| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景和研究意义 | 第15页 |
| 1.2 研究现状概述 | 第15-17页 |
| 1.3 本文的工作及内容安排 | 第17-19页 |
| 1.3.1 MSTAR数据简介 | 第17-18页 |
| 1.3.2 本文的内容安排 | 第18-19页 |
| 第二章 SAR图像预处理及特征提取 | 第19-53页 |
| 2.1 引言 | 第19页 |
| 2.2 基于单幅SAR目标切片的车辆目标高度估计 | 第19-36页 |
| 2.2.1 概述 | 第19-20页 |
| 2.2.2 二维SAR图像与三维真实场景的对应关系 | 第20-25页 |
| 2.2.3 方法的设计思路 | 第25-28页 |
| 2.2.4 方法的具体实现 | 第28-33页 |
| 2.2.5 实验结果与分析 | 第33-36页 |
| 2.3 SAR单目标切片中的舰船目标几何特征提取 | 第36-51页 |
| 2.3.1 概述 | 第36-37页 |
| 2.3.2 方法的具体实现 | 第37-43页 |
| 2.3.3 实验结果与分析 | 第43-51页 |
| 2.4 本章小结 | 第51-53页 |
| 第三章 基于线性字典学习的SAR图像目标识别 | 第53-69页 |
| 3.1 引言 | 第53页 |
| 3.2 K-SVD算法 | 第53-58页 |
| 3.2.1 模型概述 | 第53-54页 |
| 3.2.2 K-SVD算法推导过程 | 第54-55页 |
| 3.2.3 K-SVD算法与K-均值算法的联系 | 第55-56页 |
| 3.2.4 K-SVD算法应用于有监督分类问题 | 第56-58页 |
| 3.3 D-KSVD算法 | 第58-61页 |
| 3.3.1 以重构为目的的字典学习方法用于目标识别问题时的弊端 | 第58-59页 |
| 3.3.2 D-KSVD模型概述 | 第59-60页 |
| 3.3.3 D-KSVD算法具体实现步骤 | 第60-61页 |
| 3.4 LC-KSVD算法 | 第61-65页 |
| 3.4.1 LC-KSVD模型概述 | 第61-63页 |
| 3.4.2 LC-KSVD算法具体实现步骤 | 第63-65页 |
| 3.5 实验及分析 | 第65-67页 |
| 3.5.1 实验概述 | 第65页 |
| 3.5.2 基于MSTAR数据集的SAR图像目标识别 | 第65-66页 |
| 3.5.3 基于扩展YaleB数据集的人脸图像目标识别 | 第66-67页 |
| 3.6 本章小结 | 第67-69页 |
| 第四章 基于非线性字典学习的SAR图像目标识别 | 第69-85页 |
| 4.1 引言 | 第69页 |
| 4.2 核方法简介 | 第69-71页 |
| 4.2.1 核方法的产生背景 | 第69页 |
| 4.2.2 核函数及核矩阵的定义 | 第69-70页 |
| 4.2.3 核方法的优势 | 第70-71页 |
| 4.2.4 有效核函数的判定及举例 | 第71页 |
| 4.3 K-KSVD算法 | 第71-82页 |
| 4.3.1 K-KSVD模型概述 | 第71-73页 |
| 4.3.2 K-KSVD模型求解 | 第73-78页 |
| 4.3.3 K-KSVD算法应用于有监督分类问题 | 第78-82页 |
| 4.4 实验及分析 | 第82-83页 |
| 4.4.1 实验概述 | 第82页 |
| 4.4.2 基于MSTAR数据集的SAR图像目标识别 | 第82页 |
| 4.4.3 基于扩展YaleB数据集的人脸图像目标识别 | 第82-83页 |
| 4.5 本章小结 | 第83-85页 |
| 第五章 总结与展望 | 第85-87页 |
| 5.1 工作总结 | 第85页 |
| 5.2 工作展望 | 第85-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91-93页 |
| 作者简介 | 第93-94页 |
