基于特征的光學(xué)與SAR遙感圖像配準(zhǔn)

序
前言
第1章 緒論
1．1 研究背景及意義
1．2 遙感影像配準(zhǔn)的國(guó)內(nèi)外研究現(xiàn)狀
1．2．1 基于灰度的配準(zhǔn)方法
1．2．2 基于特征的配準(zhǔn)方法
1．3 現(xiàn)有問(wèn)題及發(fā)展趨勢(shì)
第2章 遙感圖像配準(zhǔn)基本方法
2．1 圖像配準(zhǔn)的原理
2．1．1 基本原理
2．1．2 常用的幾何變換模型
2．1．3 圖像配準(zhǔn)方法的一般框架
2．2 典型的圖像配準(zhǔn)方法
2．2．1 互信息法
2．2．2 交叉累積剩余熵法
2．2．3 尺度不變特征檢測(cè)與匹配算法（SIFT）
2．3 圖像配準(zhǔn)評(píng)價(jià)準(zhǔn)則
2．3．1 客觀評(píng)價(jià)準(zhǔn)則
2．3．2 主觀評(píng)價(jià)標(biāo)準(zhǔn)
第3章 基于多尺度水平集的遙感圖像分割方法
3．1 水平集方法基本理論
3．2 基于多尺度CV模型的光學(xué)影像分割方法
3．2．1 基于單水平集CV模型的光學(xué)影像分割
3．2．2 基于多水平集模型的光學(xué)影像分割
3．3 基于統(tǒng)計(jì)模型的單水平集SAR影像分割方法
3．3．1 基于Gamma分布的多尺度單水平集分割模型
3．3．2 自適應(yīng)的零水平集初始化方法
3．4 基于統(tǒng)計(jì)模型的非監(jiān)督多層水平集SAR影像分割方法
3．4．1 基于Gamma模型的多層水平集分割模型
3．4．2 自適應(yīng)的多水平層策略
3．5 實(shí)驗(yàn)結(jié)果及分析
3．5．1 單水平集SAR影像分割
3．5．2 多層水平集SAR影像分割
3．5．3 多尺度水平集模型的光學(xué)影像分割
第4章 顧及馬爾可夫隨機(jī)場(chǎng)的線特征提取方法
4．1 遙感圖像邊緣檢測(cè)研究現(xiàn)狀及問(wèn)題
4．1．1 SAR影像邊緣特性
4．1．2 現(xiàn)有的邊緣檢測(cè)方法
4．1．3 閾值選擇方法研究
4．1．4 實(shí)驗(yàn)與分析
4．2 基于貝葉斯決策和馬爾可夫隨機(jī)場(chǎng)的線特征優(yōu)化
4．2．1 馬爾可夫隨機(jī)場(chǎng)理論
4．2．2 線特征優(yōu)化的雙層馬爾可夫場(chǎng)模型
4．2．3 基于最小錯(cuò)誤率的貝葉斯決策的線特征優(yōu)化
4．2．4 后驗(yàn)?zāi)芰孔钚』膬?yōu)化搜索算法
4．2．5 線檢測(cè)響應(yīng)與方向的更新
4．2．6 實(shí)驗(yàn)與分析
4．3 基于隨機(jī)Hou曲變換的直線目標(biāo)提取
4．3．1 霍夫變換
4．3．2 隨機(jī)霍夫變換原理
4．3．3 利用直線方向信息的隨機(jī)霍夫變換
4．3．4 隨機(jī)霍夫變換在直線提取中的實(shí)驗(yàn)與分析
第5章 逐步求精策略下的光學(xué)與SAR影像半自動(dòng)配準(zhǔn)方法
5．1 直線特征提取與匹配
5．1．1 直線段提取
5．1．2 直線交點(diǎn)生成
5．1．3 直線段匹配
5．2 基于HOPC-NCC相似測(cè)度的影像精配準(zhǔn)
5．2．1 均勻分布的特征點(diǎn)提取
5．2．2 HOPC-NCC相似測(cè)度
5．3 實(shí)驗(yàn)結(jié)果及分析
5．3．1 實(shí)驗(yàn)數(shù)據(jù)
5．3．2 實(shí)驗(yàn)結(jié)果與分析
第6章 光學(xué)與SAR影像分割與配準(zhǔn)一體化方法
6．1 基于迭代反饋的水平集分割與SIFT配準(zhǔn)方法
6．1．1 改進(jìn)的SIFT算法
6．1．2 自適應(yīng)參數(shù)調(diào)整與迭代策略
6．2 基于全局約束的三角網(wǎng)優(yōu)化配準(zhǔn)方法
6．2．1 基于分割的配準(zhǔn)方法存在的問(wèn)題
6．2．2 三角網(wǎng)優(yōu)化配準(zhǔn)方法
6．3 誤差剔除
6．4 實(shí)驗(yàn)及分析
6．4．1 實(shí)驗(yàn)數(shù)據(jù)
6．4．2 配準(zhǔn)結(jié)果及與其他方法比較
6．4．3 精度分析
第7章 迭代反饋的光學(xué)與SAR影像多尺度線特征自動(dòng)配準(zhǔn)方法
7．1 自適應(yīng)的參數(shù)調(diào)整與迭代策略
7．2 基于VSPM算法的光學(xué)與SAR影像配準(zhǔn)
7．2．1 經(jīng)典的Shapiro和Brady譜圖匹配算法
7．2．2 結(jié)合Voronoi圖的譜圖匹配算法
7．3 基于KNN圖的誤差剔除
7．3．1 同名直線段判斷
7．3．2 基于KNN圖的差異點(diǎn)剔除
7．4 實(shí)驗(yàn)與分析
7．4．1 實(shí)驗(yàn)數(shù)據(jù)
7．4．2 配準(zhǔn)結(jié)果及與其他方法的比較
第8章 基于視覺(jué)顯著特征的快速粗配準(zhǔn)方法
8．1 基于TW-Itti視覺(jué)注意模型的顯著區(qū)域提取
8．1．1 經(jīng)典的Itti視覺(jué)注意模型
8．1．2 TW-Itti視覺(jué)注意模型
8．2 基于顯著區(qū)域特征的影像粗配準(zhǔn)
8．2．1 顯著區(qū)域特征提取
8．2．2 基于形狀曲線的顯著區(qū)域特征配準(zhǔn)
8．3 基于顯著結(jié)構(gòu)特征的影像粗配準(zhǔn)
8．4 實(shí)驗(yàn)結(jié)果與分析
8．4．1 實(shí)驗(yàn)數(shù)據(jù)
8．4．2 顯著模型的比較
8．4．3 基于顯著區(qū)域特征影像粗配準(zhǔn)
8．4．4 基于顯著結(jié)構(gòu)特征的影像粗配準(zhǔn)
參考文獻(xiàn)