| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 论文主要内容和安排 | 第14-15页 |
| 第二章 基于变分法的SAR图像分割原理 | 第15-34页 |
| 2.1 传统变分SAR图像分割 | 第15-24页 |
| 2.1.1 水平集方法基本理论 | 第15-17页 |
| 2.1.2 基于边界信息的GAC模型 | 第17页 |
| 2.1.3 基于区域信息的CV模型 | 第17-18页 |
| 2.1.4 基于CV和GAC的混合模型 | 第18-19页 |
| 2.1.5 基于混合模型的多区域SAR图像分割 | 第19-22页 |
| 2.1.6 实验结果 | 第22-24页 |
| 2.2 基于对偶算法的变分SAR图像分割 | 第24-33页 |
| 2.2.1 Potts模型 | 第24-25页 |
| 2.2.2 Primal模型 | 第25-26页 |
| 2.2.3 Primal-Dual模型 | 第26页 |
| 2.2.4 Dual模型 | 第26-27页 |
| 2.2.5 平滑Dual模型 | 第27-29页 |
| 2.2.6 算法描述 | 第29-32页 |
| 2.2.7 实验结果 | 第32-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第三章 基于统计分布和纹理特征的SAR图像分割 | 第34-50页 |
| 3.1 基于统计分布的SAR图像分割 | 第34-38页 |
| 3.1.1 SAR图像统计模型 | 第34-36页 |
| 3.1.2 基于Gamma分布的对偶模型 | 第36页 |
| 3.1.3 算法描述 | 第36-37页 |
| 3.1.4 实验结果 | 第37-38页 |
| 3.2 基于纹理特征的SAR图像分割 | 第38-45页 |
| 3.2.1 纹理特征基本概念 | 第38-39页 |
| 3.2.2 基于灰度共生矩阵的纹理特征提取 | 第39-43页 |
| 3.2.3 基于纹理特征的对偶模型 | 第43-44页 |
| 3.2.4 算法描述 | 第44-45页 |
| 3.3 基于统计和纹理特征的SAR图像分割 | 第45-49页 |
| 3.3.1 基于Gamma分布和纹理特征的能量泛函建立 | 第45页 |
| 3.3.2 算法描述 | 第45-46页 |
| 3.3.3 实验结果 | 第46-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第四章 基于极化特征和统计特征的极化SAR图像分割 | 第50-67页 |
| 4.1 极化分解方法和统计分类研究 | 第50-56页 |
| 4.1.1 H-α分类 | 第51-55页 |
| 4.1.2 Wishart统计分类 | 第55-56页 |
| 4.2 基于对偶模型的极化SAR图像分割 | 第56-66页 |
| 4.2.1 基于Wishart分布的对偶模型 | 第56-57页 |
| 4.2.2 基于H-α分类和Wishart分布的自动初始化 | 第57-60页 |
| 4.2.3 算法描述 | 第60-61页 |
| 4.2.4 实验结果 | 第61-66页 |
| 4.3 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 本文工作总结 | 第67-68页 |
| 5.2 本文工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 硕士期间取得的研究成果 | 第75-76页 |
