基于电视导引图像的傅立叶描述子识别

论文摘要

本文针对电视导引拍摄的地面飞机目标图像,在改进图像边界离散化的基础上,进行了归一化傅立叶描述子为全局特征、长宽比与凹缺比为局部特征的目标识别。本文首先对实际灰度图像进行滤波处理、阈值分割,将得到的二值化图像采用形态学的处理,从而从背景中提取大概的目标图像。对图像处理过的图像进行边缘检测与边界跟踪,边界跟踪中使用最大梯度方向法以跟踪平滑的图像边界,得到目标闭合边界的坐标序列。对坐标序列进行离散化,分析不同量级离散对傅立叶描述子的影响,计算Hu几何不变矩、归一化傅立叶描述子,对比两组类内、类间样本试验分析两者对不同机型样本的区分程度,选择256量级离散化傅立叶描述子作为全局特征。在局部特征提取中,比较研究了常用的局部特征方法,选择有很强区分性的长宽比、凹多边形特征作为局部特征。针对常见的两种典型飞机机型,结合最长直线法和对称轴法改进方法搜索主轴,计算得到两组三维的局部特征,以傅立叶描述子的九个低频分量与局部特征的三维矢量,组合得到十二维的目标特征矢量。最后,结合神经网络,用学习矢量量化神经网络对全局特征与局部特征组合的特征矢量样本进行分类训练并识别,试验证明对小缺损的飞机目标,采用联合特征矢量进行识别比单纯的傅立叶描述子识别效果更好,达到预期目的。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究的目的与意义
• 1.2 研究背景与现状
• 1.2.1 精确打击概念的提出
• 1.2.2 精确打击技术的趋势
• 1.2.3 电视制导
• 1.2.4 特征提取及识别研究的现状
• 1.3 课题研究内容
• 1.4 小结
• 第二章 前期图像处理与空间变换
• 2.1 图像处理简介
• 2.2 图像噪声滤波与增强
• 2.2.1 维纳滤波原理
• 2.2.2 几种滤波方法比较实验
• 2.3 数学形态学操作及图像阈值分割
• 2.3.1 形态学操作top-hat 变换
• 2.3.2 图像分割
• 2.3.3 后续形态学处理
• 2.4 空间变换
• 2.4.1 仿射变换
• 2.4.2 实际处理的简化算法
• 2.5 小结
• 第三章 边缘检测与跟踪
• 3.1 经典的边缘检测方法
• 3.2 边缘检测方法性能比较
• 3.3 边缘连接及处理
• 3.4 边界追踪
• 3.4.1 追踪算法
• 3.4.2 多分支等问题解决
• 3.5 小结
• 第四章 全局特征提取
• 4.1 简单的边界描述子
• 4.2 不变矩方法
• 4.2.1 矩与不变矩理论
• 4.2.2 不变矩目标识别算法
• 4.3 傅立叶描述子方法
• 4.3.1 归一化傅立叶描述子理论
• 4.3.2 存在的问题及改进
• 4.4 不变矩方法与傅立叶算子方法的比较试验
• 4.4.1 同型飞机的比较实验
• 4.4.2 不同类型飞机的比较实验
• 4.5 小结
• 第五章 局部特征提取
• 5.1 几何局部特征
• 5.1.1 简介
• 5.1.2 主轴的确定
• 5.1.3 矩形占空比与长宽比的计算
• 5.2 多边形凹缺特征
• 5.2.1 多边形近似
• 5.2.2 多边形近似实验及分析
• 5.2.3 最小凸多边形获取及凹缺比
• 5.2.4 凹缺比计算
• 5.3 局部特征与全局特征的结合
• 5.4 小结
• 第六章 目标图像识别的后期处理
• 6.1 几种简单网络及其局限性
• 6.2 学习矢量量化（LVQ）神经网络识别
• 6.2.1 学习矢量量化（LVQ）神经网络模型
• 6.2.2 LVQ 的网络学习规则
• 6.2.3 实验与分析
• 6.3 小结
• 第七章 总结与展望
• 7.1 总结
• 7.2 研究展望
• 参考文献
• 致谢
• 作者在攻读硕士学位期间发表的学术论文