| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 目录 | 第9-12页 |
| 1 绪论 | 第12-23页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 极化SAR影像处理发展现状 | 第13-21页 |
| 1.2.1 极化SAR相干斑抑制技术发展现状 | 第15-16页 |
| 1.2.2 极化SAR的对比增强方法发展现状 | 第16-17页 |
| 1.2.3 极化SAR的分类方法研究现状 | 第17-19页 |
| 1.2.4 存在的问题与分析 | 第19-21页 |
| 1.3 本文研究内容与结构安排 | 第21-23页 |
| 2 极化SAR理论基础 | 第23-36页 |
| 2.1 电磁波的性质 | 第23-25页 |
| 2.1.1 麦克斯韦方程组 | 第23-24页 |
| 2.1.2 谐变电磁场 | 第24-25页 |
| 2.2 极化波的表征 | 第25-30页 |
| 2.2.1 极化椭圆 | 第25-27页 |
| 2.2.2 Jones矢量 | 第27-28页 |
| 2.2.3 Stokes矢量 | 第28-29页 |
| 2.2.4 极化度参数 | 第29页 |
| 2.2.5 Poincare极化球 | 第29-30页 |
| 2.3 目标极化散射特性的表征 | 第30-35页 |
| 2.3.1 散射坐标系 | 第30-31页 |
| 2.3.2 散射矩阵 | 第31-32页 |
| 2.3.3 Mueller矩阵 | 第32-33页 |
| 2.3.4 Kennaugh矩阵 | 第33-34页 |
| 2.3.5 协方差矩阵和相干矩阵 | 第34-35页 |
| 本章小结 | 第35-36页 |
| 3 智能优化算法与核方法理论 | 第36-50页 |
| 3.1 智能优化算法简介 | 第36-43页 |
| 3.1.1 遗传算法 | 第37-41页 |
| 3.1.2 粒子群优化算法 | 第41-43页 |
| 3.2 模式识别的核方法 | 第43-48页 |
| 3.2.1 核方法原理 | 第44-45页 |
| 3.2.2 核函数理论 | 第45-46页 |
| 3.2.3 常用核函数 | 第46页 |
| 3.2.4 常用的核方法分类 | 第46-48页 |
| 本章小结 | 第48-50页 |
| 4 极化SAR相干斑抑制方法 | 第50-73页 |
| 4.1 空域相干斑抑制方法 | 第50-56页 |
| 4.1.1 中值滤波 | 第50-51页 |
| 4.1.2 Boxcar滤波 | 第51页 |
| 4.1.3 高斯滤波 | 第51-52页 |
| 4.1.4 Gamma MAP滤波 | 第52-53页 |
| 4.1.5 Lee滤波 | 第53-54页 |
| 4.1.6 增强Lee滤波 | 第54-55页 |
| 4.1.7 精致Lee滤波 | 第55-56页 |
| 4.2 极化域相干斑抑制方法 | 第56-59页 |
| 4.2.1 极化白化滤波器 | 第56-57页 |
| 4.2.2 最优权值滤波器 | 第57-59页 |
| 4.3 基于核独立成分分析的极化SAR相干斑抑制 | 第59-63页 |
| 4.3.1 ICA的基本思想 | 第59-61页 |
| 4.3.2 基于KICA的极化SAR相干斑抑制思想 | 第61页 |
| 4.3.3 KICA算法思路与流程 | 第61-63页 |
| 4.4 实验结果与分析 | 第63-72页 |
| 4.4.1 实验数据 | 第63-64页 |
| 4.4.2 实验方案 | 第64-65页 |
| 4.4.3 对比分析 | 第65-72页 |
| 本章小结 | 第72-73页 |
| 5 极化SAR影像对比增强算法 | 第73-91页 |
| 5.1 最优极化对比增强 | 第73-77页 |
| 5.1.1 基于线性加权的对比增强 | 第73-75页 |
| 5.1.2 基于最优对比的SUMT增强 | 第75-76页 |
| 5.1.3 广义最优对比增强 | 第76-77页 |
| 5.2 极化两目标同零 | 第77-78页 |
| 5.2.1 同极化零和交叉极化零 | 第77-78页 |
| 5.2.2 对称散射矩阵的两目标同零 | 第78页 |
| 5.3 基于智能优化算法的极化对比增强 | 第78-90页 |
| 5.3.1 基于遗传算法的极化对比增强 | 第82-83页 |
| 5.3.2 基于粒子群优化算法的极化对比增强 | 第83页 |
| 5.3.3 实验结果与分析 | 第83-90页 |
| 本章小结 | 第90-91页 |
| 6 极化SAR影像分类方法 | 第91-126页 |
| 6.1 基于传统光学影像处理方式的极化SAR分类 | 第92-95页 |
| 6.1.1 K均值聚类 | 第92页 |
| 6.1.2 FCM聚类 | 第92-95页 |
| 6.1.3 人工神经网络 | 第95页 |
| 6.2 基于统计特性的极化SAR分类方法 | 第95-98页 |
| 6.2.1 基于S矩阵的复高斯分布的最大似然分类器 | 第96-97页 |
| 6.2.2 基于C或T矩阵的最大似然分类器 | 第97-98页 |
| 6.3 基于物理散射特性的极化SAR非监督分类 | 第98-105页 |
| 6.3.1 Cloude-Pottier分解 | 第99-100页 |
| 6.3.2 H/α非监督分类 | 第100-102页 |
| 6.3.3 H/α/A非监督分类 | 第102-103页 |
| 6.3.4 基于KICA的极化SAR非监督分类 | 第103-105页 |
| 6.4 基于统计特性与物理散射特征相结合的极化SAR非监督分类 | 第105-124页 |
| 6.4.1 基于散射特性保持的非监督分类 | 第105-106页 |
| 6.4.2 H/α-Wishart非监督分类方法 | 第106-108页 |
| 6.4.3 H/α/A-Wishart非监督分类方法 | 第108页 |
| 6.4.4 基于智能优化算法的极化SAR非监督分类方法 | 第108-112页 |
| 6.4.5 实验结果及分析 | 第112-124页 |
| 本章小结 | 第124-126页 |
| 7 总结与展望 | 第126-129页 |
| 7.1 研究总结 | 第126-127页 |
| 7.2 存在的问题和展望 | 第127-129页 |
| 参考文献 | 第129-138页 |
| 攻读博士学位期间发表的论文及参与的科研项目 | 第138-140页 |
| 致谢 | 第140-141页 |
