稀疏表示的弱小运动目标检测技术[D]. 王会改.重庆大学 2014
[3]基于空域稀疏性分析的小弱目标检测技术研究[D]. 刘梅.重庆大学 2013
[4]稀疏贝叶斯学习理论及应用研究[D]. 王晶.西安电子科技大学 2012
[5]红外图像弱目标的检测与分析[D]. 于瑞华.南京理工大学 2005
本文编号：3169302
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
中文摘要
英文摘要
1 绪论
1.1 课题背景及研究意义
1.2 国内外研究现状
1.3 研究的主要内容及结构安排
1.4 本章小结
2 稀疏贝叶斯理论基础
2.1 稀疏表示的基本理论
2.1.1 稀疏表示的数学模型
2.1.2 稀疏性的度量
2.1.3 稀疏解的唯一性
2.1.4 稀疏模型的求解
2.2 贝叶斯理论
2.2.1 条件概率和乘法定理
2.2.2 最大似然估计和贝叶斯估计
2.2.3 动态系统的贝叶斯估计
2.3 稀疏贝叶斯算法框架
2.4 本章小结
3 红外小弱目标图像及稀疏特性分析
3.1 红外目标图像特性
3.1.1 红外目标图像的能量特性
3.1.2 红外目标图像场景分析
3.2 图像的稀疏表示
3.3 图像时域稀疏特性
3.4 图像空域稀疏特性分析
3.4.1 字典原子关联度分析
3.4.2 字典原子聚类
3.5 本章小结
4 基于稀疏贝叶斯的目标检测
4.1 稀疏统计特性分析
4.1.1 分布的拟合与检验
4.1.2 核密度估计
4.2 基于稀疏贝叶斯的小弱目标检测算法
4.2.1 最小错误率贝叶斯决策
4.2.2 目标检测算法原理及步骤
4.2.3 目标检测模型建立
4.2.4 实验结果及分析
4.3 本章小结
5 总结与展望
5.1 工作总结
5.2 工作展望
致谢
参考文献
附录
A.作者在攻读学位期间发表的论文目录
B.作者在攻读学位期间取得的科研成果目录
【参考文献】：
期刊论文
[1]基于小波变换的自适应多模红外小目标检测[J]. 张晓露,李玲,辛云宏. 激光与红外. 2017(05)
[2]低秩稀疏分解下多尺度积的运动目标检测方法[J]. 王辉,孙洪. 信号处理. 2016(12)
[3]广义贝叶斯字典学习K-SVD稀疏表示算法[J]. 周飞飞,李雷. 计算机技术与发展. 2016(05)
[4]稀疏域海杂波抑制与微动目标检测方法[J]. 陈小龙,关键,董云龙,赵志坚. 电子学报. 2016(04)
[5]国外红外制导空空导弹的研究现状及其关键技术[J]. 张肇蓉,高贺,张曦,李韬,康宇航. 飞航导弹. 2016(03)
[6]基于结构信息和稀疏贝叶斯学习的图像去噪[J]. 刘帅. 火控雷达技术. 2015(04)
[7]结合自适应字典学习的稀疏贝叶斯重构[J]. 王勇,乔倩倩,杨笑宇,徐文娟,贾拯,陈楚楚,高全学. 西安电子科技大学学报. 2016(04)
[8]基于空时稀疏表示的红外小目标检测算法[J]. 李正周,侯倩,戴真,付红霞,葛丰增,金钢. 兵工学报. 2015(07)
[9]基于稀疏表示和道路辅助的单幅SAR图像运动目标检测方法[J]. 史洪印,张诺. 电子学报. 2015(03)
[10]基于块稀疏贝叶斯学习的多任务压缩感知重构算法[J]. 文方青,张弓,贲德. 物理学报. 2015(07)
博士论文
[1]基于稀疏贝叶斯重构方法的雷达成像技术研究[D]. 苏伍各.国防科学技术大学 2015
[2]基于稀疏贝叶斯学习的雷达自动目标识别方法研究[D]. 徐丹蕾.西安电子科技大学 2015
[3]快速块稀疏贝叶斯学习算法的理论与应用[D]. 刘本源.国防科学技术大学 2015
[4]复杂背景下的红外弱小目标检测与跟踪技术研究[D]. 汪大宝.西安电子科技大学 2010
[5]复杂背景下红外弱小目标检测算法研究[D]. 李欣.西安电子科技大学 2010
硕士论文
[1]基于稀疏表示的小弱运动目标跟踪算法研究[D]. 陈静.重庆大学 2015
[2]基于空时域稀疏表示的弱小运动目标检测技术[D]. 王会改.重庆大学 2014
[3]基于空域稀疏性分析的小弱目标检测技术研究[D]. 刘梅.重庆大学 2013
[4]稀疏贝叶斯学习理论及应用研究[D]. 王晶.西安电子科技大学 2012
[5]红外图像弱目标的检测与分析[D]. 于瑞华.南京理工大学 2005
本文编号：3169302
本文链接：https://www.wllwen.com/kejilunwen/jingguansheji/3169302.html
