新書推薦：
《
留学早规划
》
售價：HK$
76.2
《
文化的演化：民众动机正在重塑世界
》
售價：HK$
88.5
《
布鲁克林有棵树（孩子喜欢的阅读经典读本 基于真实生活的全球经典成长小说 走出成长困境 追逐梦想 人生励志 自我塑造小说）
》
售價：HK$
76.2
《
构建未来教育图景：实践以学生为中心的育人模式
》
售價：HK$
87.4
《
技术统治（未来哲学系列）
》
售價：HK$
53.8
《
中考热点作家孙道荣2024年散文精选集三册
》
售價：HK$
127.7
《
全球城市案例研究2023：基于网络的合作与竞争国际经验借鉴
》
售價：HK$
199.4
《
引爆：炸药、硝酸盐和现代世界的形成
》
售價：HK$
85.1
|
| 內容簡介： |
|
《无人机侦察情报处理技术》介绍了无人机侦察情报处理的三部分内容，分别为图像融合、目标识别以及目标跟踪。图像融合介绍了红外和可见光的快速配准技术、结合变换域与空间域的灰度级融合技术和基于IHS变换与目标增强的彩色级融合技术。对于SAR图像的自动目标识别，说明了基于自适应筛选快速CFAR算法的目标检测、基于Krawtchouk矩特征的目标鉴别以及基于卷积神经网络和深度学习的目标识别。针对长时目标跟踪，阐述了基于相关滤波的自适应特征融合与目标重检测技术。
|
| 目錄：
|
目录
前言
图像融合篇
第1章 图像融合概述 3
1.1 图像融合简介 3
1.2 红外与可见光图像配准及融合研究现状 4
1.2.1 图像配准技术研究现状 4
1.2.2 图像融合技术研究现状 5
1.3 成像特性分析 6
1.3.1 红外成像特性 6
1.3.2 可见光成像特性 7
1.3.3 红外与可见光图像特性对比 7
1.4 图像配准基本理论 8
1.4.1 空间变换模型 8
1.4.2 图像配准方法 10
1.4.3 配准效果评价标准 12
1.5 图像融合基本理论 13
1.5.1 图像融合层次划分 13
1.5.2 图像融合方法 14
1.5.3 融合效果评价标准 20
1.6 本篇主要研究内容 23
第2章 基于形态学边缘检测与改进ORB的图像配准 25
2.1 引言 25
2.2 算法框架 26
2.2.1 形态学边缘检测 26
2.2.2 改进的ORB算法 28
2.2.3 特征点提取、描述与匹配 28
2.3 基于GMS与PROSAC的双重误匹配剔除 31
2.3.1 基于GMS的误匹配剔除 31
2.3.2 基于PROSAC的二次误匹配剔除 33
2.4 仿真实验与结果分析 33
2.4.1 实验仿真结果 33
2.4.2 配准结果分析 36
2.5 本章小结 37
第3章 基于NSDTCT与自适应分块的图像融合 38
3.1 引言 38
3.2 相关理论 39
3.2.1 NSDTCT 39
3.2.2 果蝇优化算法 40
3.3 融合步骤与策略 41
3.3.1 融合方案 41
3.3.2 基于FOA算法优化的自适应分块 42
3.3.3 标签图的产生过程 44
3.3.4 高频分量融合策略 46
3.4 仿真实验与结果分析 47
3.4.1 实验参数设置 47
3.4.2 仿真结果分析 48
3.5 本章小结 52
第4章 基于IHS变换与目标增强的图像融合 53
4.1 引言 53
4.2 融合步骤 54
4.2.1 融合方案 54
4.2.2 IHS色彩空间变换 54
4.2.3 基于RPCA的目标增强 55
4.3 仿真实验与结果分析 57
4.3.1 仿真条件 57
4.3.2 实验结果及分析 57
4.4 本章小结 59
本篇小结 60
目标识别篇
第5章 SAR图像自动目标识别概述 63
5.1 SAR图像自动目标识别简介 63
5.2 SAR图像自动目标识别研究现状 64
5.2.1 目标检测 64
5.2.2 目标鉴别 65
5.2.3 目标识别 66
5.3 本篇主要研究内容 67
第6章 基于自适应筛选快速CFAR算法的目标检测 69
6.1 引言 69
6.2 双参数CFAR算法在多目标环境下的性能研究 69
6.2.1 双参数CFAR算法 69
6.2.2 参考窗内包含目标像素的影响理论推导 71
6.2.3 参考窗内包含目标像素的影响仿真研究 71
6.3 自适应筛选快速CFAR算法流程 73
6.3.1 参考窗口像素的自适应筛选 73
6.3.2 自适应筛选仿真实验 75
6.3.3 区域阈值的可行性分析 77
6.4 实验验证 78
6.4.1 实验设置 78
6.4.2 实验结果及分析 78
6.5 本章小结 80
第7章 基于Krawtchouk矩特征的目标鉴别 81
7.1 引言 81
7.2 SAR图像的Krawtchouk矩特征提取 81
7.2.1 Krawtchouk矩 81
7.2.2 基于信息系数的特征选择 82
7.3 代价敏感神经网络分类器设计 83
7.3.1 多隐层神经网络 83
7.3.2 非均等代价函数 84
7.4 实验验证 84
7.4.1 实验设置 84
7.4.2 评价指标 85
7.4.3 实验结果及分析 86
7.5 本章小结 90
第8章 基于卷积神经网络和深度学习的目标识别 91
8.1 引言 91
8.2 卷积神经网络目标识别流程 91
8.3 改进的特征提取网络结构 92
8.3.1 特征提取网络的结构 92
8.3.2 卷积神经网络对噪声的抑制 93
8.4 优化的Softmax分类器 94
8.4.1 正则化项 94
8.4.2 dropout原理 95
8.5 卷积神经网络目标识别实验验证 96
8.5.1 实验设置 96
8.5.2 实验结果及分析 98
8.6 基于深度学习的目标检测框架 101
8.6.1 Faster-RCNN目标检测框架 101
8.6.2 SSD目标检测框架 102
8.7 针对SAR图像的检测框架研究 103
8.7.1 预训练模型 103
8.7.2 零均值规整化 103
8.8 深度学习目标检测实验验证 104
8.8.1 实验设置 104
8.8.2 实验结果及分析 105
8.9 本章小结 109
本篇小结 110
目标跟踪篇
第9章 目标跟踪概述 113
9.1 目标跟踪简介 113
9.2 目标跟踪研究现状 114
9.2.1 生成式跟踪方法 114
9.2.2 判别式跟踪方法 118
9.3 本篇主要研究内容 121
第10章 相关滤波目标跟踪基础理论 123
10.1 引言 123
10.2 背景感知相关滤波目标跟踪方法 123
10.2.1 标准相关滤波目标跟踪方法 123
10.2.2 背景感知相关滤波器 124
10.2.3 尺度估计 126
10.3 进一步改进优化方向 127
10.4 实验数据与评价指标 128
10.4.1 数据集 128
10.4.2 评价指标 130
10.5 本章小结 132
第11章 时空感知相关滤波器 133
11.1 引言 133
11.2 时空感知相关滤波器模板训练 133
11.3 时空感知相关滤波器方法步骤 136
11.4 时空感知相关滤波器实验与分析 137
11.4.1 对比实验设置 137
11.4.2 数据集 137
11.4.3 实验具体参数设置 138
11.4.4 实验结果及分析 138
11.5 特征选择 146
11.5.1 人工特征 146
11.5.2 深度特征 148
11.5.3 自适应特征选择 149
11.6 自适应特征选择实验与分析 151
11.6.1 对比实验设置 151
11.6.2 测试数据集 151
11.6.3 实验具体参数设置 151
11.6.4 实验结果及分析 151
11.7 本章小结 155
第12章 长时目标跟踪 157
12.1 引言 157
12.2 EdgeBoxes候选区域提取 158
12.3 结构化支持向量机 160
12.4 自适应目标重检测 161
12.5 自适应目标重检测方法步骤 162
12.6 自适应目标重检测实验与分析 163
12.6.1 对比实验设置 163
12.6.2 数据集 164
12.6.3 实验具体参数设置 164
12.6.4 实验分析 164
12.7 长时目标跟踪框架及目标尺度估计 166
12.8 长时目标跟踪方法步骤 167
12.9 长时目标跟踪实验与分析 168
12.9.1 实验数据 168
12.9.2 对比实验设置 168
12.9.3 实验设置 169
12.9.4 定量分析 169
12.9.5 定性分析 189
12.10 本章小结 192
本篇小结 194
参考文献 195
彩图
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
