| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·背景介绍 | 第7-8页 |
| ·SAR 图像分割发展现状 | 第8-10页 |
| ·SAR 图像的常见分割方法 | 第10-13页 |
| ·SAR 图像分割存在的问题 | 第13-14页 |
| ·论文内容与安排 | 第14-15页 |
| 第二章 基于 K 分布和纹理特征的 SAR 图像特征提取方法 | 第15-33页 |
| ·SAR 图像的特征 | 第15-18页 |
| ·SAR 图像的几何特征 | 第15-16页 |
| ·SAR 图像的斑点噪声 | 第16页 |
| ·SAR 图像的统计特性 | 第16-17页 |
| ·SAR 图像的纹理特性 | 第17-18页 |
| ·统计模型基本理论 | 第18-21页 |
| ·非参量模型 | 第18页 |
| ·参量模型 | 第18-19页 |
| ·基于乘积模型的计模型 | 第19-21页 |
| ·其他模型 | 第21页 |
| ·统计模型的不同分布模型 | 第21-26页 |
| ·广义伽马分布（G D） | 第22页 |
| ·广义伽马瑞利分布（G R） | 第22-24页 |
| ·K 分布 | 第24-25页 |
| ·其他分布 | 第25-26页 |
| ·统计模型的参数估计 | 第26-27页 |
| ·K 分布模型提取特征的方法 | 第27-28页 |
| ·SAR 图像的纹理特征 | 第28-32页 |
| ·灰度共生矩阵的原理 | 第29-31页 |
| ·灰度共生矩阵特征提取方法 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 基于稀疏表示的 SAR 图像分割方法 | 第33-43页 |
| ·图像的稀疏表示 | 第33-34页 |
| ·信号稀疏表示算法 | 第34-37页 |
| ·基追踪(BP)算法 | 第34-35页 |
| ·匹配追踪(MP)算法 | 第35-36页 |
| ·正交匹配追踪(OMP)算法 | 第36页 |
| ·其它方法 | 第36-37页 |
| ·稀疏表示分类器 | 第37-39页 |
| ·仿真实验设计与结果分析 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于 K 分布和纹理特征的改进 SAR 图像分割方法 | 第43-53页 |
| ·字典构造与学习方法 | 第43-45页 |
| ·K-LMS 字典学习方法 | 第43-44页 |
| ·FOCUSS-CNDL 字典学习方法 | 第44-45页 |
| ·在线（Online）字典学习方法 | 第45页 |
| ·稀疏表示分类器的不足与改进 | 第45-47页 |
| ·稀疏表示分类器的不足 | 第45-46页 |
| ·稀疏表示分类器的改进 | 第46-47页 |
| ·多窗口最小距离分类器 | 第47页 |
| ·基于特征提取的 SAR 图像分类方法 | 第47-52页 |
| ·分割算法流程 | 第48-49页 |
| ·实验结果和分析 | 第49-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-57页 |
| ·本文工作总结 | 第53-54页 |
| ·进一步研究的方向 | 第54-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-65页 |