| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-19页 |
| 第一章 绪论 | 第19-39页 |
| 1.1 研究背景与意义 | 第19-27页 |
| 1.1.1 高分辨率遥感技术及其应用 | 第20-26页 |
| 1.1.2 选题背景与研究意义 | 第26-27页 |
| 1.2 高分辨率遥感图像处理及分析的研究现状 | 第27-35页 |
| 1.2.1 国内外研究现状 | 第27-34页 |
| 1.2.2 面临的主要问题 | 第34-35页 |
| 1.3 本文的主要研究内容及章节安排 | 第35-39页 |
| 1.3.1 论文研究内容 | 第35-36页 |
| 1.3.2 论文章节安排 | 第36-39页 |
| 第二章 基于广义引导滤波的高分辨SAR图像斑点噪声抑制 | 第39-67页 |
| 2.1 引言 | 第39页 |
| 2.2 SAR图像统计特性分析 | 第39-41页 |
| 2.3 基于广义引导滤波的斑点噪声抑制 | 第41-48页 |
| 2.3.1 引导滤波与广义引导滤波 | 第42-44页 |
| 2.3.2 贝叶斯非局部均值非线性加权核函数估计 | 第44-47页 |
| 2.3.3 最大似然引导图像滤波估计 | 第47-48页 |
| 2.3.4 噪声抑制方法基本处理流程 | 第48页 |
| 2.4 实验结果与分析 | 第48-64页 |
| 2.4.1 关键参数分析 | 第48-54页 |
| 2.4.2 噪声抑制性能评估 | 第54-63页 |
| 2.4.3 计算复杂度分析与评估 | 第63-64页 |
| 2.4.4 方法对极化SAR图像适用性分析 | 第64页 |
| 2.5 小结 | 第64-67页 |
| 第三章 基于良初始化Chan-Vese模型的高分辨SAR图像分割 | 第67-91页 |
| 3.1 引言 | 第67-68页 |
| 3.2 基于Chan-Vese模型的SAR图像分割 | 第68-72页 |
| 3.2.1 Chan-Vese模型 | 第68-71页 |
| 3.2.2 在SAR分割应用中的主要问题 | 第71-72页 |
| 3.3 结合增强SAR图像统计预分割的Chan-Vese模型初始化 | 第72-80页 |
| 3.3.1 基于Gabor滤波器组的SAR图像增强处理 | 第72-76页 |
| 3.3.2 降噪SAR图像GMM统计描述及其预分割 | 第76-80页 |
| 3.4 实验结果与分析 | 第80-89页 |
| 3.4.2 关键参数分析 | 第83-84页 |
| 3.4.3 分割性能评估 | 第84-89页 |
| 3.5 小结 | 第89-91页 |
| 第四章 基于情境感知显著性的高分辨SAR图像目标检测 | 第91-119页 |
| 4.1 引言 | 第91-92页 |
| 4.2 SAR图像目标及背景区域统计特性分析 | 第92-96页 |
| 4.3 基于情境感知显著性的SAR图像目标检测 | 第96-106页 |
| 4.3.1 背景情境感知 | 第96-99页 |
| 4.3.2 目标显著性计算 | 第99-104页 |
| 4.3.3 显著性图自适应阈值化 | 第104-106页 |
| 4.4 实验结果与分析 | 第106-118页 |
| 4.4.1 显著性检测实验 | 第107-112页 |
| 4.4.2 目标检测实验 | 第112-118页 |
| 4.5 小结 | 第118-119页 |
| 第五章 基于局部特征分析的高分辨光学遥感图像雾霾消减 | 第119-141页 |
| 5.1 引言 | 第119-123页 |
| 5.1.2 光学遥感图像雾霾退化模型 | 第120-121页 |
| 5.1.3 雾霾消减线性模型 | 第121-123页 |
| 5.2 应用局部特征分析估计雾霾消减模型参数 | 第123-129页 |
| 5.2.1 参数k(x)的估计 | 第124-127页 |
| 5.2.2 参数b(x)的估计 | 第127-129页 |
| 5.3 实验结果与分析 | 第129-140页 |
| 5.3.1 主观评价结果 | 第129-134页 |
| 5.3.2 客观评价结果 | 第134-140页 |
| 5.4 小结 | 第140-141页 |
| 第六章 总结与展望 | 第141-145页 |
| 6.1 本文总结 | 第141-142页 |
| 6.2 工作展望 | 第142-145页 |
| 参考文献 | 第145-157页 |
| 致谢 | 第157-159页 |
| 作者简介 | 第159-160页 |
