| 摘要 | 第1-12页 |
| Abstract | 第12-14页 |
| 第一章 绪论 | 第14-26页 |
| ·课题的研究背景与意义 | 第14-19页 |
| ·UWB SAR 的兴起与发展 | 第14-16页 |
| ·UWB SAR 叶簇隐蔽目标变化检测技术的研究意义 | 第16-19页 |
| ·研究与发展现状 | 第19-23页 |
| ·基于光学图像和常规 SAR 图像的变化检测技术研究现状 | 第19-21页 |
| ·UWB SAR 叶簇隐蔽目标变化检测技术研究现状 | 第21-22页 |
| ·UWB SAR 叶簇隐蔽目标变化检测研究中存在的问题 | 第22-23页 |
| ·本文的主要工作和结构安排 | 第23-26页 |
| 第二章 叶簇隐蔽目标变化检测中的图像预处理 | 第26-53页 |
| ·引言 | 第26-27页 |
| ·图像配准原理介绍与方法选择 | 第27-33页 |
| ·图像配准的基本原理 | 第27-28页 |
| ·图像配准的基本方法 | 第28-32页 |
| ·图像配准方法的比较与选择 | 第32-33页 |
| ·基于点特征的 UWB SAR 图像配准 | 第33-45页 |
| ·基于多尺度 Harris 算子的点特征提取 | 第33-37页 |
| ·基于迭代滤波器的高斯滤波 | 第37-39页 |
| ·点特征不变描述子的构建 | 第39页 |
| ·特征匹配的鲁棒方法 | 第39-41页 |
| ·变换模型求解与坐标变换 | 第41页 |
| ·图像配准流程 | 第41页 |
| ·图像配准实验 | 第41-45页 |
| ·基于双方向线性回归模型的 UWB SAR 图像相对辐射校正 | 第45-52页 |
| ·基于线性回归模型的相对辐射校正方法原理与分析 | 第45-47页 |
| ·基于双方向线性回归模型的相对辐射校正方法原理与实现 | 第47-49页 |
| ·实验比较与分析 | 第49-52页 |
| ·小结 | 第52-53页 |
| 第三章 基于图像分割差值法的叶簇隐蔽目标像素级变化检测 | 第53-82页 |
| ·引言 | 第53-54页 |
| ·理想条件下图像差值法与图像比值法变化检测性能分析与比较 | 第54-59页 |
| ·理想条件下图像差值法变化检测性能的理论分析 | 第55-57页 |
| ·理想条件下图像比值法变化检测性能的理论分析 | 第57-58页 |
| ·理想条件下图像差值法与图像比值法变化检测性能的比较 | 第58-59页 |
| ·叶簇隐蔽目标图像分割差值变化检测方法 | 第59-70页 |
| ·图像分割差值变化检测方法原理说明 | 第60-61页 |
| ·图像分割的实现 | 第61-62页 |
| ·自适应门限检测的实现 | 第62-64页 |
| ·实验验证 | 第64-70页 |
| ·图像分割差值变化检测方法的优化 | 第70-81页 |
| ·基于改进 PSO 算法的图像分割最佳阈值求解 | 第71-73页 |
| ·基于改进杂波分布模型的自适应门限检测 | 第73-76页 |
| ·实验验证 | 第76-81页 |
| ·小结 | 第81-82页 |
| 第四章 基于统计分布特征的叶簇隐蔽目标特征级变化检测 | 第82-107页 |
| ·引言 | 第82-83页 |
| ·统计分布特征变化检测方法介绍与分析 | 第83-87页 |
| ·基于 Edgeworth 展开式的邻域像素灰度值概率密度函数估计 | 第84-85页 |
| ·基于 K-L 散度的概率密度函数差异分析 | 第85-87页 |
| ·现有统计分布特征变化检测方法存在的不足 | 第87页 |
| ·基于广义 Laguerre 多项式的统计分布特征变化检测 | 第87-93页 |
| ·基于广义 Laguerre 多项式的概率密度函数估计 | 第87-91页 |
| ·概率密度函数差异分析 | 第91-93页 |
| ·基于二维 Edgeworth 展开式的统计分布特征变化检测 | 第93-100页 |
| ·二维观测矢量的定义与说明 | 第93-94页 |
| ·基于二维 Edgeworth 展开式的概率密度函数估计 | 第94-98页 |
| ·概率密度函数差异分析 | 第98-100页 |
| ·叶簇隐蔽目标统计分布特征变化检测实验分析 | 第100-106页 |
| ·统计分布特征变化检测流程 | 第100-101页 |
| ·变化检测实验 | 第101-106页 |
| ·小结 | 第106-107页 |
| 第五章 基于 LE-SVDD 的叶簇隐蔽目标融合变化检测 | 第107-130页 |
| ·引言 | 第107-108页 |
| ·SVDD 基本原理 | 第108-114页 |
| ·输入空间 SVDD | 第108-110页 |
| ·核特征空间 SVDD | 第110-112页 |
| ·SVDD 的训练方法 | 第112-114页 |
| ·LE-SVDD 分类器 | 第114-122页 |
| ·流行学习与 LE 学习方法 | 第115-116页 |
| ·LE-SVDD 的原理 | 第116-119页 |
| ·LE-SVDD 的 SMO 训练方法 | 第119-120页 |
| ·LE-SVDD 与 SVDD 性能比较 | 第120-122页 |
| ·基于 LE-SVDD 的叶簇隐蔽目标融合变化检测 | 第122-128页 |
| ·基于 LE-SVDD 的融合变化检测流程 | 第122页 |
| ·训练样本集与待测试样本集提取 | 第122-123页 |
| ·基于 Nystr m 近似的 LE-SVDD 训练方法 | 第123-126页 |
| ·基于 LE-SVDD 的融合变化检测实验 | 第126-128页 |
| ·小结 | 第128-130页 |
| 第六章 结束语 | 第130-133页 |
| ·本文工作总结 | 第130-131页 |
| ·未来研究展望 | 第131-133页 |
| 致谢 | 第133-135页 |
| 参考文献 | 第135-148页 |
| 作者在学期间取得的学术成果 | 第148-150页 |
| 附录 A 式(4.57 )的推导 | 第150-151页 |
