?？招∧繕藞D像增強及視覺檢測

目錄
第一章 概述1.1 小目標的定義1.1.1 基于相對尺度的定義
1.1.2 基于絕對尺度的定義
1.2 小目標圖像增強及檢測的意義
1.3 小目標圖像增強及檢測研究現(xiàn)狀1.3.1 不同采集平臺下的目標檢測
1.3.2 基于深度學習的目標檢測方法
第二章 圖像增強及視覺目標檢測基礎知識2.1 引言
2.2 圖像預處理技術2.2.1 傳統(tǒng)的圖像數(shù)據(jù)增強方法
2.2.2 基于深度學習的圖像數(shù)據(jù)增強方法
2.2.3 小結
2.3 視覺目標檢測方法2.3.1 傳統(tǒng)的目標檢測算法
2.3.2 深度學習目標檢測
第三章 小目標特性分析3.1 小目標特征分析3.1.1 小目標種類
3.1.2 小目標特性
3.2 小目標檢測難點分析
第四章 基于光照補償?shù)男∧繕藞D像增強方法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 圖像增強方法4.4.1 增強方案
4.4.2 增強算法
4.5 試驗結果與分析4.5.1 自然圖像增強的試驗結果
4.5.2 人臉光照補償?shù)脑囼灲Y果
4.5.3 海面艦船增強的試驗結果
4.5.4 小結
第五章 基于馬爾可夫隨機場前景分割的小目標檢測方法5.1 引言
5.2 馬爾可夫隨機場5.2.1 隨機場的馬爾可夫特性
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 試驗結果
5.4 核函數(shù) MRF 前景分割方法5.4.1 鄰域相關的核函數(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 試驗結果與分析
5.6 小結
第六章 基于協(xié)作雙混合高斯背景建模的小目標檢測方法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思路
6.2.2 雙混合高斯模型協(xié)作算法
6.3 試驗結果與分析
第七章 基于深度學習的小目標尺度敏感分析檢測方法7.1 小目標仿真數(shù)據(jù)集構建方法
7.2 小目標檢測的尺度敏感性分析7.2.1 CenterNet 模型的結構和原理
7.2.2 卷積特征的尺寸對多尺度艦船目標檢測的影響
7.2.3 卷積特征的深度對多尺度艦船目標檢測的影響
7.2.4 卷積特征的融合機制對多尺度艦船目標檢測的影響
7.3 試驗結果與分析7.3.1 海面小目標檢測
7.3.2 空中小目標檢測
參考文獻