海空小目標(biāo)圖像增強(qiáng)及視覺(jué)檢測(cè)

目錄
第一章 概述1.1 小目標(biāo)的定義1.1.1 基于相對(duì)尺度的定義
1.1.2 基于絕對(duì)尺度的定義
1.2 小目標(biāo)圖像增強(qiáng)及檢測(cè)的意義
1.3 小目標(biāo)圖像增強(qiáng)及檢測(cè)研究現(xiàn)狀1.3.1 不同采集平臺(tái)下的目標(biāo)檢測(cè)
1.3.2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法
第二章 圖像增強(qiáng)及視覺(jué)目標(biāo)檢測(cè)基礎(chǔ)知識(shí)2.1 引言
2.2 圖像預(yù)處理技術(shù)2.2.1 傳統(tǒng)的圖像數(shù)據(jù)增強(qiáng)方法
2.2.2 基于深度學(xué)習(xí)的圖像數(shù)據(jù)增強(qiáng)方法
2.2.3 小結(jié)
2.3 視覺(jué)目標(biāo)檢測(cè)方法2.3.1 傳統(tǒng)的目標(biāo)檢測(cè)算法
2.3.2 深度學(xué)習(xí)目標(biāo)檢測(cè)
第三章 小目標(biāo)特性分析3.1 小目標(biāo)特征分析3.1.1 小目標(biāo)種類
3.1.2 小目標(biāo)特性
3.2 小目標(biāo)檢測(cè)難點(diǎn)分析
第四章 基于光照補(bǔ)償?shù)男∧繕?biāo)圖像增強(qiáng)方法4.1 引言
4.2 Retinex 理論4.2.1 單尺度 Retinex 算法
4.2.2 多尺度 Retinex 算法
4.2.3 McCann's Retinex 算法
4.3 EMD 算法4.3.1 一維 EMD 算法
4.3.2 二維 EMD 算法
4.4 基于 NLEMD 的 Retinex 圖像增強(qiáng)方法4.4.1 增強(qiáng)方案
4.4.2 增強(qiáng)算法
4.5 試驗(yàn)結(jié)果與分析4.5.1 自然圖像增強(qiáng)的試驗(yàn)結(jié)果
4.5.2 人臉光照補(bǔ)償?shù)脑囼?yàn)結(jié)果
4.5.3 海面艦船增強(qiáng)的試驗(yàn)結(jié)果
4.5.4 小結(jié)
第五章 基于馬爾可夫隨機(jī)場(chǎng)前景分割的小目標(biāo)檢測(cè)方法5.1 引言
5.2 馬爾可夫隨機(jī)場(chǎng)5.2.1 隨機(jī)場(chǎng)的馬爾可夫特性
5.2.2 Gibbs 分布與 MRF
5.3 多高斯 MRF 前景分割方法5.3.1 多高斯 MRF 前景分割模型
5.3.2 MRF 的求解
5.3.3 試驗(yàn)結(jié)果
5.4 核函數(shù) MRF 前景分割方法5.4.1 鄰域相關(guān)的核函數(shù)
5.4.2 核函數(shù) MRF 前景分割模型
5.4.3 基于最小割 / 最大流的 MRF 求解方法
5.5 試驗(yàn)結(jié)果與分析
5.6 小結(jié)
第六章 基于協(xié)作雙混合高斯背景建模的小目標(biāo)檢測(cè)方法6.1 引言
6.2 雙混合高斯模型協(xié)作算法6.2.1 傳統(tǒng)混合高斯背景模型及改進(jìn)思路
6.2.2 雙混合高斯模型協(xié)作算法
6.3 試驗(yàn)結(jié)果與分析
第七章 基于深度學(xué)習(xí)的小目標(biāo)尺度敏感分析檢測(cè)方法7.1 小目標(biāo)仿真數(shù)據(jù)集構(gòu)建方法
7.2 小目標(biāo)檢測(cè)的尺度敏感性分析7.2.1 CenterNet 模型的結(jié)構(gòu)和原理
7.2.2 卷積特征的尺寸對(duì)多尺度艦船目標(biāo)檢測(cè)的影響
7.2.3 卷積特征的深度對(duì)多尺度艦船目標(biāo)檢測(cè)的影響
7.2.4 卷積特征的融合機(jī)制對(duì)多尺度艦船目標(biāo)檢測(cè)的影響
7.3 試驗(yàn)結(jié)果與分析7.3.1 海面小目標(biāo)檢測(cè)
7.3.2 空中小目標(biāo)檢測(cè)
參考文獻(xiàn)