SAR图像处理的关键技术2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

SAR图像处理的关键技术PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 研究背景及意义1

1.2 SAR图像处理国内外研究现状2

1.2.1 SAR图像相干斑噪声抑制2

1.2.2 SAR图像增强3

1.2.3 SAR图像融合4

1.2.4 SAR图像边缘检测4

1.2.5 SAR图像分割5

1.2.6 SAR图像目标检测6

1.2.7 SAR图像目标识别7

参考文献7

第2章 SAR图像特性及其相干斑噪声特性11

2.1 SAR图像成像原理和特点11

2.1.1 SAR成像方式11

2.1.2 SAR图像成像特点13

2.2 SAR图像特性14

2.2.1 SAR图像空间分辨特性14

2.2.2 SAR图像辐射特性15

2.2.3 SAR图像极化特性16

2.2.4 SAR图像几何特性17

2.2.5 SAR图像噪声特性19

2.2.6 SAR图像目标特性19

2.3 相干斑噪声的产生机理和仿真模型20

2.3.1 相干斑噪声的产生机理20

2.3.2 相干斑的数学仿真模型[4][5][6]21

2.4 相干斑噪声的统计特性和模型23

2.4.1 单极化情况下相干斑噪声的统计特性[8][9]24

2.4.2 多极化情况下相干斑噪声的统计特性[3][9]25

2.4.3 Pearson系统27

2.4.4 SAR图像后向散射强度模型[12]30

2.4.5 系统热噪声的影响33

参考文献33

第3章 SAR图像噪声抑制和增强35

3.1 去噪方法的性能评价标准35

3.2 空间域噪声抑制方法36

3.2.1 均值滤波36

3.2.2 中值滤波37

3.2.3 Sigma滤波37

3.2.4 Lee滤波及其增强型算法37

3.2.5 Kuan滤波及其增强型算法39

3.2.6 Frost滤波及其增强型算法39

3.2.7 Gamma MAP滤波40

3.2.8 自适应窗口的Kuan滤波41

3.2.9 仿真实验与分析43

3.3 小波域噪声抑制方法47

3.3.1 小波变换和多分辨分析47

3.3.2 小波硬、软阈值滤波52

3.3.3 基于小波系数统计特性的阈值滤波53

3.3.4 基于双树复数小波变换的SAR图像滤波55

3.3.5 实验结果与分析59

3.4 结合Curvelet和Wavelet变换的SAR图像去噪62

3.4.1 平稳小波变换62

3.4.2 Curvelet变换63

3.4.3 基于Curvelet变换和Wavelet变换的图像抑噪66

3.4.4 实验结果与分析67

3.5 基于平稳树状小波变换和贝叶斯估计的SAR图像噪声抑制70

3.5.1 平稳树状小波变换70

3.5.2 贝叶斯小波估计72

3.5.3 比值边缘检测算子73

3.5.4 仿真结果74

3.6 基于稀疏表示和字典学习的SAR图像去噪75

3.6.1 基于MCA的稀疏表示和分解75

3.6.2 基于K-SVD算法的字典学习77

3.6.3 基于稀疏表示和字典学习的SAR图像去噪79

3.6.4 实验结果与分析80

3.7 多波段多极化SAR图像信息压缩与滤波算法84

3.7.1 极化原理和经典多极化SAR滤波方法84

3.7.2 主成分分析（PCA）86

3.7.3 核主成分分析（KPCA）87

3.7.4 基于KPCA的多频率多极化SAR图像滤波89

3.7.5 实验结果与分析90

3.8 基于ME-curvelet变换和PSO的自适应SAR图像增强93

3.8.1 ME-Curvelet变换93

3.8.2 改进的增益函数94

3.8.3 基于改进的PSO算法的参数优化96

3.8.4 基于ME-Curvelet和PSO算法的SAR图像自适应增强99

3.8.5 实验结果与分析100

参考文献107

第4章 SAR图像与光谱图像的融合111

4.1 经典的融合效果评价准则111

4.1.1 基于信息量的评价112

4.1.2 基于统计特性的评价113

4.1.3 基于相关性的评价114

4.1.4 基于梯度值的评价114

4.2 多传感器图像融合主要方法114

4.2.1 基于不同彩色空间的融合方法115

4.2.2 数学合成技术的融合方法120

4.2.3 多分辨率融合方法122

4.2.4 基于统计理论的图像融合方法129

4.3 基于保真小波图像融合方法131

4.3.1 融合准则选取132

4.3.2 保真小波融合方法（HFWT）135

4.3.3 实验结果与分析137

4.4 基于多小波变换的图像融合方法138

4.4.1 连续多小波变换139

4.4.2 多小波的特性139

4.4.3 多元多分辨分析140

4.4.4 多小波的分解与重构141

4.4.5 基于离散多小波变换的图像融合方法142

4.4.6 实验结果与分析143

4.5 基于小波包变换的图像融合145

4.5.1 小波包变换145

4.5.2 基于区域能量的融合规则148

4.5.3 基于小波包方向自适应（WPT-SAO）的融合方法150

4.5.4 实验结果与分析150

4.6 基于区域统计特征的特征级图像融合153

4.6.1 特征级图像融合原理153

4.6.2 SAR图像分割154

4.6.3 光学图像的边缘提取156

4.6.4 基于区域长轴线的融合特征提取157

4.6.5 实验结果与分析157

参考文献159

第5章 SAR图像边缘检测163

5.1 经典的多尺度边缘检测方法163

5.1.1 Marr-Hildreth算子163

5.1.2 Canny算子164

5.1.3 Canny算子的几种改进165

5.2 基于小波的多尺度边缘检测169

5.2.1 传统的小波边缘检测方法169

5.2.2 小波域尺度自适应的边缘检测170

5.3 基于多尺度几何分析的边缘检测183

5.3.1 基于Wedgelet的边缘检测183

5.3.2 基于Beamlet的边缘检测187

5.3.3 实验结果与分析198

5.4 多尺度边缘检测技术在SAR图像上的应用200

5.4.1 SAR图像的恒虚警边缘检测方法201

5.4.2 多尺度方法在SAR图像边缘检测中的应用202

5.5 基于自适应免疫遗传算法的SAR图像边缘检测204

5.5.1 自适应免疫遗传算法（AIGA）205

5.5.2 基于AIGA的SAR图像边缘检测209

参考文献218

第6章 SAR图像分割221

6.1 图像分割概述221

6.1.1 图像分割的定义221

6.1.2 图像分割应用及评价[1]221

6.2 基于马尔可夫随机场的SAR图像分割222

6.2.1 马尔可夫随机场（MRF）222

6.2.2 MRF在图像分割中的应用227

6.2.3 基于简化马尔可夫随机场（SMRF）模型的SAR图像快速分割算法232

6.2.4 基于多纹理特征SMRF的SAR图像分割240

6.2.5 基于耦合马尔可夫随机场（CMRF）模型的纹理图像分割方法256

6.3 基于模糊神经网络的SAR图像分割266

6.3.1 模糊神经网络的结构266

6.3.2 模糊神经网络的学习算法267

6.3.3 模糊神经网络初始参数的选择268

6.3.4 具体分割步骤268

6.3.5 分割结果269

6.4 基于Gaussian-Hermite矩的SAR图像分割269

6.4.1 引言269

6.4.2 Gaussian-Hermite矩的定义270

6.4.3 Gaussian-Hermite矩的性质272

6.4.4 Gaussian-Hermite矩的能量特征278

6.4.5 基于Gaussian-Hermite矩能量的SAR图像分割280

6.4.6 实验结果与分析281

6.5 基于Dirichlet过程混合模型的SAR图像分割方法286

6.5.1 基于贝叶斯统计推理的非参数估计287

6.5.2 Dirichlet过程混合模型（DPMM）289

6.5.3 基于DPMM的聚类方法293

6.5.4 基于DPMM的SAR图像分割296

6.5.5 基于多尺度DPMM的SAR图像分割305

参考文献311

第7章 SAR图像目标检测和识别315

7.1 基于快速Beamlet变换的SAR图像桥梁检测315

7.1.1 快速Beamlet变换315

7.1.2 基于快速Beamlet变换的SAR图像桥梁检测317

7.1.3 实验结果与分析323

7.2 基于图像高维奇异性分析的SAR图像带状目标检测325

7.2.1 基于线奇异性分析的带状目标检测325

7.2.2 二维基Beamlet变换328

7.2.3 基于二维基Beamlet变换的SAR图像带状目标检测332

7.3 SAR图像环境因子的检测340

7.3.1 水域检测340

7.3.2 耕地和果园检测341

7.3.3 林地检测342

7.3.4 居民地检测343

7.3.5 梯田检测345

7.3.6 淤地坝检测346

7.4 SAR图像两个典型小流域环境因子专题分析347

7.4.1 Flevoland地区环境因子分析347

7.4.2 合阳地区环境因子分析349

7.5 基于KSVD和PCA的SAR图像目标特征提取和识别352

7.5.1 KSVD方法352

7.5.2 基于KSVD和PCA的特征提取方法355

7.5.3 基于KSVD和PCA的SAR图像识别356

7.6 基于LPSO训练算法的模糊多类SVM的SAR图像目标识别357

7.6.1 引言357

7.6.2 模糊多类SVM358

7.6.3 线性LPSO算法（LPSO）360

7.6.4 用于模糊多类SVM训练的ILPSO算法361

7.6.5 基于LPSO训练算法的模糊多类SVM的SAR目标识别362

参考文献363

附录366

附录Ⅰ定理5.3 的证明366

附录Ⅱ用子束链来近似任意直线段的算法366