遙感圖像處理技術(shù)廣泛應(yīng)用于軍事國(guó)防和民用經(jīng)濟(jì)建設(shè)領(lǐng)域,得益于航天遙感對(duì)地觀測(cè)技術(shù)的迅猛發(fā)展。如今的光學(xué)成像衛(wèi)星的遙感圖像具有分辨率高、覆蓋面寬、細(xì)節(jié)豐富等優(yōu)點(diǎn),同時(shí)這些優(yōu)勢(shì)也意味著成像的數(shù)據(jù)量非常巨大,海量的數(shù)據(jù)會(huì)造成更大的數(shù)傳壓力,極大地延誤了遙感信息的時(shí)效性。云通常覆蓋了地球的近三分之二的區(qū)域,海洋比陸地上有更多的云層覆蓋。云層阻擋地面特征的光線到達(dá)傳感器系統(tǒng),嚴(yán)重阻礙了光學(xué)遙感衛(wèi)星獲取有效信息,造成星上存儲(chǔ)資源冗余,增加了數(shù)傳壓力。隨著集成芯片產(chǎn)業(yè)的快速發(fā)展,人工智能、深度學(xué)習(xí)與基于嵌入式系統(tǒng)的實(shí)時(shí)識(shí)別已經(jīng)在地面應(yīng)用中得到實(shí)現(xiàn)。具有人工智能識(shí)別功能的嵌入式實(shí)時(shí)處理相機(jī)是未來(lái)星載相機(jī)發(fā)展的重要方向。智能相機(jī)可以對(duì)數(shù)據(jù)進(jìn)行在軌實(shí)時(shí)處理,比如實(shí)現(xiàn)星上目標(biāo)實(shí)時(shí)檢測(cè)功能,剔除被厚云層覆蓋或者平靜海面等無(wú)效信息,提取艦船或者飛機(jī)等有效軍事目標(biāo)信息。在一個(gè)數(shù)傳窗口內(nèi),大幅度縮減冗余信息量,提高數(shù)據(jù)使用效率,減少數(shù)傳壓力,從而實(shí)現(xiàn)如下目的:大型軍事目標(biāo)實(shí)時(shí)偵察,跟蹤監(jiān)視其活動(dòng)情況,掌握敏感地區(qū)海上大型軍事力量的部署與目標(biāo)動(dòng)向。所以,實(shí)現(xiàn)在軌實(shí)時(shí)云檢測(cè)處理在軍事或商業(yè)衛(wèi)星領(lǐng)域均有重要的實(shí)際應(yīng)用價(jià)值...

【文章頁(yè)數(shù)】：163 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 高空間分辨率多光譜光學(xué)遙感圖像的特點(diǎn)
    1.3 多光譜遙感圖像的描述方式
    1.4 基于多光譜圖像的云檢測(cè)算法
    1.5 嵌入式處理平臺(tái)的現(xiàn)狀與特點(diǎn)
    1.6 遙感圖像在軌云檢測(cè)處理面臨的問(wèn)題和挑戰(zhàn)
    1.7 論文的研究?jī)?nèi)容和組織結(jié)構(gòu)
第2章 基于張量的多光譜圖像表示與機(jī)器學(xué)習(xí)方法
    2.1 引言
    2.2 張量及相關(guān)概念
        2.2.1 張量的定義
        2.2.2 張量指標(biāo)和分量的符號(hào)
        2.2.3 張量的積
        2.2.4 張量距離測(cè)量
        2.2.5 結(jié)構(gòu)張量
        2.2.6 張量分解
    2.3 基于張量的機(jī)器學(xué)習(xí)方法
    2.4 支持規(guī)范張量訓(xùn)練機(jī)
    2.5 實(shí)驗(yàn)分析
    2.6 本章小結(jié)
第3章 基于特征加權(quán)小波融合的超像素分割
    3.1 引言
    3.2 超像素分割算法
        3.2.1 基于圖論的能量?jī)?yōu)化方法
        3.2.2 基于梯度下降的特征優(yōu)化方法
    3.3 基于特征加權(quán)小波融合的超像素分割算法
        3.3.1 灰度級(jí)相關(guān)度量
        3.3.2 差異估計(jì)度量
        3.3.3 平均加權(quán)求和圖像
        3.3.4 高斯徑向基函數(shù)核
        3.3.5 特征加權(quán)函數(shù)定義
        3.3.6 小波變換融合
    3.4 實(shí)驗(yàn)與分析
        3.4.1 主觀性能分析
        3.4.2 客觀性能分析
    3.5 本章小節(jié)
第4章 基于張量的Gabor紋理能量云檢測(cè)方法
    4.1 引言
    4.2 云檢測(cè)方法
        4.2.1 基于空間的方法
        4.2.2 基于時(shí)間的方法
        4.2.3 混合的方法
    4.3 基于Gabor紋理能量的云檢測(cè)方法
        4.3.1 多光譜特征
        4.3.2 Gabor能量特征
        4.3.3 算法步驟
    4.4 實(shí)驗(yàn)與分析
    4.5 本章小結(jié)
第5章 基于FPGA的快速?gòu)埩窟\(yùn)算架構(gòu)
    5.1 引言
    5.2 處理模塊系統(tǒng)架構(gòu)
    5.3 基于FPGA的張量?jī)?nèi)積與外積架構(gòu)的設(shè)計(jì)與實(shí)現(xiàn)
    5.4 基于FPGA的張量分解與重構(gòu)架構(gòu)的設(shè)計(jì)與實(shí)現(xiàn)
    5.5 實(shí)驗(yàn)與分析
    5.6 本章小結(jié)
第6章 FPGA與多核DSP硬件處理平臺(tái)
    6.1 引言
    6.2 FPGA與多核DSP硬件處理平臺(tái)的框架功能
    6.3 FPGA與多核DSP硬件處理平臺(tái)的性能分析
        6.3.1 SRIO數(shù)據(jù)接口性能分析
        6.3.2 FPGA的 DDR存儲(chǔ)速率測(cè)試
    6.4 FPGA與多核DSP硬件處理平臺(tái)的超高速CameraLink接口
        6.4.1 超高速CameraLink接口交叉驗(yàn)證步驟
        6.4.2 實(shí)驗(yàn)結(jié)果與分析
        6.4.3 結(jié)論
    6.5 在軌云檢測(cè)算法在硬件平臺(tái)上的架構(gòu)
    6.6 實(shí)驗(yàn)與分析
    6.7 本章小結(jié)
第7章 總結(jié)與展望
    7.1 論文總結(jié)及主要?jiǎng)?chuàng)新點(diǎn)
    7.2 后續(xù)工作展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號(hào)：4005369