| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-18页 |
| 第一章 绪论 | 第18-36页 |
| 1.1 课题研究意义 | 第18页 |
| 1.2 双基雷达技术相关研究与发展 | 第18-21页 |
| 1.3 双基SAR成像系统的研究背景 | 第21-29页 |
| 1.3.1 雷达成像技术的发展与研究 | 第21-23页 |
| 1.3.2 双基SAR成像技术的优点 | 第23-24页 |
| 1.3.3 双基SAR成像技术中需要解决的技术问题 | 第24页 |
| 1.3.4 双基SAR成像技术的研究与发展 | 第24-27页 |
| 1.3.5 双基SAR成像算法介绍 | 第27-29页 |
| 1.4 SAR图像相干斑抑制研究背景 | 第29-32页 |
| 1.4.1 SAR图像相干斑抑制的意义 | 第29-30页 |
| 1.4.2 SAR图像相干斑抑制的研究现状 | 第30-32页 |
| 1.5 SAR图像分类问题研究背景 | 第32-33页 |
| 1.5.1 有监督分类 | 第32页 |
| 1.5.2 无监督分类 | 第32-33页 |
| 1.5.3 SAR图像分类的难点 | 第33页 |
| 1.6 论文主要内容安排 | 第33-36页 |
| 第二章 双基SAR成像算法研究 | 第36-62页 |
| 2.1 引言 | 第36页 |
| 2.2 两种经典二维频谱算法介绍 | 第36-41页 |
| 2.2.1 LBF算法 | 第36-39页 |
| 2.2.2 MSR算法 | 第39-41页 |
| 2.3 微增量二维频谱算法 | 第41-52页 |
| 2.3.1 算法概述 | 第41-45页 |
| 2.3.2 微增量算法与MSR的联系 | 第45-47页 |
| 2.3.3 算法仿真实验 | 第47-52页 |
| 2.3.4 算法小结 | 第52页 |
| 2.4 基于微增量的OMIGA-K双基成像算法 | 第52-60页 |
| 2.4.1 算法概述 | 第52-55页 |
| 2.4.2 算法中的不变区域问题 | 第55-57页 |
| 2.4.3 算法对比 | 第57-58页 |
| 2.4.4 仿真实验 | 第58-60页 |
| 2.4.5 算法小结 | 第60页 |
| 2.5 本章总结 | 第60-62页 |
| 第三章 基于字典学习的相干斑噪声抑制算法 | 第62-82页 |
| 3.0 引言 | 第62页 |
| 3.1 SAR成像中相干斑噪声的产生 | 第62-63页 |
| 3.2 相干斑噪声的数学模型 | 第63-67页 |
| 3.2.1 数学模型 | 第63-64页 |
| 3.2.2 统计特性 | 第64-66页 |
| 3.2.3 中心极限定理 | 第66-67页 |
| 3.2.4 噪声特性总结 | 第67页 |
| 3.3 相干斑噪声抑制的评价指标 | 第67-70页 |
| 3.3.1 峰值信噪比 | 第67-68页 |
| 3.3.2 等效视数 | 第68页 |
| 3.3.3 边缘保持度 | 第68-69页 |
| 3.3.4 比值图像 | 第69-70页 |
| 3.4 字典学习(K-SVD)抑制噪声算法简介 | 第70-73页 |
| 3.5 基于字典学习的SAR图像相干斑抑制算法 | 第73-80页 |
| 3.5.1 乘性噪声模型转换 | 第73-74页 |
| 3.5.2 算法概述 | 第74-78页 |
| 3.5.3 实验分析 | 第78-80页 |
| 3.5.4 算法小结 | 第80页 |
| 3.6 本章总结 | 第80-82页 |
| 第四章 基于粒子群优化的参数自适应的SAR图像抑斑算法 | 第82-90页 |
| 4.1 引言 | 第82-83页 |
| 4.2 改进的SAR图像非局部均值滤波模型 | 第83-85页 |
| 4.3 基于粒子群优化的参数自适应SAR图像抑斑算法 | 第85-87页 |
| 4.4 仿真实验 | 第87-89页 |
| 4.5 本章总结 | 第89-90页 |
| 第五章 基于多目标进化算法的SAR图像地物分类 | 第90-108页 |
| 5.1 引言 | 第90-91页 |
| 5.2 模糊聚类算法简介 | 第91-96页 |
| 5.2.1 模糊c均值算法(FCM) | 第91页 |
| 5.2.2 带约束的模糊c均值算法(FCM_S) | 第91-92页 |
| 5.2.3 增强模糊c均值算法(EnFCM) | 第92-93页 |
| 5.2.4 快速推广的模糊c均值算法(FGFCM) | 第93-94页 |
| 5.2.5 局部模糊c均值聚类算法(FLICM) | 第94-95页 |
| 5.2.6 非局部模糊c均值聚类算法(FCM-NLS) | 第95-96页 |
| 5.3 多目标进化算法简介 | 第96-98页 |
| 5.3.1 多目标优化问题(MOP)的数学模型 | 第96-97页 |
| 5.3.2 第一代MOEA | 第97页 |
| 5.3.3 第二代MOEA | 第97-98页 |
| 5.4 基于多目标进化算法的SAR图像地物分类 | 第98-106页 |
| 5.4.1 数学模型分析 | 第99-101页 |
| 5.4.2 算法概述 | 第101-102页 |
| 5.4.3 仿真实验 | 第102-105页 |
| 5.4.4 算法小结 | 第105-106页 |
| 5.5 本章总结 | 第106-108页 |
| 第六章 基于改进相似性度量和边缘修订的SAR图像分类方法 | 第108-116页 |
| 6.1 引言 | 第108-109页 |
| 6.2 构造求和图像 | 第109-111页 |
| 6.3 边缘修订 | 第111-112页 |
| 6.4 多目标聚类算法流程 | 第112-113页 |
| 6.5 仿真实验 | 第113-115页 |
| 6.6 本章总结 | 第115-116页 |
| 第七章 工作总结与后续展望 | 第116-118页 |
| 7.1 工作总结 | 第116-117页 |
| 7.2 未来工作展望 | 第117-118页 |
| 参考文献 | 第118-134页 |
| 致谢 | 第134-136页 |
| 作者简介 | 第136-138页 |
