王大旗[1]2004年在《基于生理视觉系统的海洋SAR图像分布目标检测方法研究》文中研究指明合成孔径雷达(SAR)用于海洋监测(视)已得到广泛的重视。海洋中存在大量分布目标，例如舰船尾迹等。研究分布目标的特点及其信息提取的方法乃是本领域研究工作的一个重要内容。本文的主要工作集中在SAR图像中分布目标特征提取算法的研究，实现对分布目标自动检测、初步分类的要求。 论文首先简要介绍了合成孔径雷达的基本工作原理和成像特点，之后论述了SAR对海洋分布目标成像机理及特点。在此基础之上，重点列出已有的检测舰船尾迹的主要方法，并对每种方法的适用范围及处理效果进行了比较。 SAR图像上舰船尾迹的检测主要取决于分布目标所在区域与背景海面在散射系数上的差别(即反差度大小)。通常，由于分布目标与背景海面之间的反差度较小，并且受海域海况、船只类型和运动参数以及雷达观测条件等等诸多因素的影响，所以目标易被背景噪声所淹没，比直接检测舰船(在SAR图像上为强目标)增加了许多难度。现今对尾迹的检测多集中在诸如Kelvin臂、窄V尾迹等V字形或线性尾迹特征上，但是由于海洋环境或舰船物理状态等复杂因素，实际在SAR中观测到的尾迹是斑点、条带状等复杂的混合结构。而在此方面的研究还有待深入。 本人在前人已有的工作基础之上，提出了一种检测非线性特征的方法。采用生理视觉系统对图像进行处理，通过竞争合作提取图像中的线状特征的方向信息，之后再应用形态滤波进行处理达到特征检测的目的。对该算法进行理论分析的基础上，给出了计算机处理后的结果。结果表明该方法能够有效地检测出SAR图像中的非线性分布特征，并方便实现并行算法提高速度，具有实用化的潜力。 本人在硕士期间根据本室需要，还完成了基于web的网路查询图像数据库，并且得到了很好的应用。
佚名[2]2011年在《自动化技术、计算机技术》文中研究指明TP112011011954一般成本环境下分散式多工厂资源调度/陈胜峰,蔚承建(南京工业大学信息科学与工程学院)//信息与控制.―2010,39(5).―640～645.研究多工厂一般成本结构特征,即工厂含有固定成本和单位成本,提出了一种分散式多工厂资源调度方法,该方法使用基于连续双向拍卖市场机制的ZI2策略。ZI2策略是一种包含价格和数量的二维报价策略,agent采用该策略在给定价格范围内随机提交报价。模拟实验结果验证了ZI2策略可以实现较高的调度效率,整体平均效率达到90%。图2表8参10
刘明珠[3]2013年在《基于纹理特征的SAR图像质量评估》文中研究说明在现代电子对抗领域，合成孔径雷达（SAR）扮演着极其重要的角色。在SAR成像中施加一定的干扰，能够阻碍研究人员对成像后的SAR图像进行判别。目前，在对SAR抗干扰效能评估方法中，没有统一的标准来衡量成像后SAR图像所受干扰的程度，同时也限制了对SAR抗干扰技术的研究与发展。为此，本文重点研究了基于纹理特征的SAR图像质量评估方法，使该客观评估结果更符合人类视觉系统的主观评估结果。本文主要完成的工作包括：首先，简要研究了SAR的成像原理和SAR图像固有的纹理特征特点，利用美国Sandia实验室的MiniSAR系统的单视复数据，模拟了特定战情条件下，几种干扰方式对SAR图像造成的质量下降。并分析了小波变换在图像处理领域具有的优势，为后文在小波域进行SAR图像质量的评估奠定了理论基础。其次，为了更好的使用MiniSAR系统的单视复数据雷达图像，采用多项式拟合的方法对其进行了由于成像过程中光照不均引起的亮度不均匀的亮度调整。并针对SAR图像在成像中产生的相干斑噪声，进行了去除与抑制，研究了一种将自适应权重与自适应窗口相结合的Lee滤波方法，通过实验证明该方法既适用于灰度均匀的场景，也同样适用于灰度起伏较大的地物场景。随后重点讨论了目前传统的几种评估方法，分别为主观评估方法、等效视数、均方误差、欧氏距离、相关系数、信息熵、结构相似度几种方法，通过实验仿真，证明了只有结构相似度方法所得结果符合客观事实，而其他几种方法都有一定的缺陷性与局限性。但也注意到结构相似度的方法缺乏对图像纹理特征的描述，有必要对结构相似度的方法进行改进研究。再次，利用SAR图像固有的纹理特征，深入分析了角二阶矩、逆差矩、对比度叁种二阶矩在SAR图像处理中具有的优缺点，采用滑窗分块的方法完成了改进的结构相似度（TSSIM）的SAR图像评估计算。通过实验证明，对比度纹理特征的结构相似度（CSSIM）对SAR图像受干扰后的质量评估更为准确。结合小波变换在图像处理领域具有的优势，采用对比敏感函数（CSF）与人类视觉系统（HVS）的一致性特征，提出了小波域视觉加权的纹理特征的SAR图像质量评估方法，包括小波域纹理特征视觉加权结构相似度的方法（CTWVS）和小波域纹理特征视觉加权相关性的方法（CTWVR）。为了本文研究的需要，又提出了一种小波域低频方向修正结构相似度的方法（WLS），该方法对SAR图像质量的评估具有一定的优势。通过实验证明，本文提出的几种方法，都能在一定程度上反映SAR图像受干扰后的图像质量，但是它们也具有一定的缺点，不能完全适用于所有干扰类型的图像。最后，提出了组合多种质量评估算法的方法，针对各种方法具有的优缺点与适用性，选择不同的权重系数，实现与人类视觉系统主观评估结果一致的SAR图像质量评估。
刘扬[4]2016年在《基于MNCC模型的高分辨率遥感影像目标识别》文中提出高分辨率遥感影像的目标识别问题是海洋交通监视、减灾应急搜救、无人自主系统(UAS)(如无人机、无人车、无人潜航器、无人水面艇等自主机器人)等民用系统的核心技术,也是军事侦察、精确制导、海情监控等军事自动目标识别(ATR)系统的关键技术。伴随着高分辨率对地观测系统的发展,越来越多的行业应用要求从高分辨率影像中提取更多有价值的目标细节信息。然而中低分辨率遥感影像解译体系已无法满足高性能的目标分类与识别(TCR)需求。特别由于背景的复杂性和目标的多样性,目标识别的精度有效性和实时性问题尤为突出。此外由于相关应用蕴含的军事背景、数据获取困难以及技术管制等原因,目前公开报道涉及TCR方法的核心技术相对较少。为解决目标识别的技术瓶颈,本文重点探索高分辨率遥感影像的高精度、高性能TCR的模型构建和算法设计,为相关研究提供基础性的技术支撑。本文研究思路是:(1)分析高分辨率遥感影像TCR问题的技术瓶颈,模拟神经认知理论,建立面向遥感影像TCR应用的层次化媒体神经认知计算(MNCC)模型。(2)基于MNCC模型的处理流程及显着性计算理论,分别设计场景分类和目标检测算法,为目标识别提供上下文先验知识。(3)基于MNCC模型处理框架,设计高分辨率遥感影像目标识别算法。首先构造层次化的集成分类器,实现高精度目标识别;其次设计样本扩增方法,解决小样本复杂对象的目标识别问题。(4)研究并行化目标识别算法提升识别效率,并将相关算法应用于遥感影像处理系统的研发中。本文的主要工作和结论如下:(1)构建了一种面向遥感影像TCR应用的层次化MNCC模型。针对高分辨率遥感影像的TCR核心问题,深入分析了神经系统的结构与信息处理机制,研究认知系统的视觉功能和层次处理架构。构造和设计了面向TCR的仿脑层次化的MNCC模型,并给出了MNCC模型TCR算法的形式化描述。(2)提出了基于脉冲神经网络的遥感目标检测算法。为克服自然图像显着性算法的局限性,在MNCC模型的显着性计算理论指导下,提出一种基于脉冲神经网络和脉冲耦合神经网络的遥感影像视觉显着性计算框架VSF-MNCC,并实现基于脉冲神经网络的遥感影像船舶检测算法SD-SNN。在可见光船舶数据集HRSHTD和高分辨率SAR图像中,船舶目标检测的虚警率和漏检率分别达到9.48%和11.02%,实验表明VSF-MNCC显着图具备较高的分辨率,对于点状和团块的目标检测性能提升具备较好的效果。(3)提出了基于MNCC模型的遥感场景分类算法。作为目标识别的重要环节,提出基于MNCC模型的遥感场景分类算法SC-MNCC,为TCR相关应用的精度提升提供了上下文先验知识。在高分辨率遥感场景分类数据集HRSS和UCMLU的实验中,算法平均分类准确度分别达到84.73%和88.26%,优于常见场景分类算法,初步验证了MNCC模型的可行性。(4)提出了基于MNCC模型的高分辨率遥感影像的高精度目标识别算法。为解决高精度的SAR图像坦克目标分类,设计基于深度脉冲卷积神经网络和层次隐狄利克雷分配模型的混合层次化目标识别分类器,实现了基于多层次集成学习的目标识别算法TCR-EL-MNCC。在公开的MSTAR数据集的实验表明,TCR-EL-MNCC算法在SAR坦克目标的总体分类精度达到99.82%,优于目前常见算法。为进一步解决小样本复杂对象的可见光影像船舶目标识别,基于面向对象多尺度样本扩增技术,提出了目标识别的增量强化学习算法TCR-IREL-OOMS。在HSTCR数据集的实验表明,TCR-IREL-OOMS算法在船舶目标的平均识别率达到97.00%,接近MSTAR数据集的SAR坦克目标的识别率。本研究表明,利用增量、强化和集成的学习机制,构建的面向对象多尺度的层次化计算模型,符合人类对遥感影像的认知特性。基于MNCC模型的目标识别算法可有效实现复杂地物的信息提取工作。(5)提出和验证了并行化TCR的解决方案,并设计和实现了基于构件的遥感影像信息处理和展示平台。深入分析了遥感影像信息处理和展示平台的功能需求,提出一种基于构件模型的遥感影像处理软件的开发方案,设计和实现了遥感应用系统的并行处理架构。并将基于MNCC模型的TCR算法应用于软件的研发中,最后对开发效果进行系统分析和评价。为提升算法运行效率和实用性,采用多机多核并行和GPU异构计算技术,设计了基于MNCC模型的混合异构并行目标识别算法PTCR-MP-MNCC。在HSTCR、MSTAR和MNIST叁个数据集上实验和讨论了相关参数对算法效率的影响。实验结果显示,算法在HSTCR和MSTAR数据集最高加速比可达39.49和73.28。实践表明基于MNCC模型的TCR算法在遥感影像信息提取上具备重要的应用价值。综上所述,遥感影像智能解译涉及复杂的认知过程和专业知识,直接进行复杂的图像语义理解和计算往往存在较大的困难。针对高分辨率遥感影像目标的多尺度认知特性,利用神经认知机制首次构建了一种面向遥感TCR应用的层次化MNCC模型。设计面向对象多尺度的高分辨率遥感影像目标识别算法,可有效提升分类识别的精度需求。针对高分辨率遥感影像处理存在较高的并行特性,合理有效地设计并行TCR算法,能大幅度改善UAS和ATR系统的实时性需求。本文所研究的面向TCR的层次化MNCC模型可有效提升高分辨率遥感影像的目标检测、场景分类和目标识别任务的性能,并为实现高分辨率遥感影像的智能解译和复杂的语义计算提供有益的借鉴和参考。
苏爱柳[5]2015年在《基于视觉显着性的目标检测和异源图像轮廓提取方法研究》文中研究说明目标检测和异源图像轮廓提取在目标搜索、智能交通和军事等领域具有广阔应用前景,本文从人类的视觉选择性注意机制入手,研究了基于视觉注意机制的目标检测和异源图像轮廓提取方法。针对经典Itti模型对不同场景中的显着目标提取不具有通用性的问题,本文提出用亮度对比度特征取代原有亮度特征,突出了显着目标与背景区域的边缘差异性和鲁棒性,更有利于显着目标的提取;并针对原模型特征的选取不能精准反映目标的显着性问题,提出一种优化的自适应权值调整的显着图融合方法,能够适应不同场景中显着目标的提取。与经典Itti模型的对比实验表明,本文改进模型能更加准确提取出显着目标。针对目前大部分车牌提取方法不能很好地解决复杂背景情况下的车牌提取问题,本文将改进的模型应用于智能交通系统的车牌区域检测中,提出了一种基于视觉显着性和彩色信息融合的新方法,即在复杂背景中先提取显着性高的物体,再根据车牌区域的彩色信息精确提取出车牌区域,该种方法对车牌的位置无特殊要求,并可以检测倾斜车牌区域,与现有其他的车牌定位方法相比,本文方法的车牌区域检测精度提高了13%,特别是能在较复杂背景情况下定位出小区域车牌,对车牌区域变形也有一定的鲁棒性。另外,为了证明本文方法的适用性,又将改进后的模型应用于海洋上的残骸和油污漂浮物等目标检测,实验结果表明,该方法同样适用于海上显着目标的检测。针对现有异源图像的轮廓提取研究中阈值分割方法容易形成空洞,以及一般聚类分割方法无法排除背景区域对分割干扰的问题,根据图像显着图具有区域显着度相似性的特性,提出了一种基于显着图聚类和区域合并的分割方法。即通过对显着图进行K‐means聚类,并对聚类后存在的过分割问题,采用区域合并的方法对小区域进行合并,使最终分割区域形成统一的灰度值,从而为轮廓提取奠定基础。与现有方法对比实验表明,本文方法能够对可见光图像、红外图像和雷达图像进行符合人眼视觉注意的轮廓提取。
张永亮[6]2015年在《大场景高分辨率SAR图像道路提取方法研究》文中认为合成孔径雷达(Synthetic Aperture Radar,SAR)是一种具有不受光照、气候条件限制的全天时、全天候的工作特点的主动式微波成像雷达。在资源保护、资源勘查、海洋监控、地质勘探、农业管理、灾害防预、国家危害应急处理等方面具有重要作用和意义。伴随着SAR图像分辨率的提升,SAR系统能够成像的数据量急剧增加,每幅图像的幅面大大增加,而现阶段普遍的信号处理手段已经很难适应对数据快速而高效的处理要求。道路是连接城乡的主体,是现代交通与物质交流的载体,因此道路提取也在在SAR图像目标识别中被人们所重视。然而,各种各样的干扰也因高分辨率而被放大和加强,道路两侧树木的的遮挡、建筑的阴影覆盖、环境和背景的复杂度增高等问题存在就使得道路提取任务变得更加复杂和难以掌控。为了更加高效利用SAR图像数据,在保证SAR图像目标解析实现更快速和正确率更高的同时,进一步提高对目标信息的获取能力和利用能力,本文针对大场景中高分辨率SAR图像的道路网提取方法,研究了主要包括相干斑滤波技术、边缘检测技术、感兴趣区域(Regions of Interest,ROI)提取技术、多分辨率特征识别等主要部分,并以此为基础提出一个基于多分辨率处理的道路目标检测识别方法。该方法在一定程度上能够满足道路检测方法目标提取简单、快速和适应性强的要求,克服了现有道路检测算法针对性强、鲁棒性差的问题。针对高分辨率大场景SAR图像干扰信息复杂、场景内容多样、道路检测时间久等一系列检测疑难点,本文提出一个以人类视觉注意机制为基础的ROI检测策略,对于不同尺度上的潜在目标采取不同的方法。长直结构目标在低分辨率图像将采用一种线段长度密集度显着图的自上向下视觉显着模型,将图像中某些存在超过预设值或与参照物达到一定比例的直线段或平行线对的区域作为ROI,因此就能迅速地找到有直线或曲线结构地物的有效位置。最后利用人类视觉显着性机制来确定ROI,进一步减小需处理的数据量。这种方法能够很快的确定大场景SAR图像中道路的可能位置,大幅提高检测效率。根据提取道路网络的需要,重点研究了高分辨率SAR图像中道路的平行线特征,然后建立一种新的平行线对模型,并将这个模型运用在SAR图像中。最后给出了基于指导性直线单元的连接方法。最终给出大幅高分SAR图像中道路检测的总体方案。实验表明,该模型能够有效地从大幅高分SAR图像中检测到具有平行线对特征的目标。文章结尾对所提出的算法进行实验证明,对其结果进行几种评价标准的定量分析。实验结果与分析表明,本文提出的道路检测算法在一定程度上能够客服传统算法针对性强、鲁棒性差的问题,能够准确检测到高分SAR图像中的道路网,并且适用性较好。
杨伟[7]2012年在《选择性视觉注意机制及其在图像处理中的应用》文中研究指明合成孔径雷达(Synthetic Aperture Radar, SAR)最早是在20世纪50年代提出,它作为主动式雷达,SAR具有全天时、全天候、高分辨、可侧视成像等优点,使它在多种学科领域中得到了广泛的应用。近年来,随着SAR成像技术的发展,越来越多的高分辨SAR图像出现,SAR图像的目标检测和识别技术也越来越受到社会的关注。由于SAR图像的成像机制与光学图像有很大差异,并受到相干斑噪声的影响,使得很多处理自然图像的算法不能直接运用到SAR图像中。此外,SAR图像通常是海量数据,这也给计算机的图像处理效率提出了挑战。但我们注意到,在图像目标检测中,任务关注的内容通常是整幅图像中的很小一部分。一视同仁的处理整幅图像的数据是不必要的。另一方面,人眼如果能引入人眼的视觉注意机制,模仿人眼视觉的选择性和主动性,从图像中迅速找到感兴趣的部分,即显着区域,并对这些部分进行优先处理,忽略或舍弃其它非显着区域。这样就能大大提高图像处理的效率。本论文首先介绍了视觉注意模型并提出了视觉显着区域提取的方法,然后将视觉注意机制引入到SAR图像目标检测中,并完成相关实验。实验结果表明将视觉注意机制引入到SAR图像目标检测中,不仅能提高算法的检测效率,而且具有较好的检测效果。本论文的主要工作和创新如下：1.提出了一种自底向上的图像显着区域检测方法。根据心理学和生理学对视觉注意机制的研究理论,构建了一种自底向上的选择性注意模型,然后将该模型引入图像信息处理中,形成一种计算速度较快且可操作性较强的自底向上的图像显着区域检测方法。2.提出了一种自顶向下的SAR图像水域检测方法。首先根据心理学和生理的研究成果构建自顶向下的选择性注意建模；然后利用该模型得到SAR图像的水域显着图和种子点；最后利用区域生长的方法按照显着图中各个水域的显着性顺序依次提取图像中水域。3.提出了一种基于选择性注意机制的SAR图像舰船目标检测算法。该算法结合了自底向上和自顶向下的两选择性注意机制。首先根据SAR图像灰度值的分布情况确定舰船检测所采用的选择性注意机制的类型；然后根据选择性注意机制的类型构建舰船的模型,并完成舰船检测。
石俊飞[8]2016年在《基于层次语义模型与散射机理的极化SAR地物分类》文中进行了进一步梳理极化合成孔径雷达(PolSAR)图像的地物分类是图像处理的主要任务,是图像的理解和解译的前提。相比于传统的SAR图像,极化SAR图像含有更加丰富的地物信息,是多参数多通道的成像雷达系统。然而,对于异质结构区域,由于散射特性复杂,结构千差万别,对其分类存在很大的难度。尤其是聚集地物,如城区、森林等,是由多个同类目标聚集形成的,这种区域内部目标和地面散射变化差异大,形成强烈的亮暗变化,这些变化重复出现,形成了聚集地物。如何将聚集地物分为语义上一致的区域,并保持边界细节是极化SAR地物分类的一个难点问题。目前极化SAR分类方法的研究主要依靠极化散射特性的分析和基于像素底层特征的提取,为了能够对图像进行更高层次的理解和解译,高层语义信息的挖掘也很有必要,是进一步图像理解和解译的关键。本论文中,我们对极化SAR图像进行深入分析,不仅充分挖掘了极化SAR的散射特性,更进一步的从视觉认知角度构建层次语义模型,提出一系列有效的新模型和极化SAR地物分类方法,主要研究成果如下:1.提出了极化层次语义模型,将极化SAR图像划分为叁种结构不同的区域类型。对于极化SAR图像分类,如何将聚集地物分为语义上一致的区域是一个难点。聚集地物是指相似地物目标聚集在一起形成的地物,如城区、森林等。这些地物类型的主要特点为地物区域内部包含强烈的亮暗变化,传统的方法很难将其分为一类。为了克服这个缺点,我们提出了一种层次语义模型,该模型包括初层和中层语义。初层语义是极化素描图,它是由素描线段构成,是极化SAR图像的稀疏表示。中层语义是区域图,该图是通过挖掘素描图中素描线段的空间邻域关系而得到的。该图将极化SAR图像划分为聚集、结构和匀质叁种区域类型。实验结果表明提出的层次语义模型能够很好的划分极化SAR图像的叁类区域。2.提出了一种新的基于层次语义模型和极化特性的极化SAR地物分类方法。针对复杂的极化SAR场景,为了对不同类型的地物进行精确分类,我们根据提出的层次语义模型,将区域图映射到极化SAR图像上,将极化SAR图像划分为聚集、结构和匀质叁种区域类型。然后,用均值漂移对图像进行初分割,对不同的区域类型,根据其特点设计不同的区域合并策略,得到语义分割结果。另外,进一步构建语义一一极化分类器,将语义分割和基于散射特性的分类结果进行融合,得到更优的分类结果。通过对不同波段不同传感器得到的真实数据进行测试,验证了提出的算法能够获得语义上一致的区域和边界细节。3.提出了一种无监督的基于素描图和自适应马尔可夫随机场(Markov Random Field,MRF)的极化SAR图像分类算法。MRF模型是极化SAR图像分类的一种有效工具。然而,在传统的MRF方法中,由于缺乏合适的上下文信息,分类结果的边界保持和区域一致性一直是一对矛盾。为了既保持边界细节,又获得一致的区域,我们基于极化素描图,提出了一种自适应的MRF框架。极化素描图能够提供详细的边界位置和方向,这些信息能够有效地指导边界邻域结构的选择。具体地,极化素描图能够将极化SAR图像划分为结构和非结构区域,然后对不同的区域进行自适应邻域学习。对结构区域,我们构建几何结构块对图像细节进行保持。对非结构区域,我们设计最大一致区域来提高区域一致性。通过对仿真和真实数据的实验表明,提出的算法既能够获得好的区域一致性,又能够得到细节边界。4.提出了基于深度学习和层次语义模型的极化SAR图像分类方法。针对复杂场景的极化合成孔径雷达(SAR)图像,堆迭自编码模型能够自动学习图像结构特性,有效表示城区、森林等复杂地物的结构,然而,对图像边界和细节却难以保持。为了克服该缺点,本文结合深度自编码器和极化层次语义模型,提出了新的无监督的极化SAR图像分类算法。该方法根据极化层次语义模型,将复杂的极化SAR图像划分为聚集、匀质和结构叁大区域。对聚集区域,采用堆迭自编码模型进行高层特征表示,并构造字典得到稀疏特征进行分类;对匀质区域,采用层次模型进行分类;对于结构区域,进行线目标保留和边界定位。实验结果表明,该算法通过不同的分类策略优势互补,能够得到区域一致性好且边界保持的分类结果。5.提出了一种新的基于小波融合的极化SAR图像边缘检测方法。极化CFAR检测子能够有效地抑制斑点噪声,因为其考虑了斑点噪声的Wishart分布模型。然而,它难以检测异质区域的边界细节,如城区内部的细道路等,这是因为在异质区域中,滤波器内像素已难以满足相干斑一致性假设。为了克服这个缺点,我们通过融合极化CFAR检测子和加强梯度检测子,提出了一种新的边缘检测算法,该算法结合了极化CFAR和加强梯度检测子的优势,并抑制他们的缺点。我们使用小波变换对这两种互补的检测子进行融合,并定义语义规则。另外,为了抑制梯度检测子的噪声影响,我们对梯度检测结果采用降斑策略。实验结果表明,提出的算法能够有效地检测弱边界和异质区域的细节。
参考文献：
[1]. 基于生理视觉系统的海洋SAR图像分布目标检测方法研究[D]. 王大旗. 中国科学院研究生院（电子学研究所）. 2004
[2]. 自动化技术、计算机技术[J]. 佚名. 中国无线电电子学文摘. 2011
[3]. 基于纹理特征的SAR图像质量评估[D]. 刘明珠. 哈尔滨工程大学. 2013
[4]. 基于MNCC模型的高分辨率遥感影像目标识别[D]. 刘扬. 河南大学. 2016
[5]. 基于视觉显着性的目标检测和异源图像轮廓提取方法研究[D]. 苏爱柳. 南京航空航天大学. 2015
[6]. 大场景高分辨率SAR图像道路提取方法研究[D]. 张永亮. 哈尔滨工业大学. 2015
[7]. 选择性视觉注意机制及其在图像处理中的应用[D]. 杨伟. 西安电子科技大学. 2012
[8]. 基于层次语义模型与散射机理的极化SAR地物分类[D]. 石俊飞. 西安电子科技大学. 2016
标签：武器工业与军事技术论文; 电信技术论文; 遥感影像论文; sar论文; 图像融合论文; 特征提取论文; 语义分析论文; 层次模型论文; 视觉检测论文; 场景应用论文; 极化曲线论文; 系统边界论文; sar雷达论文;