| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 研究背景及意义 | 第9-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-16页 |
| 1.2.1 SAR目标识别 | 第12-14页 |
| 1.2.2 稀疏表示理论 | 第14-16页 |
| 1.2.2.1 字典学习 | 第14-15页 |
| 1.2.2.2 稀疏求解 | 第15-16页 |
| 1.3 本文的主要研究内容及技术路线 | 第16-17页 |
| 1.3.1 主要研究内容 | 第16-17页 |
| 1.3.2 技术路线 | 第17页 |
| 1.4 本文的结构安排 | 第17-19页 |
| 第二章 稀疏表示的基础理论 | 第19-44页 |
| 2.1 概述 | 第19页 |
| 2.2 稀疏表示的数学模型 | 第19-22页 |
| 2.2.1 稀疏性度量 | 第20-21页 |
| 2.2.2 数学模型 | 第21-22页 |
| 2.3 稀疏求解方法 | 第22-31页 |
| 2.3.1 贪婪算法 | 第22-28页 |
| 2.3.1.1 MP算法 | 第22-24页 |
| 2.3.1.2 OMP算法 | 第24-28页 |
| 2.3.2 凸松弛优化算法 | 第28-31页 |
| 2.3.2.1 BP算法 | 第28-29页 |
| 2.3.2.2 IPM算法 | 第29-31页 |
| 2.4 字典的构建方法 | 第31-38页 |
| 2.4.1 固定字典 | 第32-34页 |
| 2.4.1.1 正交字典 | 第32-33页 |
| 2.4.1.2 几何多尺度分析 | 第33-34页 |
| 2.4.1.3 非对称原子构造 | 第34页 |
| 2.4.2 字典学习 | 第34-38页 |
| 2.4.2.1 MOD算法 | 第34-35页 |
| 2.4.2.2 K-SVD算法 | 第35-37页 |
| 2.4.2.3 Metaface字典学习 | 第37-38页 |
| 2.5 稀疏表示在图像压缩的应用 | 第38-43页 |
| 2.6 本章小结 | 第43-44页 |
| 第三章 基于稀疏表示的目标识别方法 | 第44-53页 |
| 3.1 概述 | 第44页 |
| 3.2 经典的稀疏分类方法 | 第44-51页 |
| 3.2.1 基于SRC的目标识别 | 第44-45页 |
| 3.2.2 基于KSVD的目标识别 | 第45-46页 |
| 3.2.3 基于D-KSVD的目标识别 | 第46-47页 |
| 3.2.4 基于Fisher判别字典学习的目标识别 | 第47-51页 |
| 3.3 改进的Fisher判别字典学习目标识别方法 | 第51-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 基于MSTAR数据库的SAR目标识别 | 第53-74页 |
| 4.1 MSTAR数据库简介 | 第53-55页 |
| 4.2 系统设计及处理流程 | 第55-73页 |
| 4.2.1 SAR图像预处理 | 第56-69页 |
| 4.2.1.1 SAR图像噪声抑制 | 第56-61页 |
| 4.2.1.2 SAR目标检测 | 第61-69页 |
| 4.2.2 字典构建及分类决策 | 第69-70页 |
| 4.2.3 实验结果与分析 | 第70-73页 |
| 4.3 本章小结 | 第73-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 5.1 研究工作及总结 | 第74-75页 |
| 5.1.1 工作总结 | 第74页 |
| 5.1.2 创新点及贡献 | 第74-75页 |
| 5.2 工作展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士学位期间取得的成果 | 第83-84页 |