极化合成孔径雷达图像处理及其应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-27页 |
| §1.1 合成孔径雷达的发展、特点及趋势 | 第11-16页 |
| ·合成孔径雷达的发展 | 第11-14页 |
| ·合成孔径雷达的特点 | 第14-15页 |
| ·合成孔径雷达的发展趋势 | 第15-16页 |
| §1.2 极化合成孔径雷达及其发展 | 第16-22页 |
| ·极化合成孔径雷达 | 第16-18页 |
| ·极化合成孔径雷达的发展 | 第18-20页 |
| ·极化合成孔径雷达信息处理及其应用技术的发展 | 第20-22页 |
| §1.3 论文的研究目的、主要内容及创新点 | 第22-27页 |
| ·论文研究的目的和意义 | 第22-23页 |
| ·论文研究的主要内容 | 第23-25页 |
| ·论文的创新点及特色 | 第25-27页 |
| 第二章 电磁波极化状态的表征及极化散射矩阵 | 第27-42页 |
| §2.1 电磁波极化状态的表征 | 第27-34页 |
| ·极化椭圆 | 第27-29页 |
| ·Jones矢量 | 第29页 |
| ·极化比 | 第29-30页 |
| ·Stokes矢量和Poincare极化球 | 第30-32页 |
| ·部分极化波的表征 | 第32-34页 |
| §2.2 散射坐标系和极化散射矩阵 | 第34-42页 |
| ·散射坐标系和Sinclair矩阵 | 第34-35页 |
| ·Mueller矩阵和Kennaugh矩阵 | 第35-38页 |
| ·相干矩阵和协方差矩阵 | 第38-39页 |
| ·几种基本极化散射机理的极化散射矩阵 | 第39-42页 |
| 第三章 目标最佳极化和极化合成技术 | 第42-57页 |
| §3.1 目标最佳极化 | 第42-46页 |
| ·单站互易相干情况下目标的最佳极化 | 第42-45页 |
| ·雷达接收功率的最优化方法 | 第45-46页 |
| §3.2 极化合成技术 | 第46-49页 |
| ·极化合成原理 | 第46-47页 |
| ·几种典型散射体的极化特征图分析 | 第47-49页 |
| §3.3 利用极化合成方法得到目标最佳极化 | 第49-57页 |
| ·实际地物目标的极化特征图 | 第49-53页 |
| ·基于极化特征图的目标最佳极化获得方法 | 第53-54页 |
| ·新方法与"三步法"之间的比较 | 第54-57页 |
| 第四章 极化SAR图像增强与目标检测 | 第57-73页 |
| §4.1 极化SAR图像的基本分析方法 | 第58-63页 |
| ·基本极化组合和极化总功率图像 | 第58-59页 |
| ·基于极化合成的极化SAR图像分析方法 | 第59-60页 |
| ·不同极化收发组合之间的回波功率比 | 第60页 |
| ·极化SAR图像的伪彩合成 | 第60-61页 |
| ·极化SAR图像的相关性分析 | 第61-63页 |
| §4.2 极化SAR图像的对比增强 | 第63-66页 |
| ·对比增强原理 | 第63-64页 |
| ·对比增强实验结果及分析 | 第64-66页 |
| §4.3 基于扩展分形的极化目标检测方法 | 第66-73页 |
| ·扩展分形及其特征提取原理 | 第66-68页 |
| ·极化目标检测算法 | 第68-70页 |
| ·实验结果及分析 | 第70-73页 |
| 第五章 极化SAR图像滤波及其性能评估 | 第73-96页 |
| §5.1 极化白化滤波方法 | 第73-82页 |
| ·高斯极化杂波模型 | 第73-74页 |
| ·极化白化滤波算法 | 第74-76页 |
| ·简化的极化白化滤波算法 | 第76-77页 |
| ·多视极化白化滤波算法 | 第77页 |
| ·自适应极化白化滤波算法 | 第77-79页 |
| ·实验结果及分析 | 第79-82页 |
| §5.2 最优加权滤波方法 | 第82-84页 |
| ·最优加权滤波算法 | 第82-83页 |
| ·实验结果及分析 | 第83-84页 |
| §5.3 多纹理最大似然估计方法 | 第84-86页 |
| ·多纹理最大似然估计 | 第84-85页 |
| ·实验结果及分析 | 第85-86页 |
| §5.4 局部统计滤波方法 | 第86-90页 |
| ·局部统计滤波算法 | 第86-87页 |
| ·实验结果及分析 | 第87-90页 |
| §5.5 极化滤波性能综合评估方法 | 第90-96页 |
| ·极化滤波的一般原则 | 第90-91页 |
| ·图像分辨率的保持 | 第91-92页 |
| ·极化信息的保留 | 第92-94页 |
| ·相干斑噪声的抑制 | 第94-96页 |
| 第六章 极化目标分解理论 | 第96-107页 |
| §6.1 相干目标分解 | 第96-103页 |
| ·Pauli分解 | 第96-98页 |
| ·Krogager分解 | 第98-100页 |
| ·Cameron分解 | 第100-103页 |
| §6.2 部分相干目标分解 | 第103-107页 |
| ·Huynen分解 | 第104页 |
| ·Cloude分解 | 第104-105页 |
| ·Holm & Barnes分解 | 第105页 |
| ·目标熵、反熵和Alpha角 | 第105-107页 |
| 第七章 极化目标识别与分类 | 第107-139页 |
| §7.1 极化SAR图像分类技术概述 | 第107-111页 |
| ·非监督分类概述 | 第107-108页 |
| ·监督分类概述 | 第108-109页 |
| ·监督分类的训练样本选取 | 第109页 |
| ·监督分类的分类器选择 | 第109-111页 |
| §7.2 极化SAR图像的非监督分类方法 | 第111-121页 |
| ·K均值聚类算法 | 第111-113页 |
| ·ISODATA算法 | 第113-115页 |
| ·Cameron分类算法 | 第115-119页 |
| ·H-α分类 | 第119-121页 |
| §7.3 支持向量机分类器 | 第121-130页 |
| ·支持向量机的研究现状 | 第121-124页 |
| ·线性可分情况下的支持向量机 | 第124-126页 |
| ·非线性可分情况下的支持向量机 | 第126-128页 |
| ·广义线性可分情况下的支持向量机 | 第128-129页 |
| ·多类情况下的支持向量机 | 第129-130页 |
| §7.4 基于支持向量机的极化SAR图像分类 | 第130-139页 |
| ·基于基本极化组合图像的SVM分类 | 第130-132页 |
| ·基于极化目标分解的SVM分类 | 第132-134页 |
| ·基于目标最佳极化的SVM分类 | 第134-136页 |
| ·参数选择对SVM分类结果的影响 | 第136-139页 |
| 第八章 结束语 | 第139-142页 |
| 参考文献 | 第142-152页 |
| 致谢 | 第152-153页 |
| 攻读博士学位期间发表的学术论文 | 第153-154页 |
