多源夜視圖像認知計算理論與方法：認知計算與挖掘學習（第二版）

目錄
前言
第1章 緒論 1
1.1 多源夜視圖像視覺認知學習的研究內容 2
1.2 夜視圖像融合與視覺認知計算 3
1.3 仿生視覺認知計算模型方法 5
1.3.1 元胞自動機理論.7
1.3.2 非**感受野機制 8
1.3.3 視覺稀疏感知特性理論 10
1.3.4 視覺注意機制 11
1.3.5 What/Where視覺感知過程 13
1.3.6 視覺層次認知學習過程 14
1.3.7 腦認知過程 15
1.4 視覺認知計算的夜視應用 18
1.4.1 基于稀疏表示的圖像降噪 19
1.4.2 基于非**感受野的輪廓提取 20
1.4.3 基于視覺特征的超分辨率重建 21
1.4.4 基于視覺注意的顯著檢測 22
1.4.5 基于稀疏分類的目標識別 25
1.4.6 基于層次化認知的目標檢測定位 26
1.4.7 基于多模態(tài)深度特征增強的全天時視覺感知 28
1.5 本書概述 30
參考文獻 31
第2章 夜視圖像視覺增強 41
2.1 夜視圖像特性分析 41
2.1.1 微光圖像噪聲分析 41
2.1.2 紅外圖像特征分析 43
2.2 基于局部稀疏結構的降噪增強模型 46
2.2.1 局部結構保持稀疏編碼 46
2.2.2 核化局部結構保持稀疏編碼 48
2.2.3 編碼實現(xiàn) 49
2.2.4 局部稀疏結構降噪模型 54
2.3 基于分層的紅外圖像增強模型 58
2.3.1 圖像結構層 59
2.3.2 圖像紋理層 60
2.3.3 基于結構約束的圖像層整合 62
2.4 基于元胞自動機的紅外圖像增強模型 62
2.4.1 基于梯度分布的先驗知識 63
2.4.2 基于梯度分布殘差的先驗知識 64
2.4.3 迭代準則 64
2.5 實驗結果與分析 65
2.5.1 基于局部稀疏結構降噪模型 65
2.5.2 基于分層的紅外圖像增強模型 75
2.5.3 基于元胞自動機的紅外圖像增強模型 79
2.6 本章小結 82
參考文獻 82
第3章 夜視圖像視覺特征提取 86
3.1 活動輪廓模型 86
3.1.1 SLGS模型 86
3.1.2 LBF模型 88
3.2 基于nCRF的夜視圖像顯著輪廓提取 89
3.2.1 基于WKPCA同質度校正nCRF抑制模型的微光圖像顯著輪廓提取 90
3.2.2 基于nCRF復合模型的復雜場景下夜視圖像顯著輪廓提取 105
3.2.3 兩種模型對降噪前后微光圖像輪廓提取效果比較 120
3.3 基于主動輪廓模型的光譜圖像分割 121
3.3.1 自適應的基于多維特征的主動輪廓模型 121
3.3.2 基于空間–光譜信息的主動輪廓分割模型 134
3.4 本章小結 144
參考文獻 145
第4章 數(shù)據(jù)驅動的夜視增強與特性建模 149
4.1 基于照明場重建的低照度圖像增強 149
4.1.1 重照明原理與定義 149
4.1.2 光線傳播與渲染過程 151
4.1.3 照明場重建網(wǎng)絡設計 152
4.1.4 算法結果分析 154
4.2 基于頻率感知退化的紅外圖像增強 157
4.2.1 圖像退化模型 158
4.2.2 IFADGAN-SR網(wǎng)絡框架 159
4.2.3 紅外頻域感知退化 160
4.2.4 基于退化生成的紅外增強網(wǎng)絡 163
4.2.5 實驗測試與參數(shù)分析 164
4.3 基于位姿感知的紅外視圖渲染與場景重建 167
4.3.1 位姿感知優(yōu)化 168
4.3.2 高頻不變注意力增強 169
4.3.3 實驗測試與參數(shù)分析 171
4.4 本章小結 177
參考文獻 178
第5章 夜視圖像顯著檢測 181
5.1 視覺注意和顯著分析181
5.1.1 視覺感知系統(tǒng) 181
5.1.2 數(shù)據(jù)驅動的顯著模型 183
5.1.3 任務驅動的顯著模型 184
5.2 基于動態(tài)各向異性感受野的顯著模型 184
5.2.1 離散型C-S模型 185
5.2.2 基于離散型C-S的顯著檢測算法 185
5.2.3 實驗結果與分析 187
5.3 基于紋理顯著性的微光圖像目標檢測 188
5.3.1 局部紋理粗糙度 188
5.3.2 紋理顯著性度量 197
5.3.3 實驗結果與分析 200
5.4 多模型互作用的視覺顯著檢測 203
5.4.1 基于布爾圖和前景圖的顯著模型 204
5.4.2 基于圖論布爾圖的顯著模型 210
5.4.3 實驗結果與分析 214
5.5 本章小結 227
參考文獻 227
第6章 非訓練夜視目標認知檢測 230
6.1 非訓練夜視目標檢測方法 230
6.2 基于局部與全局LARK特征的匹配模型的目標檢測算法 231
6.2.1 LARK算子232
6.2.2 局部LARK特征和全局熱擴散結合的紅外目標檢測模型 237
6.2.3 基于LARK特征和布爾圖結合的紅外目標檢測模型 241
6.2.4 實驗結果與分析 244
6.3 基于相似結構統(tǒng)計和近鄰結構約束 LARK 特征的匹配模型 255
6.3.1 局部相似結構統(tǒng)計匹配模型.256
6.3.2 近鄰結構匹配模型 261
6.3.3 實驗結果分析 267
6.4 基于局部稀疏結構匹配模型的夜視目標魯棒檢測 275
6.4.1 局部稀疏結構匹配模型 275
6.4.2 LSSM模型分析與夜視目標檢測效果 279
6.5 本章小結 289
參考文獻 289
第7章 時--空--譜夜視目標識別定位 292
7.1 WWN模型生物機理 292
7.1.1 基于What和Where信息的視覺感知模型 293
7.1.2 現(xiàn)有WWN模型綜述 296
7.1.3 WWN模型的延伸 297
7.2 3D-LARK特征算子 298
7.2.1 基于空間-光譜的3D-LARK 298
7.2.2 基于空間-時間的3D-LARK 300
7.2.3 其他特征算子與3D-LARK的比較 301
7.3 基于金字塔分層模型的多光譜目標識別 303
7.3.1 基于3D-LARK和分層模型的多光譜目標檢測 303
7.3.2 基于局部和近鄰結構特征約束的目標檢測模型 315
7.4 基于空間–時間結構約束的3D-LARK視頻動作識別 329
7.4.1 鄰域高斯結構時空統(tǒng)計匹配 329
7.4.2 雙層結構融合的運動目標檢測模型 331
7.4.3 實驗測試與參數(shù)分析 338
7.5 本章小結 349
參考文獻 350
第8章 基于深度學習的多源夜視信息融合 353
8.1 基于對抗性語義引導的紅外–可見光圖像融合 353
8.1.1 基于對抗性語義引導的圖像融合網(wǎng)絡結構 354
8.1.2 網(wǎng)絡約束與損失函數(shù)設計 358
8.1.3 實驗結果及評價 360
8.2 基于多模態(tài)自編碼的跨模態(tài)圖像立體匹配 362
8.2.1 跨模態(tài)數(shù)據(jù)特征一致性提取 363
8.2.2 跨模態(tài)圖像立體匹配網(wǎng)絡設計 368
8.2.3 實驗測試與參數(shù)分析 371
8.3 基于多源時空一致性的自監(jiān)督點云補全 374
8.3.1 基于多模態(tài)時序約束的自監(jiān)督框架設計 375
8.3.2 時序深度–光度一致性約束 376
8.3.3 基于自動特征點提取的位姿估計 380
8.3.4 網(wǎng)絡訓練與測試 381
8.4 本章小結 384
參考文獻 384
第9章 基于信息融合的夜視目標感知 387
9.1 基于注意力特征融合的夜視圖像語義分割 387
9.1.1 注意力特征融合的語義分割網(wǎng)絡 388
9.1.2 殘差增強與注意力增強 389
9.1.3 實驗分析 394
9.2 基于噪聲感知的多波段信息挖掘目標檢測 395
9.2.1 基于噪聲感知的目標檢測算法網(wǎng)絡 396
9.2.2 跨模態(tài)特征融合 397
9.2.3 實驗分析 401
9.3 基于特征級與決策級融合注意的雙模態(tài)跟蹤 406
9.3.1 基于特征級與決策級融合注意的目標跟蹤網(wǎng)絡 407
9.3.2 雙級平衡設計 410
9.3.3 實驗測試與參數(shù)分析 413
9.4 本章小結 416
參考文獻 417