SAR圖像處理與目標(biāo)識別

第1章  SAR圖像特性分析
1.1  合成孔徑雷達(dá)成像的基本原理
1.2  SAR圖像的分辨率特征
1.3  SAR圖像的強(qiáng)度特征
1.4  SAR圖像的幾何特征
1.5  SAR圖像的統(tǒng)計分布特征
1.6  SAR圖像的噪聲特征
1.6.1  SAR圖像相干斑形成機(jī)理
1.6.2  SAR圖像相干斑模型
1.7  SAR圖像指標(biāo)
1.8  本章小結(jié)
參考文獻(xiàn)
第2章  SAR圖像去噪聲
2.1  SAR圖像分布模型
2.2  SAR圖像濾波
2.2.1  空間域濾波算法
2.2.2  小波域全局閾值濾波
2.2.3  基于紋理模型的空間自適應(yīng)小波濾波
2.2.4  基于隱馬爾可夫樹模型的小波濾波算法
2.2.5  基于雙正交小波域局部統(tǒng)計特性的濾波算法
2.2.6  基于正交帶波域的濾波算法
2.2.7  基于曲波變換域的濾波算法
2.2.8  基于輪廓波變換域的濾波算法
2.2.9  基于帶波變換域的濾波算法
2.3  濾波算法的效果對比
2.4  本章小結(jié)
參考文獻(xiàn)
第3章  SAR圖像配準(zhǔn)
3.1  SAR圖像配準(zhǔn)概況
3.1.1  圖像配準(zhǔn)的定義
3.1.2  圖像配準(zhǔn)的模型
3.1.3  圖像變換
3.1.4  圖像配準(zhǔn)的一般方法
3.2  圖像配準(zhǔn)預(yù)處理
3.2.1  圖像增強(qiáng)
3.2.2  圖像的幾何校正
3.3  基于灰度的圖像配準(zhǔn)方法
3.3.1  基于互信息的圖像配準(zhǔn)算法
3.3.2  基于聯(lián)合直方圖的圖像配準(zhǔn)算法
3.4  基于特征的圖像配準(zhǔn)方法
3.4.1  基于SIFT特征的圖像配準(zhǔn)算法
3.4.2  基于角點特征的圖像配準(zhǔn)算法
3.4.3  基于灰度和特征的配準(zhǔn)方法的局限性
3.4.4  基于特征與灰度相結(jié)合的圖像配準(zhǔn)新方法
3.5  基于變換域的圖像配準(zhǔn)方法
3.5.1  平移變化的配準(zhǔn)原理
3.5.2  旋轉(zhuǎn)變化和比例變化的配準(zhǔn)原理
3.5.3  基于快速傅里葉變換的圖像配準(zhǔn)算法
3.5.4  仿真結(jié)果
3.6  本章小結(jié)
參考文獻(xiàn)
第4章  SAR圖像融合
4.1  SAR圖像融合概況
4.1.1  圖像融合的層次劃分
4.1.2  圖像融合效果評價
4.2  加權(quán)平均融合算法
4.3  基于拉普拉斯金字塔算法的圖像融合算法
4.4  基于小波變換的圖像融合方法
4.4.1  基于小波變換的圖像融合算法
4.4.2  小波變換域內(nèi)不同融合算法比較
4.5  基于輪廓波變換的融合算法
4.6  基于Bandlet變換的圖像融合算法
4.7  基于PCNN的圖像融合新算法
4.7.1  脈沖耦合神經(jīng)網(wǎng)絡(luò)
4.7.2  基于DWT的PCNN的融合新算法
4.7.3  基于DWT的并行PCNN融合算法
4.7.4  基于方向性激勵的PCNN融合算法
4.7.5  基于Grouplet變換和PCNN的圖像融合算法
4.8  仿真結(jié)果
4.9  本章小結(jié)
參考文獻(xiàn)
第5章  SAR圖像目標(biāo)分割
5.1  SAR圖像目標(biāo)分割技術(shù)發(fā)展概況
5.2  CFAR分割技術(shù)
5.2.1  單參數(shù)CFAR分割
5.2.2  雙參數(shù)CFAR分割
5.2.3  多分辨率CFAR
5.3  基于MRF的SAR圖像目標(biāo)分割
5.4  基于全局Maxflow的SAR圖像目標(biāo)分割
5.4.1  能量函數(shù)最小化理論
5.4.2  最小割集與最大流
5.4.3  Otsu算法
5.4.4  基于Maxflow的最大熵算法的SAR圖像目標(biāo)分割
5.4.5  基于全局Maxflow的鄰域生長算法的SAR圖像目標(biāo)分割
5.5  本章小結(jié)
參考文獻(xiàn)
第6章  SAR圖像目標(biāo)檢測
6.1  SAR圖像目標(biāo)檢測概況
6.2  SAR圖像目標(biāo)檢測的基本算法
6.2.1  SAR圖像目標(biāo)檢測的知識檢測
6.2.2  基于數(shù)據(jù)相關(guān)的基與固定基相結(jié)合的SAR圖像檢測算法
6.2.3  SAR圖像目標(biāo)檢測算法實用性
6.3  基于Beamlet的SAR圖像目標(biāo)檢測
6.3.1  Beamlet的基本理論
6.3.2  小線檢測
6.3.3  基于Beamlet的SAR圖像目標(biāo)檢測仿真
6.3.4  Beamlet的其他應(yīng)用
6.4  本章小結(jié)
參考文獻(xiàn)
第7章  SAR圖像目標(biāo)識別
7.1  SAR圖像目標(biāo)識別概況
7.1.1  SAR目標(biāo)識別概述及研究現(xiàn)狀
7.1.2  SAR圖像目標(biāo)自動識別的難點
7.1.3  SAR圖像目標(biāo)自動識別的關(guān)鍵技術(shù)
7.1.4  SAR圖像目標(biāo)識別流程
7.2  基于PCA、KPCA及2DPCA的SAR圖像識別
7.2.1  PCA特征提取
7.2.2  KPCA及2DPCA特征提取方法
7.2.3  SAR圖像分類識別性能驗證
7.2.4  投影特征的缺點
7.3  SAR圖像融合目標(biāo)特征提取
7.3.1  SAR圖像融合目標(biāo)特征概述
7.3.2  基于形狀特征的Hu不變矩特征提取
7.3.3  基于紋理特征的Gabor特征提取
7.3.4  基于頻域特征的FFT特征提取
7.3.5  基于HGF混合特征矩的融合特征
7.4  支持矢量機(jī)分類器
7.4.1  SVM分類器
7.4.2  SVM體系結(jié)構(gòu)
7.5  基于融合特征和sVM分類器的SAR圖像目標(biāo)識別
7.5.1  基于融合特征和SVM分類器的SAR圖像目標(biāo)識別的處理流程
7.5.2  聯(lián)合特征提取及類歸一化
7.5.3  SVM分類器設(shè)計
7.5.4  融合特征分類效果驗證
7.6  本章小結(jié)
參考文獻(xiàn)
第8章  基于壓縮感知的雷達(dá)圖像重建算法
8.1  壓縮感知概況
8.1.1  研究的背景和意義
8.1.2  國內(nèi)外研究現(xiàn)狀
8.1.3  壓縮感知的應(yīng)用
8.2  壓縮感知理論
8.2.1  信號的稀疏表示
8.2.2  壓縮感知算法
8.2.3  常用測量矩陣
8.2.4  信號重建算法
8.2.5  壓縮感知在雷達(dá)成像中的應(yīng)用
8.3  基于小波樹的正交匹配追蹤重建算法
8.3.1  正交匹配追蹤算法
8.3.2  TOMP算法
8.3.3  TOMP算法的仿真
8.4  基于分塊的三維小波樹的正交匹配追蹤算法
8.4.1  三維的基于小波樹的正交匹配追蹤算法（3D—TOMP）
8.4.2  基于分塊的三維小波樹的正交匹配追蹤算法（3D—TOMP—BL）
8.4.3  驗證結(jié)果及分析
8.5  本章小結(jié)
參考文獻(xiàn)
第9章  基于小波變換的SAR圖像壓縮方法
9.1  SAR圖像壓縮技術(shù)發(fā)展概況
9.1.1 SAR數(shù)據(jù)壓縮背景
9.1.2 SAR圖像壓縮的意義
9.1.3  圖像壓縮算法概述
9.2  SAR圖像統(tǒng)計特征與率失真特性
9.2.1 SAR圖像統(tǒng)計特征
9.2.2  SAR圖像的率失真特性
9.2.3  傳統(tǒng)圖像壓縮原理
9.2.4  圖像壓縮的評估標(biāo)準(zhǔn)
9.3  基于小波變換的SAR圖像壓縮方法
9.3.1小波變換
9.3.2  圖像統(tǒng)計特性和適合圖像數(shù)據(jù)壓縮小波基的確定
9.3.3  基于小波變換的嵌入式壓縮編碼
9.4  SAR圖像壓縮性能仿真測試
9.5  本章小結(jié)
參考文獻(xiàn)
名詞術(shù)語表