| 摘要 | 第12-14页 |
| Abstract | 第14-15页 |
| 第一章 绪论 | 第16-39页 |
| 1.1 课题的背景及意义 | 第16-21页 |
| 1.1.1 SAR技术的快速发展与图像处理的迫切需求 | 第16-20页 |
| 1.1.2 高分辨率大尺寸SAR图像目标快速提取的意义 | 第20-21页 |
| 1.2 高分辨率大尺寸SAR图像目标提取的研究现状 | 第21-35页 |
| 1.2.1 目标提取在SAR ATR研究中的地位 | 第21-23页 |
| 1.2.2 SAR图像目标提取的研究现状及其分析 | 第23-35页 |
| 1.3 论文主要工作及结构安排 | 第35-39页 |
| 第二章 经典主动轮廓模型应用于SAR图像目标提取时的问题分析及其改进 | 第39-60页 |
| 2.1 引言 | 第39-40页 |
| 2.2 经典主动轮廓模型应用于SAR图像分割的问题分析 | 第40-43页 |
| 2.2.1 基于边缘的主动轮廓模型在SAR图像分割中的性能分析 | 第40-41页 |
| 2.2.2 基于区域的主动轮廓模型在SAR图像分割中的性能分析 | 第41-43页 |
| 2.3 比率距离对于乘性噪声的鲁棒性分析 | 第43-45页 |
| 2.4 所提的基于比率距离和分布度量改进的主动轮廓模型 | 第45-50页 |
| 2.4.1 所提的MCV模型 | 第45-47页 |
| 2.4.2 所提的MLGIF模型 | 第47-50页 |
| 2.4.3 所提的MLGIF模型的迭代停止准则 | 第50页 |
| 2.5 实验结果与分析 | 第50-58页 |
| 2.5.1 MSTAR图像的目标提取实验 | 第51-52页 |
| 2.5.2 实测SAR图像的目标提取实验 | 第52-55页 |
| 2.5.3 仿真SAR图像的目标提取实验 | 第55-58页 |
| 2.6 本章小结 | 第58-60页 |
| 第三章 基于能量泛函凸优化的主动轮廓模型 | 第60-88页 |
| 3.1 引言 | 第60-61页 |
| 3.2 非凸主动轮廓模型及其分析 | 第61-65页 |
| 3.2.1 经典主动轮廓模型的能量泛函一般形式 | 第61-62页 |
| 3.2.2 经典主动轮廓模型的能量泛函最小化求解及其分析 | 第62-65页 |
| 3.3 能量泛函凸优化模型及其最小化的数值计算方法 | 第65-68页 |
| 3.4 所提的凸主动轮廓模型及其数值计算方法 | 第68-72页 |
| 3.4.1 所提的GMLGIF凸主动轮廓模型 | 第68-70页 |
| 3.4.2 所提的GMLGIF模型最小化的数值计算方法 | 第70-71页 |
| 3.4.3 所提的GMLGIF模型的迭代停止准则 | 第71页 |
| 3.4.4 所提的GMLGIF模型的迭代算法 | 第71-72页 |
| 3.5 实验结果与分析 | 第72-86页 |
| 3.5.1 不同俯视角的MSTAR图像目标提取 | 第73-75页 |
| 3.5.2 实测SAR图像目标提取 | 第75-78页 |
| 3.5.3 大尺寸SAR图像的弱散射目标提取 | 第78-83页 |
| 3.5.4 仿真SAR图像目标提取 | 第83-86页 |
| 3.6 本章小结 | 第86-88页 |
| 第四章 基于视觉显著性模型与主动轮廓模型的目标提取和目标识别 | 第88-124页 |
| 4.1 引言 | 第88-89页 |
| 4.2 基于视觉显著性模型与主动轮廓模型的目标提取 | 第89-96页 |
| 4.2.1 基于视觉显著性模型的目标提取 | 第89-91页 |
| 4.2.2 所提的SR模型和MLGIF模型的组合目标提取框架 | 第91页 |
| 4.2.3 所提框架的可行性实验验证 | 第91-96页 |
| 4.3 基于视觉显著性模型与主动轮廓模型的自动目标识别 | 第96-110页 |
| 4.3.1 所提SAR ATR框架的目标提取阶段 | 第98-101页 |
| 4.3.2 所提SAR ATR框架的目标鉴别阶段 | 第101-103页 |
| 4.3.3 所提SAR ATR框架的目标分类阶段 | 第103-107页 |
| 4.3.4 所提的分类方法在SAR图像切片上的性能评估 | 第107-108页 |
| 4.3.5 所提的SAR ATR框架及其计算复杂度分析 | 第108-110页 |
| 4.4 实验结果与分析 | 第110-122页 |
| 4.4.1 所使用的高分辨率大尺寸SAR图像 | 第111-112页 |
| 4.4.2 目标检测 | 第112-114页 |
| 4.4.3 目标鉴别 | 第114-116页 |
| 4.4.4 目标分类 | 第116-122页 |
| 4.5 本章小结 | 第122-124页 |
| 第五章 基于多尺度自适应视觉显著性模型和采用split Bregman迭代的主动轮廓模型的目标快速自动提取 | 第124-148页 |
| 5.1 引言 | 第124页 |
| 5.2 所提的用于SAR图像切片目标提取的快速SBGILGIF模型 | 第124-128页 |
| 5.2.1 所提的MLGIF模型的凸优化 | 第124-125页 |
| 5.2.2 采用ROEWA算子改进的边缘检测函数 | 第125-126页 |
| 5.2.3 所提的基于Split Bregman迭代的GILGIF模型的数值最小化 | 第126-127页 |
| 5.2.4 所提的用于SAR图像切片目标提取的快速算法 | 第127-128页 |
| 5.3 所提的用于大尺寸高分辨率SAR图像的目标快速提取算法 | 第128-133页 |
| 5.3.1 所提的多尺度自适应视觉显著性模型 | 第128-130页 |
| 5.3.2 所提的用于大尺寸高分辨率SAR图像的目标快速提取算法 | 第130-131页 |
| 5.3.3 计算复杂度分析 | 第131-133页 |
| 5.4 实验结果与分析 | 第133-146页 |
| 5.4.1 不同俯视角的MSTAR切片的目标提取 | 第133-135页 |
| 5.4.2 实测SAR图像的目标提取 | 第135-137页 |
| 5.4.3 仿真SAR图像的目标提取 | 第137-138页 |
| 5.4.4 大尺寸高分辨率SAR图像的目标提取 | 第138-142页 |
| 5.4.5 另一幅大场景SAR图像的目标提取 | 第142-146页 |
| 5.5 本章小结 | 第146-148页 |
| 第六章 基于深度神经网络和多尺度视觉显著性模型的目标切片快速自动提取 | 第148-164页 |
| 6.1 引言 | 第148页 |
| 6.2 深度神经网络 | 第148-154页 |
| 6.2.1 视觉生理学基础 | 第149-150页 |
| 6.2.2 深度神经网络 | 第150-154页 |
| 6.3 所提的大尺寸SAR图像目标切片快速自动提取方法 | 第154-156页 |
| 6.4 实验结果与分析 | 第156-162页 |
| 6.4.1 深度神经网络的训练 | 第157页 |
| 6.4.2 大尺寸SAR图像的目标切片提取 | 第157-160页 |
| 6.4.3 与参考框架的实验对比 | 第160-162页 |
| 6.5 本章小结 | 第162-164页 |
| 第七章 结论与展望 | 第164-169页 |
| 致谢 | 第169-171页 |
| 参考文献 | 第171-187页 |
| 作者在学期间取得的学术成果 | 第187页 |
