基于被动毫米波的隐匿物品探测方法研究

发布时间：2017-07-01 02:13

  本文关键词：基于被动毫米波的隐匿物品探测方法研究，由笔耕文化传播整理发布。

【摘要】：基于被动毫米波(PMMW)的成像技术是目前用于对隐匿在衣物下的危险品进行探测的重要手段之一。由于硬件的限制以及成像系统自身的物理特性,使得PMMW成像系统获取的PMMW图像中存在着严重的噪声污染以及一定程度上的失真。通过分析PMMW成像系统的主要影响因素,并根据PMMW图像的特点,提出了改进的小波域图像去噪、融合算法和非局部均值图像去噪算法,并将图像分割算法应用到PMMW成像系统中。已完成的主要研究工作归纳如下:(1)通过建立辐射温度模型,分析了特殊条件下隐匿物品与人体之间辐射温度的差别与衣物透射率、隐匿物品的发射率和透射率之间的关系。针对一些物品不易被PMMW成像探测系统检测到的情况,研究了将极少量微波吸收材料掺杂至这类物品之中以增加其吸波性能的可行性,并分析了改性吸波材料对掺杂后样品吸波性能的影响。(2)将小波域图像去噪和图像融合两种方法应用于PMMW的图像信息处理。针对小波去噪效果易受不连续点干扰的情况,提出了一种改进的平移不变量贝叶斯决策小波阈值去噪算法,并对图像进行对称周期延拓,在一定程度上消除了噪声PMMW图像内部与边界上不连续点对去噪效果的影响。在小波融合方面,提出了一种基于结构相似度(SSIM)和图像边缘能量相结合的融合策略,抑制了单一使用SSIM作为融合判据时出现的振铃效应,提高了PMMW融合图像的质量。(3)PMMW图像由少量近似分块平滑的图像块组成,包含有大量的冗余信息,根据这一特点,提出了一种改进的基于预分类的非局部被动毫米波图像去噪算法(MPSNL)。采用奇异值分解将PMMW图像划分为三类区域:平滑域、过渡域和边缘域,根据这三类区域各自的特征分别提出了适用于PMMW图像的非局部去噪规则,克服了传统非局部均值去噪算法(NL-Means)计算量巨大、图像特征信息利用率较低等缺点。(4)图像分割是基于PMMW的隐匿物品识别中的一个重要环节,因此研究一种精确、快速并适用于PMMW图像的分割算法是很有必要的。本论文提出了一种自适应参数初始化的高斯混合模型(APIGMM)拟合算法,用以提取图像的直方图特征,从全局上获取PMMW图像边缘分布的灰度范围,称为置信区间,之后采用Canny算子提取图像中的边缘,最后仅保留置信区间中的边缘。实验结果表明,该算法能够实现对隐匿物品的快速精确分割。本论文在研究PMMW成像系统探测衣物下隐匿物品的过程中,根据PMMW图像的特点,对不同类型的图像处理算法进行相应的改进。其中小波域图像去噪和融合算法具有一定的普适性,可将其应用到其他类型的图像信息处理系统中,改进的NL-Means算法和图像分割算法适用于PMMW的图像信息处理。
【关键词】：被动毫米波(PMMW)成像 吸波材料 图像去噪 图像融合 图像分割
【学位授予单位】：北京理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-6
• Abstract6-12
• 主要缩写符号清单12-17
• 第1章 绪论17-34
• 1.1 研究课题的背景及意义17-18
• 1.2 电磁波频（波段）的划分18
• 1.3 电磁波辐射危险品探测技术的发展及研究现状18-24
• 1.3.1 波谱分析技术19
• 1.3.2 太赫兹探测技术19-20
• 1.3.3 X射线探测技术20-21
• 1.3.4 毫米波探测技术21-24
• 1.3.4.1 毫米波频段的开发与应用21
• 1.3.4.2 毫米波成像技术的优点21-22
• 1.3.4.3 被动式毫米波成像技术的应用和发展22-24
• 1.4 PMMW图像处理24-31
• 1.4.1 数字图像与图像退化模型24-26
• 1.4.2 图像复原26-28
• 1.4.3 图像融合28-29
• 1.4.4 目标识别与图像分割29-30
• 1.4.5 图像处理客观评价指标30-31
• 1.5 论文研究的主要内容31-33
• 1.6 论文的组织架构33-34
• 第2章 PMMW隐匿物品探测及毫米波衰减材料性能研究34-60
• 2.1 引言34-35
• 2.2 PMMW对人体隐匿物品探测35-50
• 2.2.1 电磁波辐射成像原理35-38
• 2.2.2 PMMW探测成像机理分析38-45
• 2.2.3 毫米波辐射计45-47
• 2.2.4 被动毫米波成像系统47-50
• 2.3 复合材料的探测及实验50-58
• 2.3.1 电磁波吸收材料50-51
• 2.3.2 碳纳米管复合材料51-54
• 2.3.3 可膨胀石墨复合材料54-56
• 2.3.4 碳纤维复合材料56-58
• 2.4 实验结果及分析58-59
• 2.5 本章小结59-60
• 第3章 基于小波域的PMMW图像去噪及融合算法60-90
• 3.1 引言60-61
• 3.2 小波变换61-68
• 3.2.1 连续小波变换61-62
• 3.2.2 离散小波变换62-63
• 3.2.3 小波多分辨率分析63-68
• 3.3 改进的小波去噪算法在PMMW图像处理中的应用68-79
• 3.3.1 PMMW图像噪声分析68-69
• 3.3.2 小波阈值收缩去噪69-70
• 3.3.3 基于贝叶斯决策的小波阈值收缩去噪算法70-72
• 3.3.4 平移不变量贝叶斯决策小波阈值去噪算法72-74
• 3.3.5 改进的平移不变量贝叶斯决策小波阈值去噪算法74-76
• 3.3.5.1 基于加权欧氏距离的改进TIBayesShrink算法75
• 3.3.5.2 周期延拓75-76
• 3.3.6 实验结果及分析76-79
• 3.4. 图像的结构相似度79-89
• 3.4.1 图像的结构相似度80-81
• 3.4.2 SSIM矩阵81-82
• 3.4.3 基于SSIM的图像融合算法82-84
• 3.4.3.1 低频域的融合规则82-83
• 3.4.3.2 高频域的融合规则83-84
• 3.4.4 基于结构相似度的改进图像小波融合算法84-87
• 3.4.5 实验结果及分析87-89
• 3.5 本章小结89-90
• 第4章 基于预分类的非局部被动毫米波图像处理算法90-103
• 4.1 引言90
• 4.2 非局部均值去噪算法及其改进算法90-93
• 4.2.1 预分类法92
• 4.2.2 多尺度法92-93
• 4.3 基于预分类的非局部被动毫米波图像去噪算法93-99
• 4.3.1 梯度矩阵的奇异值分解及像素分类93-95
• 4.3.2 平滑域的相似集构造及去噪95-97
• 4.3.3 边缘域去噪97-98
• 4.3.4 过渡域去噪98-99
• 4.4 噪声估计99-100
• 4.5 降噪结果分析100-102
• 4.6 本章小结102-103
• 第5章 基于高斯混合模型的隐匿物品图像分割算法103-125
• 5.1 引言103-104
• 5.2 基于Split Bregman迭代的全变分去噪104-106
• 5.3 自适应参数初始化的高斯混合模型106-116
• 5.3.1 高斯混合模型106-108
• 5.3.1.1 高斯混合模型的参数估计106-108
• 5.3.1.2 最小信息长度108
• 5.3.2 自适应参数初始化策略108-114
• 5.3.2.1 直方图分析及有限冲激响应低通滤波器109-110
• 5.3.2.2 高斯混合模型拟合的参数初始化方法110-114
• 5.3.3 高斯函数合并114-116
• 5.4 混合分割116-119
• 5.4.1 置信区间116-117
• 5.4.2 混合分割原理117-119
• 5.5 实验结果及分析119-123
• 5.5.1 图像去噪119
• 5.5.2 直方图拟合及分析119-121
• 5.5.3 隐匿物品分割121-122
• 5.5.4 结果比较122-123
• 5.6 本章小结123-125
• 第6章 总结与展望125-128
• 6.1 研究总结125-126
• 6.2 研究展望126-128
• 参考文献128-140
• 攻读博士学位期间发表和录用的论文140-141
• 致谢141-142
• 作者简介142

  本文关键词：基于被动毫米波的隐匿物品探测方法研究，，由笔耕文化传播整理发布。

本文编号：504272