| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 研究背景和意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-18页 |
| 1.3 本文的主要工作及安排 | 第18-20页 |
| 第二章 SAR图像配准的理论 | 第20-30页 |
| 2.1 图像配准的定义 | 第20页 |
| 2.2 图像配准的方法分类 | 第20-24页 |
| 2.2.1 基于灰度的配准 | 第20-22页 |
| 2.2.2 基于变换域的配准方法 | 第22页 |
| 2.2.3 基于特征的方法 | 第22-24页 |
| 2.3 图像配准空间转换类型 | 第24-27页 |
| 2.4 图像配准评价准则 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 基于SAR-SIFT和互信息优化的SAR图像配准方法 | 第30-48页 |
| 3.1 基于特征点的几类算法 | 第30-32页 |
| 3.1.1 Moravec算法 | 第30-31页 |
| 3.1.2 Harris算法 | 第31页 |
| 3.1.3 Susan算法 | 第31页 |
| 3.1.4 SIFT算法 | 第31-32页 |
| 3.1.5 SAR-SIFT算法 | 第32页 |
| 3.2 基于SAR-SIFT的配准算法 | 第32-37页 |
| 3.2.1 特征点检测 | 第33-35页 |
| 3.2.2 特征点描述 | 第35页 |
| 3.2.3 特征点匹配 | 第35-36页 |
| 3.2.4 去除误匹配 | 第36-37页 |
| 3.3 MI优化策略优化配准结果 | 第37-39页 |
| 3.3.1 熵和互信息的概念介绍 | 第37-39页 |
| 3.4 基于SAR-SIFT和MI的SAR图像配准流程 | 第39-40页 |
| 3.5 实验结果和分析 | 第40-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 基于图像分割的SAR-SIFT图像配准方法 | 第48-64页 |
| 4.1 图像分割方法 | 第48-50页 |
| 4.1.1 基于边缘的分割方法 | 第48-49页 |
| 4.1.2 基于区域的分割方法 | 第49页 |
| 4.1.3 基于图论的分割方法 | 第49页 |
| 4.1.4 基于能量泛函的分割方法 | 第49-50页 |
| 4.1.5 基于图像像素特征的分割方法 | 第50页 |
| 4.2 马尔科夫随机场 | 第50-54页 |
| 4.2.1 马尔科夫随机过程 | 第50-51页 |
| 4.2.2 马尔科夫随机场与图像模型 | 第51页 |
| 4.2.3 分阶邻域系统 | 第51-52页 |
| 4.2.4 基于马尔科夫的图像分割模型 | 第52-53页 |
| 4.2.5 ICM迭代算法 | 第53-54页 |
| 4.2.6 图像分割的具体步骤 | 第54页 |
| 4.3 选取特征明显的图像块 | 第54-55页 |
| 4.4 SAR-SIFT配准方法 | 第55页 |
| 4.5 实验结果和分析 | 第55-62页 |
| 4.6 本章小结 | 第62-64页 |
| 第五章 基于SAE的深度网络的图像配准方法 | 第64-82页 |
| 5.1 深度学习 | 第64-66页 |
| 5.1.1 深度学习简介 | 第64-65页 |
| 5.1.2 深度学习在图像处理领域的发展 | 第65-66页 |
| 5.2 稀疏自编码 | 第66-70页 |
| 5.2.1 稀疏编码 | 第66-67页 |
| 5.2.2 自编码器 | 第67-69页 |
| 5.2.3 稀疏自编码介绍 | 第69-70页 |
| 5.3 基于自编码的图像配准方法 | 第70-72页 |
| 5.3.1 获得有标签的训练样本 | 第70-71页 |
| 5.3.2 图像学习样本的训练和图像的配准 | 第71-72页 |
| 5.4 网络参数设置 | 第72-74页 |
| 5.5 实验结果和分析 | 第74-80页 |
| 5.6 本章小结 | 第80-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 总结 | 第82页 |
| 6.2 展望 | 第82-84页 |
| 参考文献 | 第84-90页 |
| 致谢 | 第90-92页 |
| 作者简介 | 第92-93页 |
