SAR image processing and target recognition

第1章  SAR图像特性分析
1.1  合成孔径雷达成像的基本原理
1.2  SAR图像的分辨率特征
1.3  SAR图像的强度特征
1.4  SAR图像的几何特征
1.5  SAR图像的统计分布特征
1.6  SAR图像的噪声特征
1.6.1  SAR图像相干斑形成机理
1.6.2  SAR图像相干斑模型
1.7  SAR图像指标
1.8  本章小结
参考文献

第2章  SAR图像去噪声
2.1  SAR图像分布模型
2.2  SAR图像滤波
2.2.1  空间域滤波算法
2.2.2  小波域全局阈值滤波
2.2.3  基于纹理模型的空间自适应小波滤波
2.2.4  基于隐马尔可夫树模型的小波滤波算法
2.2.5  基于双正交小波域局部统计特性的滤波算法
2.2.6  基于正交带波域的滤波算法
2.2.7  基于曲波变换域的滤波算法
2.2.8  基于轮廓波变换域的滤波算法
2.2.9  基于带波变换域的滤波算法
2.3  滤波算法的效果对比
2.4  本章小结
参考文献

第3章  SAR图像配准
3.1  SAR图像配准概况
3.1.1  图像配准的定义
3.1.2  图像配准的模型
3.1.3  图像变换
3.1.4  图像配准的一般方法
3.2  图像配准预处理
3.2.1  图像增强
3.2.2  图像的几何校正
3.3  基于灰度的图像配准方法
3.3.1  基于互信息的图像配准算法
3.3.2  基于联合直方图的图像配准算法
3.4  基于特征的图像配准方法
3.4.1  基于SIFT特征的图像配准算法
3.4.2  基于角点特征的图像配准算法
3.4.3  基于灰度和特征的配准方法的局限性
3.4.4  基于特征与灰度相结合的图像配准新方法
3.5  基于变换域的图像配准方法
3.5.1  平移变化的配准原理
3.5.2  旋转变化和比例变化的配准原理
3.5.3  基于快速傅里叶变换的图像配准算法
3.5.4  仿真结果
3.6  本章小结
参考文献

第4章  SAR图像融合
4.1  SAR图像融合概况
4.1.1  图像融合的层次划分
4.1.2  图像融合效果评价
4.2  加权平均融合算法
4.3  基于拉普拉斯金字塔算法的图像融合算法
4.4  基于小波变换的图像融合方法
4.4.1  基于小波变换的图像融合算法
4.4.2  小波变换域内不同融合算法比较
4.5  基于轮廓波变换的融合算法
4.6  基于Bandlet变换的图像融合算法
4.7  基于PCNN的图像融合新算法
4.7.1  脉冲耦合神经网络
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  基于方向性激励的PCNN融合算法
4.7.5  基于Grouplet变换和PCNN的图像融合算法
4.8  仿真结果
4.9  本章小结
参考文献

第5章  SAR图像目标分割
5.1  SAR图像目标分割技术发展概况
5.2  CFAR分割技术
5.2.1  单参数CFAR分割
5.2.2  双参数CFAR分割
5.2.3  多分辨率CFAR
5.3  基于MRF的SAR图像目标分割
5.4  基于全局Maxflow的SAR图像目标分割
5.4.1  能量函数最小化理论
5.4.2  最小割集与最大流
5.4.3  Otsu算法
5.4.4  基于Maxflow的最大熵算法的SAR图像目标分割
5.4.5  基于全局Maxflow的邻域生长算法的SAR图像目标分割
5.5  本章小结
参考文献

第6章  SAR图像目标检测
6.1  SAR图像目标检测概况
6.2  SAR图像目标检测的基本算法
6.2.1  SAR图像目标检测的知识检测
6.2.2  基于数据相关的基与固定基相结合的SAR图像检测算法
6.2.3  SAR图像目标检测算法实用性
6.3  基于Beamlet的SAR图像目标检测
6.3.1  Beamlet的基本理论
6.3.2  小线检测
6.3.3  基于Beamlet的SAR图像目标检测仿真
6.3.4  Beamlet的其他应用
6.4  本章小结
参考文献

第7章  SAR图像目标识别
7.1  SAR图像目标识别概况
7.1.1  SAR目标识别概述及研究现状
7.1.2  SAR图像目标自动识别的难点
7.1.3  SAR图像目标自动识别的关键技术
7.1.4  SAR图像目标识别流程
7.2  基于PCA、KPCA及2DPCA的SAR图像识别
7.2.1  PCA特征提取
7.2.2  KPCA及2DPCA特征提取方法
7.2.3  SAR图像分类识别性能验证
7.2.4  投影特征的缺点
7.3  SAR图像融合目标特征提取
7.3.1  SAR图像融合目标特征概述
7.3.2  基于形状特征的Hu不变矩特征提取
7.3.3  基于纹理特征的Gabor特征提取
7.3.4  基于频域特征的FFT特征提取
7.3.5  基于HGF混合特征矩的融合特征
7.4  支持矢量机分类器
7.4.1  SVM分类器
7.4.2  SVM体系结构
7.5  基于融合特征和sVM分类器的SAR图像目标识别
7.5.1  基于融合特征和SVM分类器的SAR图像目标识别的处理流程
7.5.2  联合特征提取及类归一化
7.5.3  SVM分类器设计
7.5.4  融合特征分类效果验证
7.6  本章小结
参考文献

第8章  基于压缩感知的雷达图像重建算法
8.1  压缩感知概况
8.1.1  研究的背景和意义
8.1.2  国内外研究现状
8.1.3  压缩感知的应用
8.2  压缩感知理论
8.2.1  信号的稀疏表示
8.2.2  压缩感知算法
8.2.3  常用测量矩阵
8.2.4  信号重建算法
8.2.5  压缩感知在雷达成像中的应用
8.3  基于小波树的正交匹配追踪重建算法
8.3.1  正交匹配追踪算法
8.3.2  TOMP算法
8.3.3  TOMP算法的仿真
8.4  基于分块的三维小波树的正交匹配追踪算法
8.4.1  三维的基于小波树的正交匹配追踪算法（3D—TOMP）
8.4.2  基于分块的三维小波树的正交匹配追踪算法（3D—TOMP—BL）
8.4.3  验证结果及分析
8.5  本章小结
参考文献

第9章  基于小波变换的SAR图像压缩方法
9.1  SAR图像压缩技术发展概况
9.1.1 SAR数据压缩背景
9.1.2 SAR图像压缩的意义
9.1.3  图像压缩算法概述
9.2  SAR图像统计特征与率失真特性
9.2.1 SAR图像统计特征
9.2.2  SAR图像的率失真特性
9.2.3  传统图像压缩原理
9.2.4  图像压缩的评估标准
9.3  基于小波变换的SAR图像压缩方法
9.3.1小波变换
9.3.2  图像统计特性和适合图像数据压缩小波基的确定
9.3.3  基于小波变换的嵌入式压缩编码
9.4  SAR图像压缩性能仿真测试
9.5  本章小结
参考文献
名词术语表