SAR圖像處理的關(guān)鍵技術(shù)

第1章 緒論 1
1.1 研究背景及意義 1
1.2 SAR圖像處理國內(nèi)外研究現(xiàn)狀 2
1.2.1 SAR圖像相干斑噪聲抑制 2
1.2.2 SAR圖像增強(qiáng) 3
1.2.3 SAR圖像融合 4
1.2.4 SAR圖像邊緣檢測 4
1.2.5 SAR圖像分割 5
1.2.6 SAR圖像目標(biāo)檢測 6
1.2.7 SAR圖像目標(biāo)識別 7
參考文獻(xiàn) 7
第2章 SAR圖像特性及其相干斑噪聲特性 11
2.1 SAR圖像成像原理和特點 11
2.1.1 SAR成像方式 11
2.1.2 SAR圖像成像特點 13
2.2 SAR圖像特性 14
2.2.1 SAR圖像空間分辨特性 14
2.2.2 SAR圖像輻射特性 15
2.2.3 SAR圖像極化特性 16
2.2.4 SAR圖像幾何特性 17
2.2.5 SAR圖像噪聲特性 19
2.2.6 SAR圖像目標(biāo)特性 19
2.3 相干斑噪聲的產(chǎn)生機(jī)理和仿真模型 20
2.3.1 相干斑噪聲的產(chǎn)生機(jī)理 20
2.3.2 相干斑的數(shù)學(xué)仿真模型[4,5,6] 21
2.4 相干斑噪聲的統(tǒng)計特性和模型 23
2.4.1 單極化情況下相干斑噪聲的統(tǒng)計特性[8,9] 24
2.4.2 多極化情況下相干斑噪聲的統(tǒng)計特性[3,9] 25
2.4.3 Pearson系統(tǒng) 27
2.4.4 SAR圖像后向散射強(qiáng)度模型[12] 30
2.4.5 系統(tǒng)熱噪聲的影響 33
參考文獻(xiàn) 33
第3章 SAR圖像噪聲抑制和增強(qiáng) 35
3.1 去噪方法的性能評價標(biāo)準(zhǔn) 35
3.2 空間域噪聲抑制方法 36
3.2.1 均值濾波 36
3.2.2 中值濾波 37
3.2.3 Sigma濾波 37
3.2.4 Lee濾波及其增強(qiáng)型算法 37
3.2.5 Kuan濾波及其增強(qiáng)型算法 39
3.2.6 Frost濾波及其增強(qiáng)型算法 39
3.2.7 Gamma MAP濾波 40
3.2.8 自適應(yīng)窗口的Kuan濾波 41
3.2.9 仿真實驗與分析 43
3.3 小波域噪聲抑制方法 47
3.3.1 小波變換和多分辨分析 47
3.3.2 小波硬、軟閾值濾波 52
3.3.3 基于小波系數(shù)統(tǒng)計特性的閾值濾波 53
3.3.4 基于雙樹復(fù)數(shù)小波變換的SAR圖像濾波 55
3.3.5 實驗結(jié)果與分析 59
3.4 結(jié)合Curvelet和Wavelet變換的SAR圖像去噪 62
3.4.1 平穩(wěn)小波變換 62
3.4.2 Curvelet變換 63
3.4.3 基于Curvelet變換和Wavelet變換的圖像抑噪 66
3.4.4 實驗結(jié)果與分析 67
3.5 基于平穩(wěn)樹狀小波變換和貝葉斯估計的SAR圖像噪聲抑制 70
3.5.1 平穩(wěn)樹狀小波變換 70
3.5.2 貝葉斯小波估計 72
3.5.3 比值邊緣檢測算子 73
3.5.4 仿真結(jié)果 74
3.6 基于稀疏表示和字典學(xué)習(xí)的SAR圖像去噪 75
3.6.1 基于MCA的稀疏表示和分解 75
3.6.2 基于K-SVD算法的字典學(xué)習(xí) 77
3.6.3 基于稀疏表示和字典學(xué)習(xí)的SAR圖像去噪 79
3.6.4 實驗結(jié)果與分析 80
3.7 多波段多極化SAR圖像信息壓縮與濾波算法 84
3.7.1 極化原理和經(jīng)典多極化SAR濾波方法 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的多頻率多極化SAR圖像濾波 89
3.7.5 實驗結(jié)果與分析 90
3.8 基于ME-curvelet變換和PSO的自適應(yīng)SAR圖像增強(qiáng) 93
3.8.1 ME-Curvelet變換 93
3.8.2 改進(jìn)的增益函數(shù) 94
3.8.3 基于改進(jìn)的PSO算法的參數(shù)優(yōu)化 96
3.8.4 基于ME-Curvelet和PSO算法的SAR圖像自適應(yīng)增強(qiáng) 99
3.8.5 實驗結(jié)果與分析 100
參考文獻(xiàn) 107
第4章 SAR圖像與光譜圖像的融合 111
4.1 經(jīng)典的融合效果評價準(zhǔn)則 111
4.1.1 基于信息量的評價 112
4.1.2 基于統(tǒng)計特性的評價 113
4.1.3 基于相關(guān)性的評價 114
4.1.4 基于梯度值的評價 114
4.2 多傳感器圖像融合主要方法 114
4.2.1 基于不同彩色空間的融合方法 115
4.2.2 數(shù)學(xué)合成技術(shù)的融合方法 120
4.2.3 多分辨率融合方法 122
4.2.4 基于統(tǒng)計理論的圖像融合方法 129
4.3 基于保真小波圖像融合方法 131
4.3.1 融合準(zhǔn)則選取 132
4.3.2 保真小波融合方法（HFWT） 135
4.3.3 實驗結(jié)果與分析 137
4.4 基于多小波變換的圖像融合方法 138
4.4.1 連續(xù)多小波變換 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 多小波的分解與重構(gòu) 141
4.4.5 基于離散多小波變換的圖像融合方法 142
4.4.6 實驗結(jié)果與分析 143
4.5 基于小波包變換的圖像融合 145
4.5.1 小波包變換 145
4.5.2 基于區(qū)域能量的融合規(guī)則 148
4.5.3 基于小波包方向自適應(yīng)（WPT-SAO）的融合方法 150
4.5.4 實驗結(jié)果與分析 150
4.6 基于區(qū)域統(tǒng)計特征的特征級圖像融合 153
4.6.1 特征級圖像融合原理 153
4.6.2 SAR圖像分割 154
4.6.3 光學(xué)圖像的邊緣提取 156
4.6.4 基于區(qū)域長軸線的融合特征提取 157
4.6.5 實驗結(jié)果與分析 157
參考文獻(xiàn) 159
第5章 SAR圖像邊緣檢測 163
5.1 經(jīng)典的多尺度邊緣檢測方法 163
5.1.1 Marr – Hildreth算子 163
5.1.2 Canny算子 164
5.1.3 Canny算子的幾種改進(jìn) 165
5.2 基于小波的多尺度邊緣檢測 169
5.2.1 傳統(tǒng)的小波邊緣檢測方法 169
5.2.2 小波域尺度自適應(yīng)的邊緣檢測 170
5.3 基于多尺度幾何分析的邊緣檢測 183
5.3.1 基于Wedgelet的邊緣檢測 183
5.3.2 基于Beamlet的邊緣檢測 187
5.3.3 實驗結(jié)果與分析 198
5.4 多尺度邊緣檢測技術(shù)在SAR圖像上的應(yīng)用 200
5.4.1 SAR圖像的恒虛警邊緣檢測方法 201
5.4.2 多尺度方法在SAR圖像邊緣檢測中的應(yīng)用 202
5.5 基于自適應(yīng)免疫遺傳算法的SAR圖像邊緣檢測 204
5.5.1 自適應(yīng)免疫遺傳算法（AIGA） 205
5.5.2 基于AIGA的SAR圖像邊緣檢測 209
參考文獻(xiàn) 218
第6章 SAR圖像分割 221
6.1 圖像分割概述 221
6.1.1 圖像分割的定義 221
6.1.2 圖像分割應(yīng)用及評價[1] 221
6.2 基于馬爾可夫隨機(jī)場的SAR圖像分割 222
6.2.1 馬爾可夫隨機(jī)場（MRF） 222
6.2.2 MRF在圖像分割中的應(yīng)用 227
6.2.3 基于簡化馬爾可夫隨機(jī)場（SMRF）模型的SAR圖像快速分割算法 232
6.2.4 基于多紋理特征SMRF的SAR圖像分割 240
6.2.5 基于耦合馬爾可夫隨機(jī)場（CMRF）模型的紋理圖像分割方法 256
6.3 基于模糊神經(jīng)網(wǎng)絡(luò)的SAR圖像分割 266
6.3.1 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 266
6.3.2 模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 267
6.3.3 模糊神經(jīng)網(wǎng)絡(luò)初始參數(shù)的選擇 268
6.3.4 具體分割步驟 268
6.3.5 分割結(jié)果 269
6.4 基于Gaussian-Hermite矩的SAR圖像分割 269
6.4.1 引言 269
6.4.2 Gaussian-Hermite矩的定義 270
6.4.3 Gaussian-Hermite矩的性質(zhì) 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圖像分割 280
6.4.6 實驗結(jié)果與分析 281
6.5 基于Dirichlet過程混合模型的SAR圖像分割方法 286
6.5.1 基于貝葉斯統(tǒng)計推理的非參數(shù)估計 287
6.5.2 Dirichlet過程混合模型（DPMM） 289
6.5.3 基于DPMM的聚類方法 293
6.5.4 基于DPMM的SAR圖像分割 296
6.5.5 基于多尺度DPMM的SAR圖像分割 305
參考文獻(xiàn) 311
第7章 SAR圖像目標(biāo)檢測和識別 315
7.1 基于快速Beamlet變換的SAR圖像橋梁檢測 315
7.1.1 快速Beamlet變換 315
7.1.2 基于快速Beamlet變換的SAR圖像橋梁檢測 317
7.1.3 實驗結(jié)果與分析 323
7.2 基于圖像高維奇異性分析的SAR圖像帶狀目標(biāo)檢測 325
7.2.1 基于線奇異性分析的帶狀目標(biāo)檢測 325
7.2.2 二維基Beamlet變換 328
7.2.3 基于二維基Beamlet變換的SAR圖像帶狀目標(biāo)檢測 332
7.3 SAR圖像環(huán)境因子的檢測 340
7.3.1 水域檢測 340
7.3.2 耕地和果園檢測 341
7.3.3 林地檢測 342
7.3.4 居民地檢測 343
7.3.5 梯田檢測 345
7.3.6 淤地壩檢測 346
7.4 SAR圖像兩個典型小流域環(huán)境因子專題分析 347
7.4.1 Flevoland地區(qū)環(huán)境因子分析 347
7.4.2 合陽地區(qū)環(huán)境因子分析 349
7.5 基于KSVD和PCA的SAR圖像目標(biāo)特征提取和識別 352
7.5.1 KSVD方法 352
7.5.3 基于KSVD和PCA的特征提取方法 355
7.5.4 基于KSVD和PCA的SAR圖像識別 356
7.6 基于LPSO訓(xùn)練算法的模糊多類SVM的SAR圖像目標(biāo)識別 357
7.6.1 引言 357
7.6.2 模糊多類SVM 358
7.6.3 線性LPSO算法（LPSO） 360
7.6.4 用于模糊多類SVM訓(xùn)練的ILPSO算法 361
7.6.5 基于LPSO訓(xùn)練算法的模糊多類SVM的SAR目標(biāo)識別 362
參考文獻(xiàn) 363