| 摘要 | 第1-6页 |
| Abstract | 第6-15页 |
| 第1章 绪论 | 第15-29页 |
| ·课题研究意义 | 第15-16页 |
| ·国内外研究现状 | 第16-22页 |
| ·SAR 图像相干斑抑制研究现状 | 第16-19页 |
| ·SAR 图像目标检测研究现状 | 第19-21页 |
| ·SAR 图像变化检测研究现状 | 第21-22页 |
| ·关键技术问题 | 第22-26页 |
| ·超完备字典设计方法 | 第24-25页 |
| ·稀疏求解方法 | 第25-26页 |
| ·本文的主要工作及内容安排 | 第26-29页 |
| 第2章 K-OLS 字典学习及其在 SAR 图像相干斑抑制中的应用 | 第29-49页 |
| ·引言 | 第29页 |
| ·K-SVD 算法 | 第29-34页 |
| ·基于聚类算法的向量量化 | 第29-30页 |
| ·K-SVD 算法 | 第30-32页 |
| ·K-SVD 算法在 SAR 图像相干斑抑制中的应用 | 第32-34页 |
| ·K-LLD 算法 | 第34-37页 |
| ·Steering 核回归 | 第34-35页 |
| ·K-LLD 算法 | 第35-37页 |
| ·K-LLD 算法在 SAR 图像相干斑抑制中的应用 | 第37页 |
| ·K-OLS 算法 | 第37-47页 |
| ·OLS 算法 | 第37-38页 |
| ·K-OLS 算法原理 | 第38-40页 |
| ·基于 K-OLS 的 SAR 图像相干斑抑制算法 | 第40-42页 |
| ·实验结果及分析 | 第42-47页 |
| ·小结 | 第47-49页 |
| 第3章 多元稀疏优化模型及其在 SAR 图像相干斑抑制中的应用 | 第49-65页 |
| ·引言 | 第49页 |
| ·具有点奇异性的小波域 SAR 图像相干斑抑制算法 | 第49-53页 |
| ·小波域贝叶斯相干斑抑制算法 | 第49-51页 |
| ·小波域各向异性扩散相干斑抑制算法 | 第51-53页 |
| ·具有线奇异性的剪切波域 SAR 图像相干斑抑制算法 | 第53-57页 |
| ·剪切波 | 第53-55页 |
| ·剪切波域硬阈值相干斑抑制算法 | 第55-57页 |
| ·稀疏优化模型及其在 SAR 图像相干斑抑制中的应用 | 第57-63页 |
| ·稀疏优化模型 | 第57-58页 |
| ·模型求解方法 | 第58-60页 |
| ·实验结果及分析 | 第60-63页 |
| ·小结 | 第63-65页 |
| 第4章 基于稀疏表示的 SAR 图像目标检测 | 第65-84页 |
| ·引言 | 第65-66页 |
| ·基于超完备二维 DCT 的目标检测算法 | 第66-74页 |
| ·压缩感知原理 | 第66-67页 |
| ·Mean shift 聚类 | 第67-68页 |
| ·目标检测算法 | 第68-71页 |
| ·实验结果及分析 | 第71-74页 |
| ·基于理想点散射中心模型的 SAR 图像目标检测算法 | 第74-83页 |
| ·理想点散射中心模型 | 第74-75页 |
| ·目标检测算法 | 第75-79页 |
| ·实验结果及分析 | 第79-83页 |
| ·小结 | 第83-84页 |
| 第5章 基于稀疏表示的 SAR 图像变化检测 | 第84-99页 |
| ·引言 | 第84页 |
| ·基于改进 K-SVD 的 SAR 图像变化检测算法 | 第84-91页 |
| ·计算差异图像 | 第85-86页 |
| ·差异图像特征的稀疏表示 | 第86-87页 |
| ·特征向量的压缩采样 | 第87-88页 |
| ·特征向量的聚类 | 第88页 |
| ·实验结果及分析 | 第88-91页 |
| ·基于散射中心模型的 SAR 图像的变化检测算法 | 第91-98页 |
| ·二维信号的压缩感知 | 第91-93页 |
| ·变化检测算法 | 第93-96页 |
| ·实验结果及分析 | 第96-98页 |
| ·小结 | 第98-99页 |
| 第6章 总结与展望 | 第99-101页 |
| ·本文的主要研究内容与贡献 | 第99页 |
| ·进一步工作与展望 | 第99-101页 |
| 参考文献 | 第101-112页 |
| 致谢 | 第112-113页 |
| 在学期间的研究成果及发表的学术论文 | 第113-114页 |
