一、单视SAR图像的相干斑特征分析与统计（论文文献综述）
邢伟达[1]（2021）在《复杂电磁环境下SAR图像中道路检测方法研究》文中认为道路是当今世界上最主要的陆地交通设施,同时也是军事侦察的重要目标。合成孔径雷达（SAR）可以全天时、全天候获得大面积的高分辨率雷达图像,在民用和军事领域有着十分广泛的应用前景,但日益复杂的电磁环境给SAR图像道路检测带来新的技术挑战。针对在射频干扰环境和杂波背景环境下道路检测能力亟待提升的问题,课题围绕射频干扰抑制、杂波背景抑制和道路提取,论文的主要研究工作及创新点包含以下几个方面。1.针对强射频干扰难以完全滤除的问题,提出了一种基于两步式频域陷波和线性预测的射频干扰抑制方法,该方法通过两步陷波法来提升强射频干扰抑制能力,然后利用线性预测来恢复滤除的有用信号距离向频谱和提升SAR图像质量,实测数据处理结果验证了该方法在强射频干扰的抑制能力;进一步针对弱射频干扰信号难以被检测识别的问题,提出了一种基于频谱平滑处理和缺失频谱迭代自适应估计的射频干扰抑制方法,该方法通过距离频谱平滑处理来提升弱射频干扰识别能力,然后利用迭代自适应方法从相邻频谱数据中估计被滤除的信号频谱,模拟和实测数据验证了该方法在弱射频干扰的检测和抑制能力。2.针对强杂波背景下相干斑噪声影响图像检测和识别问题,重点研究了基于空域滤波的相干斑噪声抑制算法,对比和分析了几种算法相干斑抑制前后的图像等效视数和边缘保持指数;针对SAR图像中强散射目标旁瓣影响图像解译的问题,提出了一种基于自回归模型SAR图像旁瓣抑制方法,首先通过前向和后向预测器进行信号频谱外推,然后通过幅度加窗处理来抑制旁瓣能量,仿真实验验证了该方法的旁瓣抑制能力和几何分辨率保持能力。3.根据SAR图像中道路目标形态特征,研究了一种基于图像分割与区域合并的道路检测方法,首先利用Canny算子和分水岭算法实现了道路边缘的精确定位,通过潜在道路的种子点进行区域合并,最后通过形态学操作提升道路检测准确度,不同宽度道路网络检测结果验证了道路检测方法的有效性;结合射频干扰和杂波背景抑制情况,对比了射频干扰和杂波背景抑制前后道路的提取效果。
王飞龙[2]（2021）在《基于比值对数积与积分图数近半下降的极化SAR图像相干斑抑制算法》文中提出极化合成孔径雷达（polarimetric synthetic aperture radar,PolSAR）由于其成像具有全天时和全天候的优势,使得PolSAR图像在国土资源勘测、环境监测、军事侦察等领域得到广泛应用,然而由于其相干斑的存在,对后续的图像解译带来困难。为了有效抑制相干斑,出现了诸多PolSAR图像相干斑抑制算法,而其中的非局部均值算法由于其良好的相干斑抑制性能,从而得到广泛关注。然而PolSAR图像非局部均值算法中仍存在点目标保持不足、近边缘均匀区域相干斑抑制偏弱以及积分图计算尚有冗余的问题,为了解决这些问题,论文给出基于比值对数积和积分图数近半下降的非局部均值算法,从理论分析和性能评价两方面对PolSAR图像相干斑抑制进行了研究工作。本文主要研究工作如下:1)给出了一种基于比值对数积的PolSAR图像非局部均值相干斑抑制算法。首先针对已有算法基于像素相似性度量不适用的问题,给出一种比值对数积的距离度量,并数学分析了在已有假设条件下,该距离适用于乘性模型。随后理论分析了此距离在点目标保持、近边缘均匀区域平滑存在问题的原因,而为了解决这两方面问题,又引入了块中心比值对数积的距离度量,并从点目标保持和近边缘均匀区域平滑两个方面进行了理论分析。随后将这两个距离利用极化总功率图像形成PolSAR图像非局部均值算法。实验采用三种PolSAR图像,结果表明本文算法在点目标保持度优于已有算法至少0.056（无量纲）;在近边缘相干斑抑制性能优于已有算法至少9.1%,实验结果表明,该算法可以有效解决点目标保持和近边缘均匀区域平滑存在的问题。该算法同时还基于其它性能指标与已有算法进行了实验对比与分析工作。2)给出一种积分图数近半下降的PolSAR图像改进非局部均值相干斑抑制算法。首先对非局部均值算法的计算冗余性进行了理论分析,随后分析了将积分图用于非局部均值算法从而降低其计算冗余的原因。通过分析发现积分图用于非局部均值算法仍存在计算冗余的问题,为了解决这一问题,受已有文献启发,将其对称性思想引入积分图计算,并应用于比值对数积的非局部均值算法,理论分析表明该算法积分图数下降接近一半。实验采用五种PolSAR图像,结果表明该算法在运行时间至多是已有对比非局部均值算法运行时间近40%,反映出该算法能有效降低非局部均值算法的计算冗余,从而提高其计算快速性。同时由于积分图与对称性的联合运用,并未使得非局部均值算法性能下降。该算法同时还基于其它性能指标与已有算法进行了实验对比与分析工作。
李冠男[3]（2020）在《基于星载极化SAR图像的海上溢油检测与分析研究》文中研究表明随着世界航运的快速发展,载油船舶碰撞、非法排污和输油管道破裂等溢油事故频繁发生,增加了海上通航环境的溢油事故风险。海洋溢油的快速有效识别和检测,对保障海上交通安全、溢油事故应急指挥、海上搜救以及海洋环境灾后修复都具有重要意义。合成孔径雷达遥感技术打破了传统监测方法的局限性,因具备全天时和全天候的宏观成像能力,已被广泛应用于海洋溢油检测研究。随着SAR系统的不断发展和完善,逐渐由单极化向多极化拓展,极化 SAR（Polarimetric Synthetic Aperture Radar,Pol-SAR）系统通过测量目标复散射矩阵进而获取目标的“全息”信息,有助于对油膜的散射机理进行分析、解译,进而实现油膜的提取和检测。但是,极化SAR溢油检测仍然存在一些重、难点问题,如不同模式极化SAR系统溢油识别性能差异尚待研究,极化特征空间有待进一步拓展,极化信息没有得到充分的利用等。本文针对极化SAR溢油检测中存在的问题开展研究,以极化理论为基础,对不同模式极化SAR溢油散射机制的识别性能进行分析与比较,分别对获取部分极化信息的双极化SAR和获取完整极化信息的全极化SAR开展海洋油膜的识别与检测研究。本文开展的主要创新性工作如下:（1）针对多时相双极化SAR溢油检测中时间维度造成的计算冗余以及缺乏对不同油水边界条件综合分析的问题,本文首先提出了基于多时相潜在暗区域发生频率的溢油感兴趣区域提取方法,实现了时间序列下宽幅影像溢油感兴趣区域的快速提取,有效降低了空间维度的运算量。在此基础上,扩展信息丰度的同时综合考虑不同边界条件下的优势特征的利用,基于随机森林模块提出一种兼顾不同油水边界条件的极化-纹理优势特征的溢油检测方法,实现了不同油水边界条件下溢油的有效提取。此外,依托本文提出的方法,以Sentinel-1A卫星在里海中部相同观测条件下的多时相影像为例,分析了溢油的空间分布和年内月际动态变化趋势。（2）针对全极化SAR溢油检测的极化特征扩展问题,提出了新的组合极化特征参数。为提高油膜与类油膜、背景海水之间的区分度,进一步拓展极化特征空间,本文基于极化散射熵H和改进的各向异性A12提出了一组新的组合极化特征——HA12组合,实验结果表明HA12组合的溢油检测能力整体优于传统的HA组合,可作为后者在溢油检测中的替代方案;其中,H（1-A12）形式的组合参数表现最佳,在油水分离度和分类贡献度方面整体优于其他四种类型的极化特征,能够凸显油膜目标信息的同时有效抑制海杂波和类油膜信息,在不同溢油场景中保持优势性和鲁棒性。（3）针对目前全极化SAR溢油检测方法缺乏对极化特征谱的构建、描述及充分利用的问题,提出一种基于多维极化特征强度模型匹配的溢油检测方法。本文构建了油膜目标的多维极化特征强度模型,引入光谱泛相似性测度SPM（Spectral Pan-similarity Measure,SPM）对模型和待测样本之间特征谱的相似性进行度量,进而搜寻并匹配同质像素进行归类,实现了极化空间下对油膜相对厚度信息的描述和有效分类。实验结果表明本文方法在兼顾分类精度和时间复杂度条件下整体优于传统的相似性测度和分类器算法。本文基于星载极化SAR图像对海洋溢油检测开展了系统性研究,在溢油散射机理分析研究的基础上,分别构建了双极化SAR和全极化SAR系统下的溢油检测方法,取得的溢油检测结果验证了所提出极化SAR溢油检测方法的有效性和鲁棒性。该研究对保障海上交通安全和提高海事应急管理能力具有重要意义,为实现极化SAR对不同场景海上溢油的识别与检测奠定了理论基础。
余祥伟[4]（2020）在《盐源地区雷达遥感滑坡灾害识别与形变监测研究》文中提出处于横断山区南段的盐源县,是我国地质环境条件最为脆弱的地区之一,域内多条断层纵横发育,岩性破碎,第四系松散堆积体覆盖广泛,地势陡峭,高差悬殊,致使该地区地质灾害风险性较高。滑坡作为该区域里主要的灾害类型,随着当地基础设施建设对地表改造加剧,愈加发生频繁,造成巨大的人员及财产损失。岩土体位移是滑坡发生最为直观的特征,常规的地表位移监测方式往往费时费力,受外界环境制约大,不能满足大区域滑坡探测及高精度监测的需求。星载SAR时序干涉测量技术可提取宽幅地表mm/a级的地表形变速率及时序形变特征,这有利于缓慢蠕变滑坡的识别与监测,SBAS-InSAR技术作为时间序列分析技术的代表之一,能消除传统干涉测量中的时空失相干、大气延迟等影响,受限于复杂地表环境及雷达成像模式,使得该技术在山区滑坡隐患的区域识别及多维度、高精度监测的应用中,仍存在一系列亟待解决的难题。为此,本文在对盐源县地表干涉特征及SBAS-InSAR技术的研究基础上,选取Sentinel-1A数据的宽幅单视复数产品,考虑到干涉处理中,影像配准精度优于亚像素的要求及相位偏差对测量精度的影响,采用分步配准,外部资料辅助的方法,增加干涉结果的可靠性,取得了较好滑坡探测效果,并对典型滑坡体,开展二维滑坡形变监测实验,对滑坡演化特征及形成机理进行了研究,研究内容及成果如下:（1）利用RI指数及坡度、植被的空间去相干模型,对研究区的探测盲区及低敏感区进行了提取,对Sentinel-1A升轨数据应用于该区域滑坡识别的适用性及约束条件进行了较为系统的分析,讨论了SBAS-InSAR数据处理中的难点以及相应的解决思路及策略。（2）利用时间跨度约2年的23期Sentinel-1A升轨数据,开展盐源县地表SBAS-InSAR监测,保留可视性及相干性较好的结果,获取盐源县沿雷达向隆升及沉降的区域,及其相应的形变特征,得到盐源县地表形变速率,据雷达观测向与坡度的关系,提取得到滑坡沿斜面下滑速率范围为-147.86～0mm/a。（3）对判定滑坡运动的阈值进行了研究,得到疑似滑坡引起的形变点,对形变点进行空间分析,结合滑坡影像特征及发育规律,快速识别到缓慢/慢速变形的20处不稳定斜坡,58处新滑坡点,32处老滑坡点,并得到了历史资料的验证,证明了该技术的有效性。（4）分析了玻璃村滑坡形变发育的时间及空间特征,融合升降轨SBAS-InSAR处理结果提取了该滑坡在垂直向及滑动向上的形变特征,据形变-时间曲线对滑坡演化过程进行了简要分析,这为滑坡机理研究及监测预警提供了依据。
门晓勇[5]（2020）在《SAR图像舰船目标检测技术研究》文中指出合成孔径雷达是主动式的雷达,其工作波段主要是微波波段,对空间介质有很强的穿透力,而且受光照等因素的影响较小,因而保证了其在夜间和各种天气下的工作效率,而这一特点对于海面目标监测有着极其重要的意义。随着合成孔径雷达分辨率的提高,SAR图像中包含了丰富的信息,其中包括海面舰船的形态、舰船的类别、舰船的尾迹等信息,并且获得相应的参数信息。从民用层面上讲,这类信息能够提供目标的位置去向以及对于指挥海上交通有着极大的意义。从军事层面上讲,这类信息对于我军对战场情况的感知以及指挥作战有着重要作用,能够做到知己知彼,并且提前给出应对方案。因此,SAR图像的判读解译对于维护海洋权益有很大作用,作为SAR图像判读解译的重要组成部分,研究高效率、高准确度的SAR图像舰船目标检测方法有着十分重要的意义。本文首先详细介绍了SAR图像舰船目标检测的经典算法中的恒虚警率检测算法,分析了各种恒虚警率检测算法以及算法中的海洋背景杂波模型,同时给出了各个算法的适用范围以及各个海洋背景杂波模型的参数估计过程和相对的阈值的计算过程。本文主要针对海洋背景杂波的建模进行研究,同时为了更好地检测近岸舰船目标,本文提出了一种基于舰船目标几何特征的检测方法。一、提出了基于Gumbel混合分布模型的恒虚警率检测算法。恒虚警率检测算法是SAR图像舰船目标检测中应用范围最广、检测效果最好的算法之一,其基于SAR图像的灰度值特征来对图像中的目标进行检测,利用目标灰度值和背景灰度值差异较大的特性来检测图像中潜在的目标。本文提出了Gumbel混合分布模型来描述海洋背景杂波,利用Gumbel分布模型中的位置参数和尺度参数来更好地描述海洋背景杂波,同时应用期望最大化方法给出了Gumbel混合分布模型中位置参数、尺度参数以及权值的参数估计过程,并且通过模型拟合效果验证了该模型的有效性以及该参数估计方法的有效性。最后应用牛顿迭代法给出了基于该模型的恒虚警率检测算法阈值估计过程并且,通过对实测SAR数据的仿真实验,来验证本文所提模型相较于其他模型的优越性。二、提出了基于几何特征的近岸舰船目标检测算法。针对近岸舰船目标的检测,随着SAR图像的分辨率逐渐提高,对舰船目标的描述能力也大大加强,其中包含的细节信息越来越多,基于此,本文提出了基于舰船目标几何特征的检测方法。针对虚警目标,提出了基于舰船目标先验知识的方法来去除虚警目标。算法首先对SAR图像进行预处理,之后提取舰船目标的几何特征,完成舰船目标的检测,同时去除虚警目标,给出最终的检测结果。最后,通过对实测高分辨率SAR图像的仿真实验来验证了本文所提算法的有效性以及准确性。
解金卫[6]（2019）在《PolInSAR/TomoSAR植被和建筑物高度反演研究》文中指出极化干涉合成孔径雷达（Polarimetric Interferometry Synthetic Aperture Radar,PolInSAR）技术不仅包含了对地物高程信息敏感的干涉相位信息,也包含对自然地物形态、材质、结构、方向以及空间分布敏感的极化散射信息。该技术在植被高度反演、高精度地形测绘、高效林业资源管理、农业生产、气象测图、防灾减灾、事故搜救、反恐侦察等领域有着巨大的应用潜力。层析合成孔径雷达（Tomographic Synthetic Aperture Radar,TomoSAR）技术是干涉合成孔径雷达（Interferometric Synthetic Aperture Radar,InSAR）系统沿俯仰向逐渐增加基线数目形成合成孔径,然后通过高度维成像处理获得地物的高度向分辨率的技术。该技术已广泛应用于建筑高度反演、建筑物三维结构提取、建筑物微小形变监测以及植被垂直结构反演中。本文针对基于PolInSAR的植被高度反演和基于TomoSAR的建筑物高度反演中存在的关键问题进行了研究。文中植被高度指广义的植被区高度,包含植被区数字表面模型（Digital Surface Model,DSM）和地表到植被顶部的植被冠层高度。论文主要从PolInSAR理论基础与数据预处理、PolInSAR植被区DSM估计、X波段下PolInSAR植被冠层高度反演和TomoSAR建筑物高度反演四个方面展开研究。主要内容和创新点概括为如下:（1）PolInSAR理论基础与数据预处理第二章简要介绍了PolInSAR的基本理论,对极化SAR数据中相干斑噪声滤波方法和稀疏植被区PolInSAR相干系数估计方法进行了研究,主要工作如下:提出一种联合约束准则的极化SAR相干斑噪声滤波方法。针对传统极化SAR相干斑噪声滤波时,滤波器在图像边缘纹理特征、强度统计特性和极化散射特性三种性能保持上存在缺陷的问题,提出一种可以自动匹配地物弧形或线性边缘的形态窗和一种可以保持地物极化散射特性的极化散射相似因子（Scattering Similarity Factor,SSF）;结合已有的保持图像强度统计特性的改进Lee-sigma滤波器,提出一种联合上述三种约束准则的极化SAR相干斑噪声滤波方法,该方法首先经过形态一致准则选择出保持图像纹理特性的样本像素,然后同时利用另外两种准则在已选出的样本像素中再次进行筛选,最后进行噪声滤除处理。经过该方法滤波后能同时使图像中上述三种性能保持不变。星载极化SAR实测数据验证了所提方法的有效性。给出一种稀疏植被区PolInSAR相干系数估计方法。针对稀疏植被区传统相干系数估计求统计平均时没有考虑缝隙存在导致估计的相干系数不准确的问题,借鉴极化SAR相干斑滤波过程,将联合约束准则运用到极化干涉相干系数的估计中,给出一种基于联合约束准则同时估计主辅航过的自相关矩阵和互相关矩阵,从而估计得到精确相干系数的方法。机载实测数据验证了方法的有效性。（2）PolInSAR植被区DSM估计第三章针对极化干涉相干最优化技术和基于该技术下的PolInSAR植被区高精度DSM估计方法展开了研究,主要内容包括:给出一种基于极化干涉相干系数最大化相位差最优化法的PolInSAR植被区DSM估计方法,并介绍了一种联合干涉相干系数幅度差和相位差最优化法的PolInSAR植被区DSM估计方法。前者通过求解相干系数正切值最大程度上提高电磁波在植被中的散射相位中心高度。后者通过考虑干涉相干系数幅度差和干涉相干系数相位差关联度最优,兼顾极化干涉相位质量和植被中电磁波散射相位中心高度的提高。考虑DSM对于干涉相干系数相位比较敏感,当相干最优化后得到干涉相干系数幅度均较高的情况下,优先选择最大化相位差最优化法进行最终的DSM估计。提出一种基于电磁波最浅穿透深度估计的PolInSAR植被区DSM估计。针对电磁波在植被中有一定穿透深度,利用最大化相位差最优化法进行DSM估计后得到的结果与真实植被顶部高程仍有一定间距,即DSM仍然欠估计的问题,提出一种植被中指数形式的电磁波最浅穿透深度估计模型。利用最大化相位差最优化法得到的高散射相位中心干涉相位进行干涉处理获取植被区粗表面高程,然后将得到电磁波最浅穿透深度补偿到粗表面高程中,从而提高植被区DSM估计精度。仿真数据和机载实测数据验证了所提方法的有效性。（3）X波段下PolInSAR植被冠层高度反演第四章对X波段下PolInSAR植被冠层高度反演技术进行了研究,主要内容如下:提出一种结合不同极化通道SAR图像方位向频谱分割（Frequency Segmentation,FS）的X波段下PolInSAR植被冠层高度反演策略。针对X波段下相干系数分布过于集中,传统三阶段反演算法中地形相位估计和有效体散射相干系数估计均出现较大误差导致植被冠层高度反演不准确的问题,首先利用FS得到的子视干涉对扩展了原来SAR图像在不同极化状态下的干涉相干系数范围,从而得到准确的地形相位。对于有效体相干系数的判断,利用范围扩展后的相干系数分布拟合直线被固定范围消光系数曲线截取的部分求平均,从而得到准确的有效体相干系数。最后利用去除地形相位的有效体相干系数估计得到X波段下高精度植被冠层高度结果,机载实测数据验证了所提方法的有效性。（4）TomoSAR建筑物高度反演第五章针对TomoSAR成像中的基线优化设计和利用TomoSAR技术进行建筑物高度估计展开了研究,主要工作如下:提出一种基于迭代空域扰动的序列二次规划（Iterative Space-perturbation on Sequential Quadratic Programming,ISP-SQP）基线优化方法。针对利用层析成像方法进行建筑物高度反演时,传统基线优化方法容易收敛到局部最优的问题,通过在传统基线优化结果基础上对基线分布不断迭代加入空域扰动,最终得到全局最优的基线设计结果,利用仿真数据验证了所提方法的可行性。提出一种基于幅相联合（Joint Phase and Amplitude,JPA）的不一致准则。针对高分辨不同航过SAR图像中同名点存在扩散现象从而影响建筑物高度反演的问题,构建了一种像素幅相不一致准则,该准则利用参考像素与窗口中邻域像素点的幅度和相位不一致性判断SAR图像中的同名像素点。通过该准则可有效找到不同航过下扩散的同名点,从而提高TomoSAR建筑物高度反演精度。利用仿真数据和机载实测数据验证了方法的有效性。提出一种基于改进奇异值分解（Singular Value Decomposition,SVD）的建筑物高度反演方法。针对传统奇异值分解方法只针对测量矩阵进行处理,观测矢量在低信噪比（Signal to Noise Ratio,SNR）下包含较大的相位误差,导致层析成像误差较大的问题,给出一种结合信号子空间的奇异值分解层析成像方法。该方法首先引入一种不考虑噪声分布形式的M估计器进行观测信号协方差矩阵估计,然后对得到的协方差矩阵进行特征值分解。选出模型阶数下的特征向量构成信号子空间,并对信号子空间累加得到去噪后的观测矢量。最后将观测矢量应用到奇异值分解方法中,从而提高建筑物高度反演精度。利用仿真数据和机载实测数据验证了算法的有效性。
何敬鲁[7]（2019）在《SAR图像舰船目标检测与分类方法研究》文中研究指明合成孔径雷达（Synthetic Aperture Radar,SAR）以其全天时工作特性、不受气候条件影响、可以进行大范围场景观测的卓越性能,在对海洋区域进行连续、实时、长期的监测任务中发挥着不可替代的作用。随着各种先进SAR传感器的面世并投入使用,可获得的SAR图像数据（尤其是星载SAR图像数据）与日剧增,如何对沿海区域和开放海域的大量SAR数据进行充分解译是SAR遥感领域面临的一个重要研究课题。本文针对SAR图像中舰船目标的检测与分类识别任务展开深入研究,重点研究极化SAR图像中弱小舰船目标的检测问题和中等分辨率SAR图像中舰船目标的分类识别问题,期望发展出高效实用的SAR图像舰船目标自动识别解译系统。本学位论文的主要研究工作可概括如下:针对极化SAR（Polarimetric SAR,PolSAR）图像中舰船目标与海杂波的散射差异性,提出了一种适用于PolSAR图像的特征提取方式,进一步构造了一种自适应舰船目标检测算法。复杂海洋背景下通常存在部分目标后向散射较弱,海杂波的后向散射较强,导致获取的SAR图像中目标具有较小的信杂比（Signal-to-Clutter Ratio,SCR）,弱小舰船目标很容易淹没在海杂波中,利用目标散射能量的传统检测算法的性能下降明显,难以满足实际的舰船目标检测需求。本文利用PolSAR数据,提出在局部区域内度量舰船目标和海杂波之间的二面角散射机制和体散射机制差异,得到新的局部散射机制差异回归核（Local Scattering Mechanism Difference based on Regression Kernel,LSMDRK）特征提取方式,充分提升了舰船目标和海杂波之间的差异性。基于提取的LSMDRK特征,通过结合基于自相似性的显着性检测算法,得到舰船目标和海杂波之间的对比度进一步提升的显着性图,然后结合自适应阈值分割方法完成舰船目标的自适应检测。通过实测星载SAR数据验证了该算法在较低的虚警率下对弱小舰船目标具有较高的检测性能。针对传统像素级的舰船目标检测算法受相干斑影响严重、对复杂海况不稳健的问题,提出了三种区域级的差异性度量方式,进一步构造了一种有监督的PolSAR图像舰船目标自动检测算法。首先对待检测PolSAR图像进行超像素分割,然后分别从不同超像素内极化相干矩阵的统计分布差异、不同等效超像素相干矩阵（Equivalent Superpixel Coherency matrix,ESC）在黎曼流形上的距离差异以及不同ESC矩阵在不同散射机制下的散射功率分布差异等方面度量舰船目标和海杂波的差异性,使得舰船目标与不同背景下的海杂波之间的对比度显着提升,并且提出的超像素级差异性度量几乎与雷达回波的后向散射功率无关。通过不同超像素分割尺度下的差异性度量的融合提升差异性度量方式对不同尺寸的舰船目标与不同背景下的海杂波的稳健性,最后以一种有监督的方式结合核Fisher判别方法和线性SVM分类器实现PolSAR图像舰船目标的自动检测。基于RADARSAT-2的仿真和实测数据验证了该方法对不同SCR下的舰船目标检测的稳健性和有效性。针对传统特征提取方式对中低分辨率SAR图像中舰船目标分类性能不佳的问题,探索了不同架构的深度卷积神经网络（Deep Convolutional Neural Networks,DCNNs）对中等分辨率（Medium Resolution,MR）SAR图像中的商用船舶的分类性能,进一步提出了适用于MR SAR图像舰船目标分类的密集连接CNN网络架构,提高了CNN网络对MR SAR图像中舰船目标的特征提取能力。基于MR Sentinel-1 SAR图像舰船目标分类数据集的实验证明,新提出的密集连接CNN网络架构相比于经典CNN网络结构对油轮、集装箱船和散装货船具有较高的分类准确率,并且对于油轮、集装箱船、散装货船、货船和杂货船五类舰船目标分类任务和训练数据样本数目较少的分类任务具有较好的稳健性。进一步针对MR SAR图像中舰船目标的类内差异性大和类间可分性小的问题,提出了基于多任务学习（Multi-Task Learning,MTL）框架的MR SAR图像舰船目标分类方法。MTL框架通过联合优化softmax对数分类损失和深度度量学习（Deep Metric Learning,DML）机制施加的三元组损失,使得同类样本在特征空间内的距离更近以及不同类样本在特征空间内的距离更远,从而提高舰船目标的分类性能。DML方法采用密集连接CNN网络架构作为三元组网络的主干网络,通过处理三元组数据得到深度嵌入特征,然后施加三元组相似性约束计算三元组损失函数。但是常规的DML方法独立地利用三元数据组计算三元组损失,容易导致网络收敛速度变慢和过拟合问题的出现。因此,基于Fisher判别准则的正则化损失项被加入到MTL损失函数中,通过集成训练数据中全部三元组数据的全局信息提升网络训练的稳定性和泛化能力。基于MR SAR图像舰船分类数据集的实验证明,MTL分类框架相比现有的SAR图像CNN网络目标识别方法具有更好的分类性能,并且对于类别数目较多的分类任务具有较好的泛化性能。
全斯农[8]（2019）在《极化SAR非相干目标散射机理分解方法及应用研究》文中指出作为高分辨率微波成像系统从获取单一“图像”到定量化测量里程碑式的突破,极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,Pol SAR）在测量不同通道下幅度和相位的基础上,可以完整而准确地获取不同地物和目标的散射信息。作为数据和解译之间的桥梁,极化非相干目标散射机理分解（Polarimetric Incoherent Target Decomposition,PITD）以其明确的物理性,无需先验地在散射机理分析中发挥着不可替代的作用。当今,城市发展已成为新时期人类文明前进的重要标志,建筑物毁伤评估、道路规划以及自然灾害变化检测等产生的建筑物地域特征内涵都需要科学的评估。针对军队和地方有关部门对战略情报获取、灾害监测、政府公共决策的应用需求,本文系统地研究了基于物理散射模型的极化非相干目标散射机理分解技术,研究重点包含建筑物散射机理分析、多态散射模型建立以及建筑物信息提取三个方面。本文具体研究内容和工作主要为:（1）基于散射能量迁移的极化非相干目标散射机理分解。首先回顾了经典基于物理散射模型的Freeman三成分和Yamaguchi四成分分解算法,结合经典散射模型以及分解框架的缺陷,剖析了造成相对传感器平台飞行方向有一定夹角的建筑物（下称旋转建筑物,相对于非旋转建筑物）区域散射机制混淆的体散射过估现象。为了降低旋转建筑物区域的交叉极化能量,提出了模型酉相似变换驱动的泛化分层目标分解方法,该方法利用极化方位角补偿以及相位角补偿对输入矩阵和散射模型进行酉相似变换,在保持和最大化极化信息不变的基础上,引入泛化体散射模型和交叉散射模型,利用相干系数比在自然区域和建筑物区域两个层面分别进行目标散射机理分解。实测全极化SAR数据的分解结果表明了分层泛化分解方法在改善体散射过估和消除散射机制混淆方面的有效性,对比实验则论证了相位角变换在降低交叉极化能量和约束散射负能量方面的优势。（2）基于散射方位延拓的极化非相干目标散射机理分解。首先明确了建筑物特别是旋转建筑物的散射行为,论述了建筑物方位对散射机制解译以及散射建模的重要性,结合建筑物的几何结构,指出了建筑物极化方位角可延展至第二维度。在此基础上,分别提出邻域自适应的弧距中值滤波算法对第一维极化方位角进行修正以及斜率诱导的阴影形状恢复方法对第二维极化方位角进行估计。考虑到第一和第二维极化方位角的适用性和对散射解译的影响,建立了泛化性更强的双交叉散射模型,构造了建筑物矩阵元素驱动散射特征进行分层分解,提出了模型方位延拓驱动的精细化分层目标分解方法。实测全极化SAR数据实验定性和定量验证了第二维极化方位角的存在性和有效性,精细化分层结果表明双交叉散射模型不仅可以改善散射机理混淆现象,还能准确地刻画交叉极化成分。（3）基于散射成分分配的极化非相干目标散射机理分解。首先回顾了经典的基于特征值的Cloude分解以及极化熵、平均散射角和各向异性等经典特征值参数,针对相干噪声和多视处理对特征值参数估计的干扰,指出了经典特征值参数在地物分类能力上的缺陷。为了降低噪声以及多视处理的影响,额外利用另外两个等效的衍生特征值参数,即雷达植被指数和极化不对称性从定性的层面构造了旋转建筑物散射特征描述子。利用旋转建筑物散射特征描述子,结合实际旋转建筑物区域中交叉极化成分远大于同极化成分这一事实,对交叉散射/双交叉散射模型元素进行了修正,提出更贴近实际的旋转建筑物散射模型。基于旋转建筑物散射模型,提出了模型特征修正驱动的广义泛化目标分解方法。实测全极化SAR数据的分解结果和对比实验论证了旋转建筑物散射模型还可以在不进行任何补偿和分层的情况下,合理地分配旋转建筑物区域的同极化和交叉极化成分。不仅如此,该分解方法不仅可以显着地降低体散射能量,还能够同时增加旋转建筑物散射和表面散射能量,使得散射解译结果更贴近实际。（4）基于非相干目标散射机理分解的极化SAR建筑物信息提取。首先对建筑物检测进行了研究。一方面,针对非旋转建筑物中二次散射同极化成分广泛分布这一事实,提出了基于变化检测量的能量显着性检测方法,另一方面,通过对旋转建筑物散射随机性、极化不对称性以及去极化效应等特性的分析,提出了基于衍生特征值分解的散射显着性检测方法,实测全极化SAR数据实验表明了两类检测结果的融合能够有效去除自然虚警和提高不同方位建筑物检测精度。其次对建筑物边缘提取进行了研究。针对传统双边窗中由于固定形状大小而产生非一致性像素这一缺陷,构造了具有自适应形状大小的散射机制驱动窗。为了规避传统比值度量中统计分布假设这一风险,提出了基于功率的最优极化对比度量,实测全极化SAR数据实验表明该方法具有更高的边缘定位精度和细节维持能力。最后对建筑物分割进行了研究。为了克服传统简单线性迭代聚类算法中全局信息不明确以及归一化割算法中特征计算复杂的缺陷,通过定义半正定核函数来构造高维特征空间,提出了线性特征聚类超像素分割算法,针对传统分割算法中旋转建筑物像素和自然地物像素混淆这一现象,该方法利用分层泛化分解产生的散射特征作为输入,并将边缘等匀质性信息自适应地融入到特征聚类权重中,实测全极化SAR数据实验表明该分割方法不仅能有效改善像素混淆现象,还具有良好的边界粘合性和细节保持性。
樊伟伟[9]（2019）在《PolSAR目标检测方法研究》文中进行了进一步梳理极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）是建立在传统合成孔径雷达（Synthetic Aperture Radar,SAR）上的新体制雷达,它不仅具有全天时、全天候、远作用距离、宽观测带与高分辨率成像等优势,而且能够充分利用电磁波的极化信息精确反映目标物理散射过程,使它在目标检测、资源勘探、地形测绘、海面环境监测、战场监视与侦察等国计民生等领域具有独特的应用优势。然而,极化SAR易受到同频段射频源干扰、图像数据表征形式与观测场景复杂等造成极化SAR目标检测精度下降的问题。由于极化SAR图像数据表征形式的复杂性,如何对极化SAR图像数据的统计分布模型进行构建与模型参数的精确估计是当前极化SAR目标检测的关键问题。在复杂观测场景下目标的散射特性易受到观测环境的影响,如何设计有效的特征提取方法并有效的挖掘目标各种特征的关联性同样是当前极化SAR目标检测的关键问题。同时,射频干扰的存在会影响极化SAR成像质量与后续目标检测的性能,如何对干扰进行检测与抑制是雷达信号处理领域中的热点问题。因此,研究极化SAR的目标检测方法具有重要的现实意义与理论价值。论文以提升目标检测性能为目的,重点围绕极化SAR干扰抑制方法、极化SAR成像结果的统计分布模型构建与模型参数估计方法、极化SAR数据特征提取与目标检测方法等内容进行深入的研究。主要研究内容如下:1.在掌握极化SAR工作原理的基础上,研究极化SAR成像结果的表征方法,并在此基础上分析极化SAR图像的统计特性与目标散射特性。首先,本节利用双随机乘积模型建立极化SAR图像数据的统计模型。然后,利用梅林变换和梅林统计量分析其统计特性。接着,利用典型的极化分解方法分析目标的散射特性。最后,从射频干扰表征与射频干扰特性分析两个方面,定性分析了干扰在不同特征域对极化SAR数据的影响,为后续的射频干扰抑制方法与极化SAR目标检测方法的研究奠定了理论基础。2.针对射频干扰造成极化SAR的成像质量与极化SAR目标检测的性能下降的问题,提出了基于深度卷积神经网络（Deep Convolutional Neural Network,DCNN）的射频干扰检测方法与基于深度残差网络（Deep Residual Network,ResNet）的干扰抑制方法。首先,详细介绍DCNN的基础理论,根据射频干扰与目标回波信号在时频域上的特征差异性,设计了基于DCNN的射频干扰检测算法,该算法将射频干扰检测问题转化为二分类问题,并利用经典的视觉几何组网络（Visual Geometry Group,VGG）提取射频干扰在时频域的特征,实现了对窄带与宽带干扰的精确检测。然后,在射频干扰检测算法的基础上设计了一种基于ResNet的射频干扰抑制算法。该方法根据射频干扰与目标回波信号在时频谱上的特征差异性,利用ResNet以及跳级连接结构对时频谱图中的目标回波信号进行提取,进而实现对射频干扰的重构与抑制。该算法不仅能够提升窄带与宽带干扰抑制的准确性,还能够提升干扰抑制的处理速度。最后,仿真和实测的机载/星载SAR数据的窄带与宽带干扰检测与抑制结果验证了基于深度学习的干扰检测与抑制算法的有效性。3.针对高斯模型不能精确表征极化SAR图像数据的统计分布而导致舰船目标检测性能差的问题,提出了基于非高斯分布的极化SAR舰船目标检测算法,提升了极化SAR舰船目标检测的性能。首先,研究了非高斯分布K-Wishart的统计模型,并分析了K-Wishart分布对极化SAR图像数据的表征能力。然后,利用改进的最大期望算法对抽取的极化SAR图像数据进行无监督聚类。由于K-Wishart分布模型复杂,参数估计比较困难,引入了梅林变换和梅林统计量对模型的参数进行估计。而最大期望算法中的聚类个数可以通过统计分布的模型适应性检测确定。在获得极化SAR数据的无监督聚类结果后,根据舰船目标与海背景的极化散射特征差异性,利用SPAN值在无标签的聚类结果中检测舰船目标。最后,通过不同极化SAR系统的多组数据集验证了所提舰船检测算法的有效性。4.针对复杂观测环境下的极化SAR图像中舰船目标检测性能差的问题,提出了基于改进Faster R-CNN的舰船目标检测算法。复杂观测环境下的强海杂波具有较强的散射特性将会影响附近的弱小舰船目标的检测,而海岸在低分率极化SAR图像中与舰船目标具有相似的图像特征,也将降低弱小舰船目标的检测能力。传统Faster RCNN结合DCNN能够挖掘不同目标在高维域的特征差异性在光学图像中实现了对不同目标的准确检测,而传统Faster R-CNN对弱小目标的检测能力较差。为了解决上述问题,首先通过对极化SAR图像数据进行预处理增加样本的多样性并抑制相干斑噪声与海杂波。其次,利用深度卷积神经网络设计海陆分割网络抑制海岸对舰船检测的影响。再次,对Faster R-CNN进行改进使其能够产生不同尺度目标候选窗口从而提升其对小舰船目标检测的性能,最后,通过样本的几何关系以及非极大值抑制方法对舰船目标检测结果进行融合得到最终的舰船目标检测结果。通过AIRSAR与UAVSAR录取的多组极化SAR数据集验证了所提舰船目标检测算法的有效性。
冉崇敬[10]（2019）在《SAR图像相干斑滤波及分割算法研究》文中研究表明合成孔径雷达（Synthetic Aperture Radar,SAR）成像技术作为一种重要的地球空间信息获取手段已广泛应用于军事侦查、科学研究以及资源勘探等各领域。然而,SAR固有的相干斑给图像处理工作带来极大干扰。因此,采取有效措施抑制斑点噪声具有重大意义。此外,SAR图像分割作为SAR预处理阶段极为关键的步骤,是图像解译技术的重要支撑。本论文以全极化和高分辨率SAR图像为研究对象进行相干斑滤波及分割算法等相关技术的研究,现将本论文工作内容总结如下:（1）对极化SAR图像的数据表征、常用目标分解算法以及相干斑特性与噪声模型进行总结,为后续滤波研究奠定基础。（2）针对极化SAR数据相干斑滤波问题,结合极化分解理论与非局部滤波,并提出改进的权值加速算法,得到快速极化SAR图像相干斑抑制算法。在算法中引入极化相似性参数以更好保持目标极化散射特性。在此基础上,针对算法复杂度过高的问题,提出改进加速算法,使运算复杂度由降为。最后由多幅真实极化SAR图像进行实验,证实算法在最大化抑制斑点噪声的同时具备良好的图像细节和极化特性保持能力,且运行效率得到显着提升。（3）结合超像素与稀疏表示理论得到准确高效的SAR图像分割算法。以超像素作为基本处理单元在抑制噪声的同时降低算法复杂度,而后在稀疏表示基础上根据SAR图像不同地物类别散射特性差异提出稀疏自表示矩阵校正处理办法,得到准确判别特征。在FCM基本框架下与超像素基本特征级联,完成算法构建。最后通过对模拟和真实SAR图像的分割结果进行定性和定量分析,并与经典FCM改进算法对比,准确率平均提升16.7%,证实算法良好的分割性能。（4）为进一步提升分割精度,增强算法对图像的自适应性,本文在结合信息熵和类间离散度的基础上得到自适应非局部模糊C均值聚类SAR图像分割算法。通过自适应测度参数提升相似性计算精度,结合灰度直方图信息熵得到非局部项的自适应权值参数,并加入对类间离散性的考量完成算法构建。最后由模拟和真实SAR图像的分割结果证明算法对相干斑的鲁棒性和出色的图像细节保持能力,相较于对比算法,其准确率和像素分布吻合度平均提升17.1%和30.6%,验证了算法对不同场景图像的优异分割性能。
二、单视SAR图像的相干斑特征分析与统计（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、单视SAR图像的相干斑特征分析与统计（论文提纲范文）
（1）复杂电磁环境下SAR图像中道路检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 合成孔径雷达射频干扰抑制的研究现状 |
| 1.2.2 合成孔径雷达道路目标检测的研究现状 |
| 1.3 论文的主要内容及安排 |
| 第二章 基于复杂电磁环境下射频干扰抑制方法 |
| 2.1 引言 |
| 2.2 信号模型 |
| 2.2.1 问题描述 |
| 2.2.2 干扰特性分析 |
| 2.3 基于线性预测的射频干扰抑制方法 |
| 2.3.1 频域陷波法 |
| 2.3.2 两步陷波法 |
| 2.3.3 线性预测法 |
| 2.3.4 算法分析 |
| 2.3.5 实测数据实验 |
| 2.4 基于迭代自适应的射频干扰抑制方法 |
| 2.4.1 干扰识别 |
| 2.4.2 缺失谱反演 |
| 2.4.3 迭代自适应法 |
| 2.4.4 算法分析 |
| 2.4.5 实测数据实验 |
| 2.5 本章小结 |
| 第三章 SAR图像中相干斑、旁瓣抑制方法 |
| 3.1 引言 |
| 3.2 相干斑产生机理 |
| 3.3 相干斑抑制方法研究 |
| 3.3.1 Lee滤波 |
| 3.3.2 Kuan滤波 |
| 3.3.3 Gamma Map滤波 |
| 3.3.4 仿真结果与分析 |
| 3.4 高旁瓣产生原理及发展 |
| 3.5 基于自回归模型的旁瓣抑制方法 |
| 3.5.1 SAR自回归信号模型 |
| 3.5.2 带宽外推 |
| 3.5.3 算法性能分析 |
| 3.5.4 场景目标仿真结果 |
| 3.6 本章小结 |
| 第四章 复杂电磁环境下SAR图像道路目标检测及分析 |
| 4.1 引言 |
| 4.2 道路目标特征分析 |
| 4.3 线特征提取 |
| 4.4 基于图像分割与区域合并的道路检测方法 |
| 4.5 复杂电磁环境下道路检测影响分析 |
| 4.6 本章小结 |
| 第五章 复杂电磁环境下道路检测软件设计 |
| 5.1 引言 |
| 5.2 射频干扰抑制软件设计 |
| 5.3 相干斑、旁瓣抑制软件设计 |
| 5.4 道路检测软件设计 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的学术成果 |
| 个人简历 |
（2）基于比值对数积与积分图数近半下降的极化SAR图像相干斑抑制算法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 极化SAR系统与相干斑抑制算法国内外发展现状 |
| 1.2.1 极化SAR系统的发展现状 |
| 1.2.2 极化SAR图像相干斑抑制算法发展现状 |
| 1.3 本文主要工作和结构安排 |
| 2 极化SAR图像相干斑抑制基本理论 |
| 2.1 相干斑形成机理 |
| 2.2 SAR图像相干斑统计特性 |
| 2.2.1 单极化SAR图像相干斑统计特性 |
| 2.2.2 全极化SAR图像相干斑统计特性 |
| 2.3 相干斑抑制原则与评价标准 |
| 2.3.1 相干斑抑制原则 |
| 2.3.2 相干斑抑制评价标准 |
| 2.4 典型相干斑抑制算法 |
| 2.4.1 Refined Lee算法 |
| 2.4.2 Pretest NLM算法 |
| 2.4.3 Extended Sigma算法 |
| 2.5 非局部均值算法原理 |
| 2.6 本章小结 |
| 3 基于比值对数积的极化SAR图像非局部均值算法 |
| 3.1 存在问题分析 |
| 3.2 比值对数积的非局部均值算法理论分析 |
| 3.2.1 比值对数积的相似性度量理论分析 |
| 3.2.2 比值对数积相似性对强散射点目标保持和近边缘同质像素平滑的影响分析 |
| 3.2.3 引入块中心比值对数积的非局部均值理论分析 |
| 3.3 算法描述 |
| 3.4 实验对比与分析 |
| 3.4.1 数据集与对比算法参数设置 |
| 3.4.2 强散射点目标保持实验对比与分析 |
| 3.4.3 近边缘同质区平滑实验对比与分析 |
| 3.4.4 AIRSAR图像实验对比与分析 |
| 3.4.5 CONVAIR图像实验对比与分析 |
| 3.4.6 Pi-SAR图像实验对比与分析 |
| 3.4.7 参数对算法性能的影响分析 |
| 3.5 本章小结 |
| 4 积分图数近半下降的改进非局部均值相干斑抑制算法 |
| 4.1 在非局部均值算法中快速算法理论及存在问题分析 |
| 4.2 积分图在非局部均值中的计算冗余分析 |
| 4.2.1 积分图定义 |
| 4.2.2 非局部均值冗余性分析 |
| 4.2.3 积分图减少计算冗余分析 |
| 4.3 比值对数积非局部均值算法降低积分图数的原理分析 |
| 4.4 算法描述 |
| 4.5 实验对比与分析 |
| 4.5.1 数据集与算法参数设置 |
| 4.5.2 Pi-SAR图像性能与运行时间实验对比与分析 |
| 4.5.3 E-SAR图像性能与运行时间实验对比与分析 |
| 4.5.4 EMISAR图像性能与运行时间实验对比与分析 |
| 4.5.5 RADARSAT-2图像性能与运行时间实验对比与分析 |
| 4.5.6 CONVAIR图像性能与运行时间对比与分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（3）基于星载极化SAR图像的海上溢油检测与分析研究（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 星载SAR系统发展状况 |
| 1.2.1 单极化系统 |
| 1.2.2 双极化系统 |
| 1.2.3 全极化系统 |
| 1.3 国内外极化SAR海洋溢油检测研究现状及进展 |
| 1.3.1 双极化SAR溢油检测研究进展 |
| 1.3.2 全极化SAR溢油检测研究进展 |
| 1.4 本研究领域存在的问题 |
| 1.5 本文主要研究内容及章节安排 |
| 1.6 技术路线图 |
| 2 极化SAR溢油检测的基本理论 |
| 2.1 极化SAR的基本工作原理 |
| 2.1.1 SAR的成像概述 |
| 2.1.2 极化SAR溢油探测机理 |
| 2.2 波的极化状态及其表征形式 |
| 2.2.1 极化波和极化基 |
| 2.2.2 Jones矢量与Jones相干矩阵 |
| 2.2.3 Stokes矢量 |
| 2.3 目标极化散射的描述和表征 |
| 2.3.1 散射目标描述 |
| 2.3.2 散射坐标系 |
| 2.3.3 散射目标雷达方程 |
| 2.3.4 极化散射矩阵与散射矢量 |
| 2.3.5 极化协方差矩阵与极化相干矩阵 |
| 2.4 极化分解 |
| 2.5 本章小结 |
| 3 基于多模式极化SAR海洋溢油散射机制与特性研究 |
| 3.1 实验区与数据源介绍 |
| 3.2 多模式极化SAR溢油散射机制研究 |
| 3.2.1 不同极化通道信噪水平对比 |
| 3.2.2 全极化SAR溢油散射机制研究 |
| 3.2.3 多模式双极化SAR溢油散射机制研究 |
| 3.3 结果与分析 |
| 3.3.1 不同极化通道的信噪水平结果 |
| 3.3.2 多模式极化SAR下油膜相对厚度的H/α对比结果 |
| 3.3.3 多模式极化SAR下油膜和类油膜的H/α对比结果 |
| 3.3.4 多模式极化SAR下不同种类油膜的H/α对比结果 |
| 3.4 本章小结 |
| 4 基于多时相感兴趣区边界优势特征的双极化SAR溢油检测 |
| 4.1 实验区与数据源介绍 |
| 4.2 基于多时相感兴趣区边界优势特征的溢油检测算法 |
| 4.2.1 基于CMOD5模型的风场信息反演 |
| 4.2.2 基于潜在暗区域频率的感兴趣区提取方法 |
| 4.2.3 兼顾不同复杂度边界优势特征的溢油检测算法 |
| 4.3 结果与分析 |
| 4.3.1 不同海面风速条件下油膜的雷达信号特征 |
| 4.3.2 基于潜在暗区域频率的感兴趣区提取结果与分析 |
| 4.3.3 兼顾不同复杂度边界优势特征的溢油检测结果 |
| 4.3.4 基于多时相双极化SAR图像的溢油空间分布和时序变化结果 |
| 4.4 本章小节 |
| 5 基于改进的全极化SAR组合特征的海洋溢油检测 |
| 5.1 实验区与数据源介绍 |
| 5.2 改进的组合极化特征参数提取 |
| 5.2.1 H~*(1-A_(12))组合极化特征理论基础 |
| 5.2.2 H_A_(12)和H_A组合特征溢油检测能力对比 |
| 5.3 H~*(1-A12)组合特征参数溢油检测能力评估 |
| 5.3.1 Michelson对比度 |
| 5.3.2 Jeffreys-Matusita距离 |
| 5.3.3 随机森林分类及重要性评估 |
| 5.4 溢油检测能力评估结果 |
| 5.4.1 特征参数对不同油膜检测的MC测度结果 |
| 5.4.2 特征参数对不同油膜检测的JM测度结果 |
| 5.4.3 特征参数对不同油膜检测的分类结果及重要性评估 |
| 5.5 本章小结 |
| 6 基于多维极化特征强度模型匹配算法的海洋溢油检测 |
| 6.1 实验区与数据源介绍 |
| 6.2 基于多维极化特征强度模型匹配的溢油检测算法 |
| 6.2.1 优势极化特征筛选 |
| 6.2.2 多维极化特征强度模型建立 |
| 6.2.3 多维极化特征模型匹配算法 |
| 6.3 结果与分析 |
| 6.3.1 优势极化特征筛选结果 |
| 6.3.2 多维极化特征强度模型构建结果 |
| 6.3.3 多维极化特征强度模型匹配结果 |
| 6.3.4 时间复杂度分析结果 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（4）盐源地区雷达遥感滑坡灾害识别与形变监测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 InSAR技术的研究现状 |
| 1.2.2 InSAR技术在滑坡监测中的研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 研究区概况 |
| 2.1 自然地理特征 |
| 2.1.1 地理区位 |
| 2.1.2 地形地貌 |
| 2.1.3 气候特征 |
| 2.1.4 人类工程活动 |
| 2.2 地质背景特征 |
| 2.2.1 工程地质岩组 |
| 2.2.2 地质构造 |
| 2.2.3 新构造与地震活动 |
| 2.3 地质灾害特征 |
| 2.3.1 地质灾害类型与规模 |
| 2.3.2 地质灾害发育特征 |
| 第3章 InSAR地表形变监测基础 |
| 3.1 InSAR技术基础理论 |
| 3.1.1 InSAR技术原理 |
| 3.1.2 D-InSAR技术原理 |
| 3.1.3 SBAS-InSAR技术原理 |
| 3.2 数据源及预处理 |
| 3.2.1 SAR影像参数 |
| 3.2.2 基础地理数据 |
| 3.2.3 SAR数据预处理 |
| 3.3 形变可视性与干涉相干性分析 |
| 3.3.1 SAR图像特征 |
| 3.3.2 基于RI指数的可视性分析 |
| 3.3.3 相干性与相干分解分析 |
| 第4章 滑坡区域提取及形变特征分析 |
| 4.1 SAR数据的SBAS-InSAR处理 |
| 4.1.1 干涉组合生成 |
| 4.1.2 差分干涉处理 |
| 4.1.3 轨道精炼和重去平 |
| 4.1.4 SBAS反演 |
| 4.1.5 地理编码与地表形变监测结果 |
| 4.2 盐源县滑坡形变区域提取 |
| 4.2.1 时序形变特征分析 |
| 4.2.2 斜坡面上的滑坡形变信息提取 |
| 4.3 潜在滑坡区域提取 |
| 4.3.1 滑坡隐患点提取 |
| 4.3.2 潜在滑坡点的空间统计分析 |
| 4.3.3 滑坡影像特征及分布规律 |
| 4.3.4 基于滑动速率的滑坡分类及稳定性评价 |
| 4.4 盐源县滑坡提取结果 |
| 第5章 典型滑坡的灾变监测与特征分析 |
| 5.1 典型滑坡分析 |
| 5.2 联合升降轨SAR数据的滑坡形变二维监测研究 |
| 5.2.1 基于升降轨SAR数据滑坡形变的分解 |
| 5.2.2 降轨数据干涉处理及滑坡降轨形变特征 |
| 5.2.3 滑坡二维形变提取 |
| 5.3 滑坡演化过程分析 |
| 结论 |
| 研究成果 |
| 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（5）SAR图像舰船目标检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作及论文安排 |
| 第2章 SAR图像舰船目标检测理论基础 |
| 2.1 引言 |
| 2.2 合成孔径雷达成像原理及图像特征 |
| 2.2.1 合成孔径雷达成像原理 |
| 2.2.2 SAR图像特征 |
| 2.3 影响因素及恒虚警率检测算法 |
| 2.4 海杂波背景模型及其参数估计 |
| 2.5 本章小结 |
| 第3章 基于Gumbel混合分布的CFAR检测 |
| 3.1 引言 |
| 3.2 Gumbel分布模型建立及参数估计 |
| 3.2.1 Gumbel分布模型的建立 |
| 3.2.2 Gumbel分布模型参数估计 |
| 3.2.3 CFAR算法阈值估计 |
| 3.3 模型效果验证及仿真实验 |
| 3.3.1 SSDD(SAR Ship Detection Dataset)数据集 |
| 3.3.2 复杂背景SAR图像舰船目标检测 |
| 3.3.3 多尺度SAR图像舰船目标检测 |
| 3.3.4 恒虚警率检测器仿真实验 |
| 3.4 本章小结 |
| 第4章 高分辨率SAR图像近岸舰船目标检测 |
| 4.1 引言 |
| 4.2 基于最大熵的图像阈值分割 |
| 4.3 舰船目标几何特征提取 |
| 4.3.1 Canny边缘检测 |
| 4.3.2 基于SUSAN算子的显着性角点检测 |
| 4.3.3 Hough变换原理 |
| 4.3.4 特征提取及虚警去除 |
| 4.4 实验验证及结果分析 |
| 4.4.1 传统恒虚警率检测实验 |
| 4.4.2 基于舰船目标几何特征的检测方法 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（6）PolInSAR/TomoSAR植被和建筑物高度反演研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 PolInSAR/TomoSAR系统的研究进展 |
| 1.2.2 PolInSAR/TomoSAR植被和建筑物高度反演研究进展 |
| 1.3 植被和建筑物高度反演面临的关键问题 |
| 1.4 本文主要研究内容及安排 |
| 第二章 PolInSAR理论基础与数据预处理 |
| 2.1 引言 |
| 2.2 PolInSAR基本理论 |
| 2.2.1 电磁波的极化散射特征表征 |
| 2.2.2 极化干涉复相干系数 |
| 2.3 极化SAR数据相干斑噪声滤波方法 |
| 2.3.1 基于形态一致性的相干斑噪声滤波 |
| 2.3.2 基于统计特性一致性的相干斑噪声滤波 |
| 2.3.3 基于极化相似性一致性的相干斑噪声滤波 |
| 2.3.4 基于联合约束准则的相干斑噪声滤波 |
| 2.3.5 实验结果与分析 |
| 2.4 稀疏植被区PolInSAR相干系数估计 |
| 2.5 本章小结 |
| 第三章 PolInSAR植被区DSM估计 |
| 3.1 引言 |
| 3.2 基于最大化相位差最优化的植被区DSM估计 |
| 3.3 联合干涉相位与相干系数幅度的植被区DSM估计 |
| 3.4 基于电磁波最浅穿透深度估计的植被区DSM估计 |
| 3.4.1 植被中电磁波高低散射相位中心模型 |
| 3.4.2 植被中电磁波最浅穿透深度估计 |
| 3.4.3 植被表面高程估计流程 |
| 3.5 实验结果与分析 |
| 3.5.1 极化干涉相干系数最优化 |
| 3.5.2 植被中电磁波最浅穿透深度估计 |
| 3.5.3 植被中高精度DSM估计 |
| 3.6 本章小结 |
| 第四章 X波段下PolInSAR植被冠层高度反演 |
| 4.1 引言 |
| 4.2 PolInSAR数据频谱分割 |
| 4.3 考虑极化特性的极化相干散射模型 |
| 4.4 植被冠层高度反演流程 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 TomoSAR建筑物高度反演 |
| 5.1 引言 |
| 5.2 TomoSAR成像原理 |
| 5.3 TomoSAR基线优化设计 |
| 5.3.1 基线优化设计方案 |
| 5.3.2 实验结果与分析 |
| 5.4 基于幅相不一致准则法建筑物高度反演 |
| 5.4.1 算法原理 |
| 5.4.2 算法流程 |
| 5.4.3 实验结果与分析 |
| 5.5 基于奇异值分解法建筑物高度反演 |
| 5.5.1 Tikhonov正则化层析成像 |
| 5.5.2 改进的Tikhonov正则化层析成像 |
| 5.5.3 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）SAR图像舰船目标检测与分类方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 SAR与极化SAR系统的发展概况 |
| 1.3 SAR ATR的应用背景介绍 |
| 1.3.1 SAR ATR处理流程 |
| 1.3.2 SAR Ship ATR处理流程 |
| 1.3.3 SAR Ship ATR系统介绍 |
| 1.4 SAR图像舰船目标检测与识别研究现状与关键问题 |
| 1.4.1 SAR图像舰船目标检测的国内外研究现状 |
| 1.4.2 SAR图像舰船目标识别的国内外研究现状 |
| 1.4.3 SAR图像舰船目标检测与识别的关键问题 |
| 1.5 论文的内容安排 |
| 第二章 基于局部散射机制差异回归核的Pol SAR舰船检测 |
| 2.1 引言 |
| 2.2 LSMDRK特征提取介绍 |
| 2.2.1 基于相干矩阵计算的LSMDRK |
| 2.2.2 基于相干矩阵散射分量计算的LSMDRK |
| 2.3 基于LSMDRK-Tvd的Pol SAR舰船检测方法 |
| 2.3.1 像素显着性计算 |
| 2.3.2 局部极大值检测 |
| 2.3.3 自适应阈值分割 |
| 2.4 实验结果与分析 |
| 2.4.1 实验参数设置和度量指标定义 |
| 2.4.2 实验数据介绍 |
| 2.4.3 基于仿真数据的LSMDRK特征分析 |
| 2.4.4 k值的灵敏度分析 |
| 2.4.5 基于仿真数据的性能分析 |
| 2.4.6 基于实测数据的性能分析 |
| 2.5 本章小结 |
| 第三章 基于超像素局部信息度量的Pol SAR舰船自动检测 |
| 3.1 引言 |
| 3.2 超像素级Pol SAR差异性度量 |
| 3.2.1 超像素似然比度量 |
| 3.2.2 超像素黎曼距离度量 |
| 3.2.3 超像素散射成分相似性度量 |
| 3.3 Pol SAR图像舰船目标自动检测 |
| 3.3.1 多尺度超像素分割 |
| 3.3.2 超像素差异性度量计算 |
| 3.3.3 基于KFDA的自动检测方法 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据介绍 |
| 3.4.2 度量指标定义 |
| 3.4.3 基于仿真数据的性能分析 |
| 3.4.4 基于实测数据的性能分析 |
| 3.5 本章小结 |
| 第四章 基于密集连接CNN的SAR图像舰船目标分类 |
| 4.1 引言 |
| 4.2 SAR图像舰船分类相关工作介绍 |
| 4.3 经典CNN网络介绍 |
| 4.3.1 Alex Net |
| 4.3.2 VGGNet |
| 4.3.3 Goog Le Net |
| 4.3.4 Res Net |
| 4.3.5 Dense Net |
| 4.4 本章提出的密集连接CNN网络结构 |
| 4.5 实验分析与讨论 |
| 4.5.1 实验数据介绍与预处理 |
| 4.5.2 参数设置与度量指标定义 |
| 4.5.3 消融实验分析 |
| 4.5.4 不同网络的性能对比 |
| 4.5.5 训练数据大小对网络性能的影响 |
| 4.6 本章小结 |
| 第五章 基于Fisher判别正则化度量学习的MR SAR舰船分类 |
| 5.1 引言 |
| 5.2 深度度量学习相关工作介绍 |
| 5.2.1 相关工作介绍 |
| 5.2.2 三元组网络原理介绍 |
| 5.3 MR SAR图像舰船目标识别方法 |
| 5.3.1 MR SAR图像舰船目标识别框架 |
| 5.3.2 网络结构介绍 |
| 5.3.3 多任务学习方法 |
| 5.3.4 网络优化 |
| 5.4 算法实施细节 |
| 5.4.1 三元组采样方法 |
| 5.4.2 激活函数和网络初始化 |
| 5.4.3 网络模型推断 |
| 5.5 实验结果与分析 |
| 5.5.1 数据集准备和度量指标定义 |
| 5.5.2 参数设置分析 |
| 5.5.3 多任务学习方法性能验证 |
| 5.5.4 消融实验分析 |
| 5.5.5 与现有CNN模型对比实验 |
| 5.6 本章小结 |
| 第六章 结束语 |
| 6.1 研究工作总结 |
| 6.2 研究方向展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）极化SAR非相干目标散射机理分解方法及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 基于物理散射模型的极化非相干目标散射机理分解 |
| 1.2.2 极化SAR建筑物信息提取 |
| 1.3 本文主要工作及结构安排 |
| 第二章 基于散射能量迁移的非相干目标散射机理分解 |
| 2.1 引言 |
| 2.2 经典的基于物理散射模型的目标分解方法 |
| 2.2.1 Freeman三成分/Yamaguchi四成分目标分解 |
| 2.2.2 体散射过估剖析 |
| 2.3 模型酉相似变换驱动的分层泛化目标分解 |
| 2.3.1 模型特殊酉相似变换及物理特性 |
| 2.3.2 分层泛化分解 |
| 2.3.3 模型参数反演 |
| 2.4 实验结果及分析 |
| 2.4.1 分层分解实施 |
| 2.4.2 分解可视化与定量化 |
| 2.4.3 相位角酉相似变换性能 |
| 2.4.4 分层性能对比及解译验证 |
| 2.5 本章小结 |
| 第三章 基于散射方位延拓的非相干目标散射机理分解 |
| 3.1 引言 |
| 3.2 极化方位角剖析及维度拓展 |
| 3.2.1 建筑物散射及方位 |
| 3.2.2 第一维极化方位角修正 |
| 3.2.3 第二维极化方位角估计 |
| 3.3 模型方位延拓驱动的精细分层泛化目标分解 |
| 3.3.1 双交叉散射模型 |
| 3.3.2 建筑物矩阵元素驱动散射特征 |
| 3.3.3 精细化分层分解及模型求解 |
| 3.4 实验结果及分析 |
| 3.4.1 建筑物矩阵元素驱动散射特征验证 |
| 3.4.2 极化方位角性能剖析及一般规律 |
| 3.4.3 定性及定量散射分辨对比 |
| 3.5 本章小结 |
| 第四章 基于散射成分分配的非相干目标散射机理分解 |
| 4.1 引言 |
| 4.2 矩阵特征值及其衍生参数 |
| 4.2.1 经典特征值参数 |
| 4.2.2 衍生特征值参数 |
| 4.3 模型特征修正驱动的广义泛化目标分解 |
| 4.3.1 旋转建筑物散射特征描述子 |
| 4.3.2 旋转建筑物散射模型 |
| 4.3.3 广义泛化分解框架及模型求解 |
| 4.4 实验结果及分析 |
| 4.4.1 旋转建筑物散射模型验证 |
| 4.4.2 旋转建筑物散射与交叉散射成分差异 |
| 4.5 本章小结 |
| 第五章 基于散射机理分解的极化SAR建筑物信息提取 |
| 5.1 引言 |
| 5.2 极化SAR建筑物检测 |
| 5.2.1 基于变化检测量的能量显着性检测 |
| 5.2.2 基于特征值衍生参数的散射显着性检测 |
| 5.2.3 直方图阈值及定性定量检测评估 |
| 5.3 极化SAR建筑物边缘提取 |
| 5.3.1 散射机制驱动自适应窗 |
| 5.3.2 最优极化对比度量 |
| 5.3.3 参数设置及边缘提取评估 |
| 5.4 极化SAR建筑物分割 |
| 5.4.1 散射机理特征矢量构造 |
| 5.4.2 散射机理及空间特征线性聚类 |
| 5.4.3 分割性能评估及参数性能讨论 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）PolSAR目标检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 极化SAR目标检测 |
| 1.1.2 射频干扰抑制 |
| 1.2 研究现状 |
| 1.2.1 极化SAR目标检测的国内外研究现状 |
| 1.2.2 射频干扰抑制的国内外研究现状 |
| 1.3 论文内容安排 |
| 第二章 极化SAR数据特性分析及干扰影响分析 |
| 2.1 引言 |
| 2.2 极化SAR图像数据与目标散射特性分析 |
| 2.2.1 统计特性分析 |
| 2.2.2 目标散射特性分析 |
| 2.3 干扰对极化SAR数据影响分析 |
| 2.3.1 干扰表征 |
| 2.3.2 干扰特性分析 |
| 2.4 本章小结 |
| 第三章 基于深度学习的PolSAR射频干扰抑制方法 |
| 3.1 引言 |
| 3.2 射频干扰检测算法原理 |
| 3.2.1 DCNN基本原理 |
| 3.2.2 干扰检测 |
| 3.3 射频干扰抑制算法原理 |
| 3.3.1 基于Res Net的干扰抑制网络 |
| 3.3.2 干扰抑制性能评估指标 |
| 3.4 实验结果分析 |
| 3.4.1 仿真数据 |
| 3.4.2 实测窄带干扰数据 |
| 3.4.3 实测宽带干扰数据 |
| 3.5 本章小结 |
| 第四章 基于非高斯分布的PolSAR舰船检测方法 |
| 4.1 引言 |
| 4.2 基于K-Wishart分布的PolSAR舰船检测算法原理 |
| 4.2.1 PolSAR数据统计分布模型 |
| 4.2.2 舰船检测算法原理 |
| 4.2.3 算法流程 |
| 4.3 实验结果分析 |
| 4.3.1 AIRSAR日本海A区域数据处理与分析 |
| 4.3.2 AIRSAR日本海B区域数据处理与分析 |
| 4.3.3 UAVSAR Gulfco数据处理与分析 |
| 4.4 本章小结 |
| 第五章 基于改进的Faster R-CNN的PolSAR舰船检测方法 |
| 5.1 引言 |
| 5.2 舰船检测理论与方法 |
| 5.2.1 数据预处理 |
| 5.2.2 海陆分割网络 |
| 5.2.3 改进的Faster R-CNN |
| 5.2.4 目标融合与定位 |
| 5.3 实验结果分析 |
| 5.3.1 AIRSAR日本海数据处理与分析 |
| 5.3.2 UAVSAR Gulfco A区域数据处理与分析 |
| 5.3.3 UAVSAR Gulfco B区域数据处理与分析 |
| 5.3.4 AIRSAR台湾数据处理与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）SAR图像相干斑滤波及分割算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR图像滤波研究现状 |
| 1.2.2 SAR图像分割研究现状 |
| 1.3 本文的主要研究内容与创新 |
| 1.4 本文的结构安排 |
| 第二章 极化SAR数据表征与相干斑模型 |
| 2.1 极化SAR数据表示 |
| 2.1.1 极化后向散射矩阵 |
| 2.1.2 极化协方差矩阵与极化相干矩阵 |
| 2.1.3 Span数据 |
| 2.2 基于散射模型的极化目标分解 |
| 2.2.1 Freeman-Durden三分量分解 |
| 2.2.2 Yamaguchi四分量分解 |
| 2.2.3 混合四分量(HPD)分解 |
| 2.3 极化SAR相干斑特性 |
| 2.3.1 相干斑统计特性 |
| 2.3.2 相干斑噪声模型 |
| 2.3.2.1 空域噪声模型 |
| 2.3.2.2 极化域噪声模型 |
| 2.4 本章小结 |
| 第三章 快速极化SAR图像相干斑抑制算法 |
| 3.1 极化相似性 |
| 3.2 NL-Lee滤波算法 |
| 3.2.1 分布式Lee滤波 |
| 3.2.2 基于NLM和分布式Lee的滤波算法 |
| 3.3 快速极化SAR图像相干斑抑制算法 |
| 3.3.1 滤波器设计 |
| 3.3.2 改进的权值加速算法 |
| 3.3.3 算法步骤 |
| 3.4 实验结果分析与有效性验证 |
| 3.4.1 相干斑抑制评价准则 |
| 3.4.2 极化 SAR 图像滤波对比实验 |
| 3.4.3 算法加速前后的滤波对比实验 |
| 3.5 本章小结 |
| 第四章 基于超像素与稀疏表示的模糊C均值聚类SAR图像分割 |
| 4.1 模糊C均值聚类及其改进算法 |
| 4.1.1 模糊C均值聚类 |
| 4.1.2 FCM_S系列算法 |
| 4.1.3 EnFCM和 FGFCM算法 |
| 4.1.4 FLICM算法 |
| 4.2 超像素生成及特征提取方法 |
| 4.2.1 常用超像素生成方法 |
| 4.2.2 超像素边界处理方法 |
| 4.2.3 超像素特征提取 |
| 4.3 基于超像素与稀疏表示的模糊C均值聚类SAR图像分割 |
| 4.3.1 稀疏自表示模型 |
| 4.3.2 算法概述 |
| 4.3.3 算法步骤 |
| 4.4 实验结果分析与有效性验证 |
| 4.4.1 SAR图像分割评价指标 |
| 4.4.2 模拟 SAR 图像分割实验 |
| 4.4.3 真实 SAR 图像分割实验 |
| 4.5 本章小结 |
| 第五章 自适应非局部模糊C均值聚类SAR图像分割 |
| 5.1 自适应非局部均值算法 |
| 5.1.1 非局部均值算法 |
| 5.1.2 自适应相似性测度 |
| 5.1.3 自适应非局部均值算法 |
| 5.2 基于灰度直方图信息熵的自适应权值参数 |
| 5.3 模糊聚类的类内和类间离散度 |
| 5.4 自适应非局部模糊C均值聚类SAR图像分割 |
| 5.4.1 算法概述 |
| 5.4.2 算法步骤 |
| 5.5 实验结果分析与有效性验证 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文主要工作总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
四、单视SAR图像的相干斑特征分析与统计（论文参考文献）
- [1]复杂电磁环境下SAR图像中道路检测方法研究[D]. 邢伟达. 内蒙古工业大学, 2021(01)
- [2]基于比值对数积与积分图数近半下降的极化SAR图像相干斑抑制算法[D]. 王飞龙. 大连海事大学, 2021(04)
- [3]基于星载极化SAR图像的海上溢油检测与分析研究[D]. 李冠男. 大连海事大学, 2020(04)
- [4]盐源地区雷达遥感滑坡灾害识别与形变监测研究[D]. 余祥伟. 成都理工大学, 2020(04)
- [5]SAR图像舰船目标检测技术研究[D]. 门晓勇. 哈尔滨工程大学, 2020(05)
- [6]PolInSAR/TomoSAR植被和建筑物高度反演研究[D]. 解金卫. 西安电子科技大学, 2019(07)
- [7]SAR图像舰船目标检测与分类方法研究[D]. 何敬鲁. 西安电子科技大学, 2019(07)
- [8]极化SAR非相干目标散射机理分解方法及应用研究[D]. 全斯农. 国防科技大学, 2019(01)
- [9]PolSAR目标检测方法研究[D]. 樊伟伟. 西安电子科技大学, 2019(01)
- [10]SAR图像相干斑滤波及分割算法研究[D]. 冉崇敬. 电子科技大学, 2019(01)