| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 引言 | 第8-14页 |
| 1.1 选题背景及意义 | 第8-9页 |
| 1.2 SAR图像降噪的国内外研究现状 | 第9-12页 |
| 1.2.1 空域滤波技术 | 第9-10页 |
| 1.2.2 频域滤波技术 | 第10-11页 |
| 1.2.3 基于稀疏表示的噪声抑制方法 | 第11-12页 |
| 1.3 本文研究内容及章节安排 | 第12-14页 |
| 2 SAR图像斑点噪声的统计性质 | 第14-22页 |
| 2.1 SAR图像斑点噪声的产生机理 | 第14-15页 |
| 2.2 SAR图像的统计性质 | 第15-17页 |
| 2.2.1 单视SAR图像的统计性质 | 第15-16页 |
| 2.2.2 多视SAR图像的统计性质 | 第16-17页 |
| 2.3 斑点噪声的乘性数学模型及其统计性质 | 第17-19页 |
| 2.4 SAR图像的质量评价 | 第19-20页 |
| 2.4.1 SAR图像质量的主观评价方法 | 第19页 |
| 2.4.2 SAR图像质量的客观评价方法 | 第19-20页 |
| 2.5 本章小结 | 第20-22页 |
| 3 基于Contourlet变换的SAR图像降噪 | 第22-40页 |
| 3.1 Contourlet变换 | 第22-26页 |
| 3.1.1 拉普拉斯金字塔(LP)分解 | 第22-23页 |
| 3.1.2 方向滤波器组(DFB) | 第23-25页 |
| 3.1.3 Contourlet变换的实现 | 第25-26页 |
| 3.2 Contourlet、Wavelet和Curvelet变换的图像降噪原理比较 | 第26-29页 |
| 3.3 基于平移不变Contourlet变换的SAR图像降噪 | 第29-33页 |
| 3.4 实验结果与分析 | 第33-38页 |
| 3.5 本章小结 | 第38-40页 |
| 4 基于稀疏表示和字典学习的SAR图像降噪 | 第40-66页 |
| 4.1 稀疏表示 | 第40-45页 |
| 4.1.1 信号的表示及正交分解 | 第40-42页 |
| 4.1.2 基于过完备字典的稀疏表示 | 第42-44页 |
| 4.1.3 图像稀疏表示 | 第44-45页 |
| 4.2 字典学习 | 第45-57页 |
| 4.2.1 字典学习的基本原理 | 第45-46页 |
| 4.2.2 K-SVD字典学习 | 第46-48页 |
| 4.2.3 基于K-SVD字典学习的SAR图像的去噪 | 第48-49页 |
| 4.2.4 实验结果与分析 | 第49-57页 |
| 4.3 非参数Bayesian字典学习 | 第57-64页 |
| 4.3.1 非参数Bayesian模型 | 第57-58页 |
| 4.3.2 非参数Bayesian字典学习的基本原理 | 第58-59页 |
| 4.3.3 基于非参数Bayesian字典学习的SAR图像去噪 | 第59-60页 |
| 4.3.4 实验结果与分析 | 第60-64页 |
| 4.4 本章小结 | 第64-66页 |
| 5 基于多字典融合的SAR图像降噪 | 第66-82页 |
| 5.1 图像融合技术的基础理论 | 第66-67页 |
| 5.1.1 图像融合的概念 | 第66页 |
| 5.1.2 图像融合的层次 | 第66页 |
| 5.1.3 图像融合的基本流程 | 第66-67页 |
| 5.2 像素级图像融合方法综述 | 第67-69页 |
| 5.3 基于多字典学习像素级融合的SAR图像降噪 | 第69-71页 |
| 5.3.1 基于灰度加权平均融合算法的SAR图像降噪 | 第69-70页 |
| 5.3.2 基于主成分分析法(PCA)融合算法的SAR图像降噪 | 第70页 |
| 5.3.3 基于Select Maximum融合算法的SAR图像降噪 | 第70-71页 |
| 5.4 实验结果与分析 | 第71-80页 |
| 5.5 本章小结 | 第80-82页 |
| 6 总结与展望 | 第82-84页 |
| 致谢 | 第84-86页 |
| 参考文献 | 第86-92页 |
| 附录 | 第92页 |
