| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究动态 | 第11-18页 |
| 1.2.1 毫米波辐射特性及成像系统研究动态 | 第11-16页 |
| 1.2.2 超分辨算法研究动态 | 第16-18页 |
| 1.3 本文主要工作及章节安排 | 第18-20页 |
| 1.3.1 论文的主要内容 | 第18页 |
| 1.3.2 论文的章节安排 | 第18-20页 |
| 第二章 毫米波无源探测成像机理和超分辨理论基础 | 第20-30页 |
| 2.1 无源毫米波探测成像机理 | 第20-25页 |
| 2.1.1 黑体辐射理论 | 第20-21页 |
| 2.1.2 被动毫米波探测成像原理 | 第21-22页 |
| 2.1.3 无源毫米波探测成像系统体制 | 第22-25页 |
| 2.2 无源毫米波探测成像的数学模型 | 第25页 |
| 2.3 图像超分辨算法概述 | 第25-28页 |
| 2.3.1 图像降质模型 | 第25-26页 |
| 2.3.2 基于统计优化的图像超分辨算法 | 第26-27页 |
| 2.3.3 基于学习的图像超分辨算法 | 第27-28页 |
| 2.4 超分辨算法的性能评价指标 | 第28-29页 |
| 2.4.1 主观评价 | 第28页 |
| 2.4.2 客观评价 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 战场目标的辐射亮温计算模型研究 | 第30-44页 |
| 3.1 天空的辐射亮温 | 第30-32页 |
| 3.2 毫米波在大气传输中的衰减 | 第32-36页 |
| 3.2.1 云雾引起的衰减 | 第32-35页 |
| 3.2.2 降水引起的衰减 | 第35-36页 |
| 3.3 金属材料的毫米波辐射特性 | 第36-38页 |
| 3.4 基于射线跟踪的战场目标辐射亮温计算模型研究 | 第38-43页 |
| 3.4.1 金属球的辐射亮温计算模型 | 第38-41页 |
| 3.4.2 战场目标辐射亮温计算模型 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于预分类学习的毫米波图像超分辨算法研究 | 第44-59页 |
| 4.1 基于示例学习的图像超分辨率复原算法 | 第44-45页 |
| 4.2 邻域嵌入模型 | 第45-46页 |
| 4.2.1 流形学习思想 | 第45页 |
| 4.2.2 基于吉洪诺夫正则化的局部线性嵌入法 | 第45-46页 |
| 4.3 基于预分类的毫米波图像超分辨算法研究 | 第46-53页 |
| 4.3.1 图像样本库的建立 | 第46-48页 |
| 4.3.2 基于Gabor滤波器的图像特征提取 | 第48-50页 |
| 4.3.3 基于k-means算法的图像预分类 | 第50-51页 |
| 4.3.4 算法描述 | 第51-53页 |
| 4.4 算法仿真实验及结果分析 | 第53-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 基于卷积神经网络的毫米波图像超分辨算法研究 | 第59-77页 |
| 5.1 人工神经网络模型概述 | 第59-65页 |
| 5.1.1 神经网络的求解 | 第62-65页 |
| 5.2 卷积神经网络 | 第65-66页 |
| 5.3 基于卷积神经网络的图像超分辨算法研究 | 第66-72页 |
| 5.3.1 算法原理 | 第66-67页 |
| 5.3.2 实验验证与分析 | 第67-72页 |
| 5.4 改进的基于卷积神经网络的毫米波图像超分辨算法 | 第72-76页 |
| 5.4.1 实验验证与分析 | 第74-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 工作总结 | 第77页 |
| 6.2 工作展望 | 第77-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-83页 |
| 攻读硕士期间取得的成果 | 第83-84页 |
| 参与的科研项目 | 第83页 |
| 取得的科研成果 | 第83-84页 |
