目錄
第1章 緒論 1
1.1 多源夜視圖像視覺認(rèn)知的研究內(nèi)容 2
1.2 夜視圖像融合與視覺認(rèn)知計(jì)算 3
1.3 仿生視覺認(rèn)知計(jì)算模型方法 5
1.3.1 元胞自動(dòng)機(jī)理論 7
1.3.2 非經(jīng)典感受野機(jī)制 8
1.3.3 視覺稀疏感知特性理論 10
1.3.4 視覺注意機(jī)制 11
1.3.5 what/where視覺感知過程 12
1.3.6 視覺層次認(rèn)知學(xué)習(xí)過程 14
1.4 視覺認(rèn)知計(jì)算的夜視應(yīng)用 16
1.4.1 基于稀疏表示的圖像降噪 16
1.4.2 基于非經(jīng)典感受野的輪廓提取 18
1.4.3 基于視覺特征的超分辨率重建 19
1.4.4 基于視覺注意的顯著檢測 21
1.4.5 基于稀疏分類的目標(biāo)識(shí)別 22
1.4.6 基于層次化認(rèn)知的目標(biāo)檢測定位 25
1.5 本書概述 26
參考文獻(xiàn) 27
第2章 夜視圖像視覺增強(qiáng) 36
2.1 夜視圖像特性分析 36
2.1.1 微光圖像噪聲分析 36
2.1.2 紅外圖像特征分析 38
2.2 基于局部稀疏結(jié)構(gòu)的降噪增強(qiáng)模型 41
2.2.1 局部結(jié)構(gòu)保持稀疏編碼 41
2.2.2 核化局部結(jié)構(gòu)保持稀疏編碼 43
2.2.3 編碼實(shí)現(xiàn) 44
2.2.4 局部稀疏結(jié)構(gòu)降噪模型 49
2.3 基于分層的紅外圖像增強(qiáng)模型 52？
2.3.1 圖像結(jié)構(gòu)層 54
2.3.2 圖像紋理層 55
2.3.3 基于結(jié)構(gòu)約束的圖像層整合 57
2.4 基于元胞自動(dòng)機(jī)的紅外圖像增強(qiáng)模型 57
2.4.1 基于梯度分布的先驗(yàn)知識(shí) 58
2.4.2 基于梯度分布?xì)埐畹南闰?yàn)知識(shí) 59
2.4.3 迭代準(zhǔn)則 59
2.5 實(shí)驗(yàn)結(jié)果與分析 60
2.5.1 基于局部稀疏結(jié)構(gòu)降噪模型 60
2.5.2 基于分層的紅外圖像增強(qiáng)模型 70
2.5.3 基于元胞自動(dòng)機(jī)的紅外圖像增強(qiáng)模型 74
2.6 本章小結(jié) 77
參考文獻(xiàn) 77
第3章 夜視圖像視覺特征提取 81
3.1 活動(dòng)輪廓模型 81
3.1.1 SLGS模型 81
3.1.2 LBF模型 83
3.2 基于 nCRF的夜視圖像顯著輪廓提取 84
3.2.1 基于WKPCA同質(zhì)度校正nCRF抑制模型的微光圖像顯著輪廓提取 85
3.2.2 基于nCRF復(fù)合模型的復(fù)雜場景下夜視圖像顯著輪廓提取 98
3.2.3 兩種模型對(duì)降噪前后微光圖像輪廓提取效果比較 114
3.3 基于主動(dòng)輪廓模型的光譜圖像分割 115
3.3.1 自適應(yīng)的基于多維特征的主動(dòng)輪廓模型 115
3.3.2 基于空間-光譜信息的主動(dòng)輪廓分割模型 128
3.4 本章小結(jié) 138
參考文獻(xiàn) 139
第4章 夜視圖像顯著檢測 142
4.1 視覺注意和顯著分析 142
4.1.1 視覺感知系統(tǒng) 142
4.1.2 數(shù)據(jù)驅(qū)動(dòng)的顯著模型 144
4.1.3 任務(wù)驅(qū)動(dòng)的顯著模型 144
4.2 基于動(dòng)態(tài)各向異性感受野的顯著模型 145
4.2.1 離散型C-S模型 146
4.2.2 基于離散型C-S的顯著檢測算法 146？
4.2.3 實(shí)驗(yàn)結(jié)果與分析 148
4.3 基于紋理顯著性的微光圖像目標(biāo)檢測 149
4.3.1 局部紋理粗糙度 149
4.3.2 紋理顯著性度量 158
4.3.3 實(shí)驗(yàn)結(jié)果與分析 161
4.4 多模型互作用的視覺顯著檢測 164
4.4.1 基于布爾圖和前景圖的顯著模型 164
4.4.2 基于圖論布爾圖的顯著模型 170
4.4.3 實(shí)驗(yàn)結(jié)果與分析 174
4.5 本章小結(jié) 187
參考文獻(xiàn) 187
第5章 非訓(xùn)練夜視目標(biāo)認(rèn)知檢測 190
5.1 非訓(xùn)練夜視目標(biāo)檢測方法 190
5.2 基于局部與全局 LARK 特征的匹配模型的目標(biāo)檢測算法 191
5.2.1 LARK算子 192
5.2.2 局部LARK特征和全局熱擴(kuò)散結(jié)合的紅外目標(biāo)檢測模型 197
5.2.3 基于LARK特征和布爾圖結(jié)合的紅外目標(biāo)檢測模型 201
5.2.4 實(shí)驗(yàn)結(jié)果與分析 203
5.3 基于相似結(jié)構(gòu)統(tǒng)計(jì)和近鄰結(jié)構(gòu)約束LARK特征的匹配模型 215
5.3.1 局部相似結(jié)構(gòu)統(tǒng)計(jì)匹配模型 215
5.3.2 近鄰結(jié)構(gòu)匹配模型 221
5.3.3 實(shí)驗(yàn)結(jié)果分析 227
5.4 基于局部稀疏結(jié)構(gòu)匹配模型的夜視目標(biāo)魯棒檢測 234
5.4.1 局部稀疏結(jié)構(gòu)匹配模型 234
5.4.2 LSSM模型分析與夜視目標(biāo)檢測效果 238
5.5 本章小結(jié) 248
參考文獻(xiàn) 248
第6章 時(shí)-空-譜夜視目標(biāo)識(shí)別定位 251
6.1 WWN模型生物機(jī)理 251
6.1.1 基于what和where信息的視覺感知模型 252
6.1.2 現(xiàn)有WWN模型綜述 255
6.1.3 WWN模型的延伸 256
6.2 3D-LARK特征算子 257
6.2.1 基于空間-光譜的3D-LARK 257？
6.2.2 基于空間-時(shí)間的3D-LARK 259
6.2.3 其他特征算子與3D-LARK的比較 260
6.3 基于金字塔分層模型的多光譜目標(biāo)識(shí)別 261
6.3.1 基于 3D-LARK和分層模型的多光譜目標(biāo)檢測 261
6.3.2 基于局部和近鄰結(jié)構(gòu)特征約束的目標(biāo)檢測模型 273
6.4 基于空間-時(shí)間結(jié)構(gòu)約束的3D-LARK視頻動(dòng)作識(shí)別 286
6.4.1 鄰域高斯結(jié)構(gòu)時(shí)空統(tǒng)計(jì)匹配 286
6.4.2 雙層結(jié)構(gòu)融合的運(yùn)動(dòng)目標(biāo)檢測模型 288
6.4.3 實(shí)驗(yàn)測試與參數(shù)分析 295
6.5 本章小結(jié) 306
參考文獻(xiàn) 306
第7章 多源夜視圖像融合系統(tǒng) 310
7.1 基于改進(jìn)梯度互信息和粒子群優(yōu)化算法的雙波段圖像配準(zhǔn) 310
7.1.1 改進(jìn)梯度互信息測度 311
7.1.2 改進(jìn)粒子群優(yōu)化算法 312
7.1.3 算法步驟及結(jié)果分析 315
7.2 基于灰度空間相關(guān)性的融合方法及其評(píng)價(jià)準(zhǔn)則 317
7.2.1 基于灰度空間相關(guān)性的融合方法 317
7.2.2 基于灰度空間相關(guān)性的融合效果評(píng)價(jià)準(zhǔn)則 323
7.3 基于改進(jìn)小波的圖像融合算法 326
7.3.1 基于局部特征殘差與統(tǒng)計(jì)匹配的圖像融合算法 327
7.3.2 基于局部梯度相關(guān)性與差值統(tǒng)計(jì)特征的圖像融合算法 337
7.4 基于視覺并行處理機(jī)制的目標(biāo)識(shí)別彩色夜視融合方法 346
7.4.1 感興趣區(qū)域分水嶺分割的 BP 神經(jīng)網(wǎng)絡(luò)典型目標(biāo)識(shí)別 347
7.4.2 基于視覺并行處理機(jī)制的典型目標(biāo)識(shí)別彩色夜視融合 357
7.5 多源夜視圖像融合系統(tǒng) 359
7.6 本章小結(jié) 370
參考文獻(xiàn) 370
第8章 窄帶光譜成像探測系統(tǒng) 375
8.1 窄帶光譜成像系統(tǒng) 375
8.1.1 組件式窄帶光譜系統(tǒng) 375
8.1.2 雙光路雙色散窄帶光譜系統(tǒng) 379
8.1.3 基于DMD編碼的哈達(dá)碼變換高靈敏成像系統(tǒng) 384
8.1.4 基于DMD編碼的哈達(dá)碼變換多光譜成像系統(tǒng) 390？
8.2 基于SAM加權(quán)KEST算法的多光譜夜視目標(biāo)檢測 391
8.2.1 EST和KEST算法 391
8.2.2 SAM加權(quán)KEST算法（SKEST） 393
8.2.3 多光譜異常目標(biāo)檢測實(shí)驗(yàn)分析 397
8.3 基于空間一致性的高光譜分類 401
8.3.1 最小關(guān)聯(lián)窗口的高光譜分類 401
8.3.2 基于空間一致性降元的高光譜分類 407
8.3.3 基于特征光譜段的目標(biāo)提取算法 417
8.4 窄帶光譜成像偽裝目標(biāo)探測實(shí)驗(yàn) 425
8.5 本章小結(jié) 428
參考文獻(xiàn) 428
第9章 雙目立體夜視系統(tǒng) 431
9.1 雙目立體夜視系統(tǒng)中的相機(jī)標(biāo)定 431
9.1.1 基于透射式標(biāo)定板的紅外相機(jī)標(biāo)定方法 431
9.1.2 改進(jìn)的光軸非平行模型 439
9.2 極線校正 441
9.2.1 基于粒子群優(yōu)化算法的極線校正方法 442
9.2.2 基于單一變換矩陣的極線校正方法 450
9.3 基于遮擋現(xiàn)象以及低紋理區(qū)域的立體匹配算法 454
9.3.1 基于遮擋現(xiàn)象的立體匹配算法研究 454
9.3.2 基于低紋理區(qū)域的立體匹配算法研究 468
9.4 微光、紅外雙目立體視覺系統(tǒng)構(gòu)建與實(shí)驗(yàn) 472
9.4.1 微光雙目立體視覺系統(tǒng) 472
9.4.2 紅外雙目顯著目標(biāo)測距系統(tǒng) 477
9.5 本章小結(jié) 482
參考文獻(xiàn) 482
彩圖