| 摘要 | 第1-5页 |
| Abstract | 第5-13页 |
| 第1章 引言 | 第13-22页 |
| ·研究意义与背景 | 第13-15页 |
| ·相关研究现状 | 第15-18页 |
| ·极化雷达理论和极化 SAR 系统的发展 | 第15-16页 |
| ·极化 SAR 应用的研究现状 | 第16-18页 |
| ·基于视觉认知的机器处理概述 | 第18-20页 |
| ·本文内容及章节安排 | 第20-22页 |
| 第2章 极化 SAR 基本理论 | 第22-41页 |
| ·引言 | 第22页 |
| ·极化基本理论 | 第22-25页 |
| ·电磁波的极化 | 第22-23页 |
| ·目标极化特性的表示 | 第23-25页 |
| ·SAR 图像基本理论 | 第25-32页 |
| ·SAR 系统与成像基本原理 | 第25-29页 |
| ·极化 SAR 测量 | 第29页 |
| ·SAR 图像的几何特点 | 第29-32页 |
| ·合成孔径雷达的干涉测量 | 第32-40页 |
| ·干涉测量基本原理 | 第32-36页 |
| ·极化干涉基本理论 | 第36-40页 |
| ·小结 | 第40-41页 |
| 第3章 单通道 SAR 图像可视化 | 第41-63页 |
| ·引言 | 第41页 |
| ·SAR 数据统计特性 | 第41-43页 |
| ·单视 SAR 图像像素值的统计特性 | 第41-42页 |
| ·多视 SAR 图像像素值的统计特性 | 第42-43页 |
| ·单通道 SAR 图像的可视化现有方法及新框架 | 第43-49页 |
| ·视觉系统的亮度认知和 SAR 图像可视化 | 第43-45页 |
| ·现有的可视化方法 | 第45-48页 |
| ·SAR 图像可视化处理框架 | 第48-49页 |
| ·大范围场景 SAR 图像可视化处理 | 第49-51页 |
| ·分布函数变换 | 第49-50页 |
| ·参数 R 的估计 | 第50-51页 |
| ·实验结果 | 第51页 |
| ·小范围场景 SAR 图像可视化处理 | 第51-62页 |
| ·小范围场景 SAR 图像特性 | 第51-52页 |
| ·负指数变换 | 第52-55页 |
| ·参数 R 的估计 | 第55-56页 |
| ·基于 Mean-shift 算法的参数调整 | 第56-57页 |
| ·算法计算流程 | 第57页 |
| ·实验结果 | 第57-62页 |
| ·小结 | 第62-63页 |
| 第4章 极化 SAR 图像可视化 | 第63-89页 |
| ·引言 | 第63页 |
| ·极化 SAR 图像可视化与数据降维 | 第63-64页 |
| ·基于 Pauli 分解的极化 SAR 图像伪彩色上色 | 第64-67页 |
| ·基于 Pauli 分解上色机理 | 第64-65页 |
| ·实验结果 | 第65-67页 |
| ·基于 span 数据的极化 SAR 图像灰度可视化 | 第67-74页 |
| ·极化相关矩阵的统计特性及 span 的分布 | 第67-72页 |
| ·基于 span 数据的灰度可视化 | 第72-73页 |
| ·实验结果 | 第73-74页 |
| ·基于视觉系统认知的极化 SAR 图像伪彩色上色 | 第74-82页 |
| ·极化特征分解 | 第74-76页 |
| ·极化特征参数与颜色空间 | 第76-79页 |
| ·实验结果 | 第79-82页 |
| ·基于视觉系统认知的极化 SAR 图像灰度可视化 | 第82-88页 |
| ·span 灰度可视化的缺陷 | 第82-83页 |
| ·基于极化特征参数的极化 SAR 数据降维处理 | 第83-87页 |
| ·算法计算流程 | 第87页 |
| ·实验结果 | 第87-88页 |
| ·小结 | 第88-89页 |
| 第5章 极化干涉 SAR 数据的三维可视化 | 第89-111页 |
| ·引言 | 第89页 |
| ·立体视觉与干涉 SAR 数据的三维可视化 | 第89-90页 |
| ·山地区域极化干涉数据的 3-D 可视化 | 第90-95页 |
| ·极化干涉 SAR 的高程信息提取 | 第90页 |
| ·山区 3-D 可视化及实验结果 | 第90-95页 |
| ·平坦城乡地区极化干涉数据的 3-D 可视化 | 第95-101页 |
| ·树木、建筑的成像机理及干涉模型 | 第95-98页 |
| ·基于 ESPRIT 方法的树高和建筑物高度反演 | 第98-99页 |
| ·树木、建筑的 3-D 可视化结果 | 第99-101页 |
| ·基于极化干涉 SAR 数据的森林树木高度反演 | 第101-110页 |
| ·ESPRIT 方法估计的缺陷 | 第101-103页 |
| ·植被极化干涉模型及树高反演三步法 | 第103-105页 |
| ·体相干的估计 | 第105-106页 |
| ·树高反演置信度 | 第106-108页 |
| ·树高反演步骤 | 第108页 |
| ·实验和讨论 | 第108-110页 |
| ·小结 | 第110-111页 |
| 第6章 基于视觉认知的极化 SAR 图像分类 | 第111-123页 |
| ·引言 | 第111页 |
| ·视觉系统分类与机器自动分类 | 第111-113页 |
| ·视觉系统对图像分类的流程 | 第111-112页 |
| ·机器自动分类的处理流程 | 第112-113页 |
| ·基于极化 SAR 数据地物监督分类的传统方法 | 第113-114页 |
| ·极化 SAR 数据 | 第113页 |
| ·基于 Wishart 分布的最大似然分类器 | 第113-114页 |
| ·传统方法的局限 | 第114页 |
| ·结合视觉系统特性和极化信息的监督分类 | 第114-120页 |
| ·SAR 图像中地物的视觉特性 | 第114-115页 |
| ·纹理特征的选择与提取 | 第115-116页 |
| ·二叉树结构监督分类器 | 第116-117页 |
| ·分类器的训练 | 第117页 |
| ·实验结果 | 第117-120页 |
| ·机器分类的实际应用 | 第120-122页 |
| ·小结 | 第122-123页 |
| 第7章 基于视觉认知的极化 SAR 图像线特征检测 | 第123-147页 |
| ·引言 | 第123页 |
| ·视觉系统对线特征的认知 | 第123-125页 |
| ·线特征区域的粗提取 | 第125-132页 |
| ·基于极化白化滤波的极化 SAR 图像融合 | 第125-129页 |
| ·基于 Curvelet 的线特征区域提取 | 第129-132页 |
| ·线特征的精确检测 | 第132-134页 |
| ·极化边缘检测器 | 第132-133页 |
| ·模糊极化线检测器 | 第133-134页 |
| ·极化 SAR 图像的线特征检测流程 | 第134-136页 |
| ·实验结果 | 第136-143页 |
| ·实验数据 | 第136-137页 |
| ·结果与讨论 | 第137-143页 |
| ·基于视觉认知的单通道 SAR 图像线特征检测 | 第143-146页 |
| ·单通道 SAR 图像中的线特征区域粗提取 | 第143页 |
| ·单通道 SAR 图像中的线特征精检测 | 第143-145页 |
| ·实验结果 | 第145-146页 |
| ·小结 | 第146-147页 |
| 第8章 总结与展望 | 第147-149页 |
| 参考文献 | 第149-162页 |
| 致谢 | 第162-164页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第164-166页 |
