| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第13-15页 |
| 缩略语对照表 | 第15-20页 |
| 第一章 绪论 | 第20-38页 |
| 1.1 研究背景及意义 | 第20-21页 |
| 1.2 国内外研究现状 | 第21-34页 |
| 1.2.1 SAR图像自动目标识别系统的研究现状 | 第21-24页 |
| 1.2.2 SAR图像自动目标提取技术的研究现状 | 第24-34页 |
| 1.3 SAR图像自动目标提取关键技术分析 | 第34-35页 |
| 1.4 论文主要研究内容与章节安排 | 第35-38页 |
| 第二章 基于自动区域筛选的SAR图像目标检测算法 | 第38-56页 |
| 2.1 引言 | 第38-40页 |
| 2.2 VI-CFAR检测原理 | 第40-42页 |
| 2.3 SAR图像ABC-CFAR目标检测算法 | 第42-50页 |
| 2.3.1 自动区域筛选方法 | 第42-44页 |
| 2.3.2 基于G0分布模型的CFAR检测 | 第44-46页 |
| 2.3.3 筛选阈值的计算 | 第46-48页 |
| 2.3.4 ABC-CFAR算法流程及快速实现方法 | 第48-50页 |
| 2.4 实验结果和分析 | 第50-55页 |
| 2.5 本章小结 | 第55-56页 |
| 第三章 基于超像素筛选与合并的SAR图像目标检测算法 | 第56-88页 |
| 3.1 引言 | 第56-58页 |
| 3.2 SAR-SEEDS图像超像素分割算法 | 第58-67页 |
| 3.2.1 SAR图像超像素分割目标函数构建 | 第58-61页 |
| 3.2.2 SAR图像超像素分割目标函数求解 | 第61-66页 |
| 3.2.3 SAR-SEEDS超像素分割算法处理步骤 | 第66-67页 |
| 3.3 SAR图像SCM-CFAR目标检测算法 | 第67-74页 |
| 3.3.1 超像素筛选 | 第68-70页 |
| 3.3.2 参考窗内背景杂波区域图像分割 | 第70-72页 |
| 3.3.3 参考背景筛选和超像素CFAR检测 | 第72-73页 |
| 3.3.4 目标超像素聚类 | 第73-74页 |
| 3.4 实验结果和分析 | 第74-86页 |
| 3.4.1 SAR-SEEDS超像素分割算法的性能分析 | 第74-81页 |
| 3.4.2 SCM-CFAR检测算法的性能分析 | 第81-86页 |
| 3.5 本章小结 | 第86-88页 |
| 第四章 基于多特征融合词包模型的SAR图像目标鉴别算法 | 第88-108页 |
| 4.1 引言 | 第88-90页 |
| 4.2 BOW模型原理 | 第90-92页 |
| 4.3 SAR图像局部区域描述子 | 第92-97页 |
| 4.3.1 SIFT和SAR-SIFT特征 | 第93-95页 |
| 4.3.2 对比度特征和纹理特征 | 第95-97页 |
| 4.4 多核学习 | 第97-98页 |
| 4.5 实验结果和分析 | 第98-107页 |
| 4.5.1 实验1和实验2 | 第100-105页 |
| 4.5.2 实验3 | 第105-107页 |
| 4.6 本章小结 | 第107-108页 |
| 第五章 基于幂次变换的SAR图像Otsu分割算法 | 第108-122页 |
| 5.1 引言 | 第108-109页 |
| 5.2 Otsu图像分割算法 | 第109-112页 |
| 5.2.1 算法的原理 | 第109-110页 |
| 5.2.2 算法在SAR图像中的应用分析 | 第110-112页 |
| 5.3 基于幂次变换的Otsu图像分割算法 | 第112-117页 |
| 5.3.1 相干斑滤波及其对分割结果的影响 | 第112-113页 |
| 5.3.2 幂次变换及其对分割结果的影响 | 第113-116页 |
| 5.3.3 算法流程及复杂度分析 | 第116-117页 |
| 5.4 实验结果和分析 | 第117-121页 |
| 5.4.1 算法有效性分析 | 第117-119页 |
| 5.4.2 算法稳健性分析 | 第119-121页 |
| 5.4.3 算法运行时间分析 | 第121页 |
| 5.5 本章小结 | 第121-122页 |
| 第六章 工作总结与展望 | 第122-126页 |
| 6.1 工作总结 | 第122-123页 |
| 6.2 工作展望 | 第123-126页 |
| 参考文献 | 第126-140页 |
| 致谢 | 第140-142页 |
| 作者简介 | 第142-144页 |
