微信扫一扫,移动浏览光盘
简介
本书基于智能信息处理新方法,对SAR图像处理和解译的各部分内容展开了较深入、全面的讨论。具体包括:SAR图像相干斑抑制、目标检测、融合、增强、分割、分类、目标识别等内容。论述了各部分的一些经典方法,提出了基于智能计算方法的SAR图像处理与解译的新理论、新方法,并且通过充分的实验,详细分析并比较了算法在实际应用中的性能。全书共分八章。第1章介绍SAR图像处理及解译的研究背景、意义及进展;从第2章开始,分别对SAR图像处理及解译的各个内容展开讨论。其中包括:第2章,在分析SAR成像原理及斑点噪声特性基础上,论述了不同的SAR图像噪声抑制方法;第3章论述了SAR图像目标特征,具体分析了桥梁、港口目标的检测和曲线目标检测;第4章首先给出融合基本方法、评价准则以及融合算子,其次详细论述了几种基于多尺度几何分析(亦称第三代小波分析、后小波分析等)的融合新算法;第5章讨论SAR图像和三维高光谱图像的压缩技术;第6章详细讨论基于各种不同方法的SAR图像分割技术;第7章着重研究基于Markov统计模型的SAR图像分割;第8章给出了SAR图像地物分类与目标识别新方法。
目录
目录
前言
第1章 绪论
1.1 研究背景及意义
1.2 SAR图像理解的研究现状
1.3 SAR图像处理与理解的研究内容及进展
1.3.1 相干斑抑制
1.3.2 SAR图像特殊目标检测
1.3.3 特征提取与选择
1.3.4 图像融合
1.3.5 图像分割
1.3.6 SAR图像分类
1.3.7 SAR图像目标识别
1.3.8 SAR图像及多光谱图像压缩
1.4 几点思考
参考文献
第2章 SAR图像相干斑抑制
2.1 SAR成像原理及斑点噪声特性
2.1.1 SAR成像原理
2.1.2 相干斑噪声的产生机理
2.1.3 斑点噪声模型和统计特性
2.2 传统SAR图像滤波方法
2.2.1 统计类滤波
2.2.2 小波域滤波
2.3 基于相关邻域模型的SAR图像滤波
2.3.1 基于Gamma分布的MAP滤波
2.3.2 邻域结构模型
2.3.3 邻域结构中雷达反射强度的MAP估计
2.3.4 基于非线性迭代的RCS重构
2.3.5 基于相关邻域模型的SAR图像滤波结果
2.4 基于Jeffrey先验概率的贝叶斯估计小波去噪
2.4.1 小波收缩去噪原理
2.4.2 贝叶斯判决准则
2.4.3 小波系数的先验概率密度函数P(X)
2.4.4 信号的估计
2.4.5 去噪结果
2.5 基于复小波的图像去噪
2.5.1 复小波变换
2.5.2 复小波域贝叶斯收缩去噪算法
2.5.3 结合边缘信息的复小波去噪算法
2.5.4 基于DRFB、CEIB的SAR图像斑点噪声去除
2.5.5 小结
2.6 基于复小波邻域隐马尔可夫模型的图像去噪
2.6.1 邻域隐马尔可夫模型
2.6.2 复小波邻域隐马尔可夫模型
2.6.3 基于CW-LCHMM模型的SAR图像去噪
2.7 基于Contourlet域CHMM的SAR图像相干斑抑制
2.7.1 引言
2.7.2 SAR图像的Contourlet域统计特性
2.7.3 基于Contourlet域CHMM的SAR图像相干斑抑制
2.8 基于非下采样Contourlet变换的SAR图像相干斑抑制
2.8.1 引言
2.8.2 非下采样Contourlet变换及其SAR图像的统计特性
2.8.3 统计先验指导的NSCT域SAR图像相干斑抑制
2.9 基于脊波域最小熵准则SAR图像相干斑抑制
2.9.1 连续脊波变换
2.9.2 离散脊波变换
2.9.3 最小熵原理
2.9.4 脊波系数的统计特性
2.9.5 基于最小熵准则的脊波域信号估计
2.9.6 算法实现过程
2.9.7 实验与结果分析
2.10 本章小结
参考文献
第3章 SAR图像目标检测与变化检测
3.1 引言
3.1.1 SAR图像目标特征
3.1.2 经典特征检测方法
3.2 SAR图像中桥梁目标检测和自动分割
3.2.1 SAR图像的预处理
3.2.2 图像的二值化及边缘模板点处理
3.3 SAR图像中港口目标检测和自动分割
3.3.1 河流主轮廓的检测
3.3.2 港口目标的分割
3.4 基于脊波变换的曲线特征检测
3.4.1 引言
3.4.2 离散脊波变换
3.4.3 基于脊波的自适应曲线特征检测
3.4.4 实验与结果分析
3.5 基于广义高斯混合模型的SAR图像变化检测
3.5.1 引言
3.5.2 SAR图像变化检测的研究意义
3.5.3 SAR图像变化检测的主要方法
3.5.4 基于广义高斯混合模型的统计SAR图像变化检测
3.5.5 实验结果与分析
参考文献
第4章 SAR图像融合
4.1 融合规则及融合算子
4.1.1 简单融合规则
4.1.2 基于区域特性量测的融合规则
4.2 融合效果评价指标
4.3 经典的图像融合方法
4.3.1 线性加权法
4.3.2 高通滤波法
4.3.3 PCA变换融合法
4.3.4 基于IHS变换的遥感图像融合
4.3.5 多分辨塔式融合算法
4.3.6 小波变换实现图像融合
4.3.7 多种算法结合形成的融合算法
4.4 基于概率模型的多传感器图像融合
4.4.1 引言
4.4.2 图像模型的建立
4.4.3 模型参数β,α及〓的计算
4.4.4 实验结果及分析
4.5 脊波变换在图像融合中的应用
4.5.1 引言
4.5.2 基于有限Radon变换的二维离散脊波变换
4.5.3 基于脊波变换的图像融合
4.5.4 融合结果及分析
4.6 基于Contourlet变换的图像融合
4.6.1 图像的Contourlet分解
4.6.2 非下采样Contourlet变换
4.6.3 基于非下采样Contourlet变换的图像融合
4.7 基于Wedgelet和平稳小波的图像融合
4.7.1 Wedgelet变换
4.7.2 基于Wedgelet和平稳小波的融合方法
4.7.3 融合结果及分析
参考文献
第5章 复杂图像压缩
5.1 常用的图像编码方法
5.1.1 哈夫曼编码
5.1.2 香农-弗诺编码
5.1.3 游程编码
5.1.4 JPEG编解码技术
5.1.5 常用嵌人式图像压缩算法
5.2 压缩算法评价标准
5.3 基于自适应方向提升变换的图像压缩方法
5.3.1 自适应方向提升变换的性质
5.3.2 自适应方向提升变换结构分析
5.3.3 实验结果与分析
5.4 Bandelet变换在SAR图像压缩中的应用
5.4.1 Bandelet与小波的对比分析
5.4.2 快速离散的Bandelet变换
5.4.3 基于Bandelet变换的图像压缩算法
5.4.4 实验及结果分析
5.5 三维多光谱遥感图像压缩
5.5.1 发展概况
5.5.2 基于Karhunen-Loeve和小波变换的多光谱图像三维集合嵌入零块编码压缩算法
5.5.3 多光谱图像三维小波变换编码
5.5.4 多光谱图像完全可逆三维小波变换编码
5.5.5 多光谱图像任意形状ROI编码
参考文献
第6章 SAR图像分割
6.1 概述
6.1.1 图像分割的定义
6.1.2 图像分割方法简介
6.2 基于纹理信息的图像分割
6.2.1 纹理分析
6.2.2 基于复小波的统计纹理特征及分割
6.3 谱聚类及其改进算法在SAR图像分割中的应用
6.3.1 引言
6.3.2 谱聚类的研究现状
6.3.3 基于初始化独立的多参数核谱聚类的SAR图像分割
6.3.4 基于分水岭-谱聚类的图像分割
6.3.5 基于谱聚类集成的SAR图像分割
6.4 基于视觉信息的SAR图像分割
6.4.1 研究动机
6.4.2 基于各向异性期望转移的自适应分割
6.4.3 基于改进的Canny边缘检测
6.4.4 基于视觉信息的图像分割算法
6.4.5 实验及结果分析
6.5 基于似然差函数的SAR图像分割
6.5.1 似然差函数的定义
6.5.2 算法实现
6.5.3 实验结果与分析
参考文献
第7章 基于马尔可夫统计模型的SAR图像分割
7.1 引言
7.2 基于多尺度马尔可夫随机场的贝叶斯图像分割
7.2.1 马尔可夫随机场模型
7.2.2 基于MSMRF模型的图像分割
7.2.3 基于不完全分层MRF模型的图像分割
7.3 基于变换域隐马尔可夫模型的多尺度图像分割
7.3.1 隐马尔可夫模型
7.3.2 基于小波域HMT模型的非监督图像分割
7.3.3 基于Contourlet域HMT模型的多尺度图像分割
参考文献
第8章 SAR图像分类与目标识别
8.1 引言
8.2 支撑矢量机
8.2.1 核函数特征空间
8.2.2 模式识别支撑矢量机
8.2.3 回归支撑矢量机
8.3 基于免疫克隆特征选择的SAR图像分类
8.3.1 免疫克隆算法
8.3.2 基于免疫克隆算法的特征选择
8.3.3 基于免疫克隆特征选择的SAR图像分类
8.4 基于商空间粒度计算的SAR图像分类
8.4.1 商空间粒度理论
8.4.2 基于商空间粒度合成的SAR图像分类
8.4.3 实验及结果分析
8.5 基于进化神经网络的雷达目标识别
8.5.1 雷达目标一维距离像特性分析
8.5.2 进化神经网络分类
8.5.3 基于进化神经网络的雷达目标一维距离像识别
8.6 基于自适应子波神经网络的雷达目标识别
8.6.1 自适应子波神经网络基本模型及其算法
8.6.2 自适应子波神经网络分类器的机理分析
8.6.3 进化自适应子波神经网络
8.6.4 基于模糊子集的进化子波神经网络
8.6.5 实验及结果分析
8.7 基于子波核函数网络的雷达目标识别
8.7.1 研究动机
8.7.2 子波核函数
8.7.3 子波核函数网络模型
8.7.4 子波核函数网络学习算法
8.7.5 实验及结果分析
8.8 基于谱协同网络的雷达目标识别
8.8.1 基于谱的协同学习算法
8.8.2 算法复杂度分析
8.8.3 实验结果和分析
8.9 基于特征选择SVMs集成的雷达目标识别
8.9.1 基于特征选择SVMs集成系统的构造
8.9.2 集成系统中个体SVM的评价
8.9.3 免疫克隆算法在SVMs集成系统特征选择中的应用
8.9.4 基于特征选择SVMs集成的雷达目标识别
8.10 基于免疫克隆算法的选择性SVMs集成
8.10.1 选择性集成学习的研究动机
8.10.2 集成系统中个体SVMs的构造
8.10.3 基于免疫克隆算法的SVMs选择性集成
8.10.4 基于选择性SVMs集成的SAR目标识别
8.11 基于SVM的SAR遮挡目标识别
8.11.1 SAR遮挡目标的模拟
8.11.2 基于SVM的SAR图像遮挡目标识别
8.11.3 实验与结果分析
参考文献
附录1 逆Gamma分布和Dirichlet分布的概率密度函数
附录2 中英文对照表
前言
第1章 绪论
1.1 研究背景及意义
1.2 SAR图像理解的研究现状
1.3 SAR图像处理与理解的研究内容及进展
1.3.1 相干斑抑制
1.3.2 SAR图像特殊目标检测
1.3.3 特征提取与选择
1.3.4 图像融合
1.3.5 图像分割
1.3.6 SAR图像分类
1.3.7 SAR图像目标识别
1.3.8 SAR图像及多光谱图像压缩
1.4 几点思考
参考文献
第2章 SAR图像相干斑抑制
2.1 SAR成像原理及斑点噪声特性
2.1.1 SAR成像原理
2.1.2 相干斑噪声的产生机理
2.1.3 斑点噪声模型和统计特性
2.2 传统SAR图像滤波方法
2.2.1 统计类滤波
2.2.2 小波域滤波
2.3 基于相关邻域模型的SAR图像滤波
2.3.1 基于Gamma分布的MAP滤波
2.3.2 邻域结构模型
2.3.3 邻域结构中雷达反射强度的MAP估计
2.3.4 基于非线性迭代的RCS重构
2.3.5 基于相关邻域模型的SAR图像滤波结果
2.4 基于Jeffrey先验概率的贝叶斯估计小波去噪
2.4.1 小波收缩去噪原理
2.4.2 贝叶斯判决准则
2.4.3 小波系数的先验概率密度函数P(X)
2.4.4 信号的估计
2.4.5 去噪结果
2.5 基于复小波的图像去噪
2.5.1 复小波变换
2.5.2 复小波域贝叶斯收缩去噪算法
2.5.3 结合边缘信息的复小波去噪算法
2.5.4 基于DRFB、CEIB的SAR图像斑点噪声去除
2.5.5 小结
2.6 基于复小波邻域隐马尔可夫模型的图像去噪
2.6.1 邻域隐马尔可夫模型
2.6.2 复小波邻域隐马尔可夫模型
2.6.3 基于CW-LCHMM模型的SAR图像去噪
2.7 基于Contourlet域CHMM的SAR图像相干斑抑制
2.7.1 引言
2.7.2 SAR图像的Contourlet域统计特性
2.7.3 基于Contourlet域CHMM的SAR图像相干斑抑制
2.8 基于非下采样Contourlet变换的SAR图像相干斑抑制
2.8.1 引言
2.8.2 非下采样Contourlet变换及其SAR图像的统计特性
2.8.3 统计先验指导的NSCT域SAR图像相干斑抑制
2.9 基于脊波域最小熵准则SAR图像相干斑抑制
2.9.1 连续脊波变换
2.9.2 离散脊波变换
2.9.3 最小熵原理
2.9.4 脊波系数的统计特性
2.9.5 基于最小熵准则的脊波域信号估计
2.9.6 算法实现过程
2.9.7 实验与结果分析
2.10 本章小结
参考文献
第3章 SAR图像目标检测与变化检测
3.1 引言
3.1.1 SAR图像目标特征
3.1.2 经典特征检测方法
3.2 SAR图像中桥梁目标检测和自动分割
3.2.1 SAR图像的预处理
3.2.2 图像的二值化及边缘模板点处理
3.3 SAR图像中港口目标检测和自动分割
3.3.1 河流主轮廓的检测
3.3.2 港口目标的分割
3.4 基于脊波变换的曲线特征检测
3.4.1 引言
3.4.2 离散脊波变换
3.4.3 基于脊波的自适应曲线特征检测
3.4.4 实验与结果分析
3.5 基于广义高斯混合模型的SAR图像变化检测
3.5.1 引言
3.5.2 SAR图像变化检测的研究意义
3.5.3 SAR图像变化检测的主要方法
3.5.4 基于广义高斯混合模型的统计SAR图像变化检测
3.5.5 实验结果与分析
参考文献
第4章 SAR图像融合
4.1 融合规则及融合算子
4.1.1 简单融合规则
4.1.2 基于区域特性量测的融合规则
4.2 融合效果评价指标
4.3 经典的图像融合方法
4.3.1 线性加权法
4.3.2 高通滤波法
4.3.3 PCA变换融合法
4.3.4 基于IHS变换的遥感图像融合
4.3.5 多分辨塔式融合算法
4.3.6 小波变换实现图像融合
4.3.7 多种算法结合形成的融合算法
4.4 基于概率模型的多传感器图像融合
4.4.1 引言
4.4.2 图像模型的建立
4.4.3 模型参数β,α及〓的计算
4.4.4 实验结果及分析
4.5 脊波变换在图像融合中的应用
4.5.1 引言
4.5.2 基于有限Radon变换的二维离散脊波变换
4.5.3 基于脊波变换的图像融合
4.5.4 融合结果及分析
4.6 基于Contourlet变换的图像融合
4.6.1 图像的Contourlet分解
4.6.2 非下采样Contourlet变换
4.6.3 基于非下采样Contourlet变换的图像融合
4.7 基于Wedgelet和平稳小波的图像融合
4.7.1 Wedgelet变换
4.7.2 基于Wedgelet和平稳小波的融合方法
4.7.3 融合结果及分析
参考文献
第5章 复杂图像压缩
5.1 常用的图像编码方法
5.1.1 哈夫曼编码
5.1.2 香农-弗诺编码
5.1.3 游程编码
5.1.4 JPEG编解码技术
5.1.5 常用嵌人式图像压缩算法
5.2 压缩算法评价标准
5.3 基于自适应方向提升变换的图像压缩方法
5.3.1 自适应方向提升变换的性质
5.3.2 自适应方向提升变换结构分析
5.3.3 实验结果与分析
5.4 Bandelet变换在SAR图像压缩中的应用
5.4.1 Bandelet与小波的对比分析
5.4.2 快速离散的Bandelet变换
5.4.3 基于Bandelet变换的图像压缩算法
5.4.4 实验及结果分析
5.5 三维多光谱遥感图像压缩
5.5.1 发展概况
5.5.2 基于Karhunen-Loeve和小波变换的多光谱图像三维集合嵌入零块编码压缩算法
5.5.3 多光谱图像三维小波变换编码
5.5.4 多光谱图像完全可逆三维小波变换编码
5.5.5 多光谱图像任意形状ROI编码
参考文献
第6章 SAR图像分割
6.1 概述
6.1.1 图像分割的定义
6.1.2 图像分割方法简介
6.2 基于纹理信息的图像分割
6.2.1 纹理分析
6.2.2 基于复小波的统计纹理特征及分割
6.3 谱聚类及其改进算法在SAR图像分割中的应用
6.3.1 引言
6.3.2 谱聚类的研究现状
6.3.3 基于初始化独立的多参数核谱聚类的SAR图像分割
6.3.4 基于分水岭-谱聚类的图像分割
6.3.5 基于谱聚类集成的SAR图像分割
6.4 基于视觉信息的SAR图像分割
6.4.1 研究动机
6.4.2 基于各向异性期望转移的自适应分割
6.4.3 基于改进的Canny边缘检测
6.4.4 基于视觉信息的图像分割算法
6.4.5 实验及结果分析
6.5 基于似然差函数的SAR图像分割
6.5.1 似然差函数的定义
6.5.2 算法实现
6.5.3 实验结果与分析
参考文献
第7章 基于马尔可夫统计模型的SAR图像分割
7.1 引言
7.2 基于多尺度马尔可夫随机场的贝叶斯图像分割
7.2.1 马尔可夫随机场模型
7.2.2 基于MSMRF模型的图像分割
7.2.3 基于不完全分层MRF模型的图像分割
7.3 基于变换域隐马尔可夫模型的多尺度图像分割
7.3.1 隐马尔可夫模型
7.3.2 基于小波域HMT模型的非监督图像分割
7.3.3 基于Contourlet域HMT模型的多尺度图像分割
参考文献
第8章 SAR图像分类与目标识别
8.1 引言
8.2 支撑矢量机
8.2.1 核函数特征空间
8.2.2 模式识别支撑矢量机
8.2.3 回归支撑矢量机
8.3 基于免疫克隆特征选择的SAR图像分类
8.3.1 免疫克隆算法
8.3.2 基于免疫克隆算法的特征选择
8.3.3 基于免疫克隆特征选择的SAR图像分类
8.4 基于商空间粒度计算的SAR图像分类
8.4.1 商空间粒度理论
8.4.2 基于商空间粒度合成的SAR图像分类
8.4.3 实验及结果分析
8.5 基于进化神经网络的雷达目标识别
8.5.1 雷达目标一维距离像特性分析
8.5.2 进化神经网络分类
8.5.3 基于进化神经网络的雷达目标一维距离像识别
8.6 基于自适应子波神经网络的雷达目标识别
8.6.1 自适应子波神经网络基本模型及其算法
8.6.2 自适应子波神经网络分类器的机理分析
8.6.3 进化自适应子波神经网络
8.6.4 基于模糊子集的进化子波神经网络
8.6.5 实验及结果分析
8.7 基于子波核函数网络的雷达目标识别
8.7.1 研究动机
8.7.2 子波核函数
8.7.3 子波核函数网络模型
8.7.4 子波核函数网络学习算法
8.7.5 实验及结果分析
8.8 基于谱协同网络的雷达目标识别
8.8.1 基于谱的协同学习算法
8.8.2 算法复杂度分析
8.8.3 实验结果和分析
8.9 基于特征选择SVMs集成的雷达目标识别
8.9.1 基于特征选择SVMs集成系统的构造
8.9.2 集成系统中个体SVM的评价
8.9.3 免疫克隆算法在SVMs集成系统特征选择中的应用
8.9.4 基于特征选择SVMs集成的雷达目标识别
8.10 基于免疫克隆算法的选择性SVMs集成
8.10.1 选择性集成学习的研究动机
8.10.2 集成系统中个体SVMs的构造
8.10.3 基于免疫克隆算法的SVMs选择性集成
8.10.4 基于选择性SVMs集成的SAR目标识别
8.11 基于SVM的SAR遮挡目标识别
8.11.1 SAR遮挡目标的模拟
8.11.2 基于SVM的SAR图像遮挡目标识别
8.11.3 实验与结果分析
参考文献
附录1 逆Gamma分布和Dirichlet分布的概率密度函数
附录2 中英文对照表
Intelligent SAR image processing and interpretation
光盘服务联系方式: 020-38250260 客服QQ:4006604884
云图客服:
用户发送的提问,这种方式就需要有位在线客服来回答用户的问题,这种 就属于对话式的,问题是这种提问是否需要用户登录才能提问
Video Player
×
Audio Player
×
pdf Player
×