一、基于曲面拟合的SAR图像分维特征提取方法（论文文献综述）
陈楠楠[1]（2018）在《多方位角极化SAR数据处理与信息提取方法研究》文中研究表明多方位角极化合成孔径雷达（MA-PolSAR）既可不分昼夜的提供不同方位角目标散射信息,还能在云、雾、雨的情况下提供不同极化模式下的极化散射信息,使原本不够完整的目标信息更加及时地、全面地体现出来,因此MA-PolSAR是合成孔径雷达（SAR）研究领域前沿方向之一,对于目标识别、地物信息提取等应用具有重要意义。由于MA-PolSAR的相关探究仍处于初级阶段,相关传感器的设计、成像的方法、以及后端的应用等方面都需要进一步开展研究。本文针对MA-PolSAR应用中多方向SAR数据的辐射均衡问题,目标地物多方向极化信息的变化问题,以及MA-PolSAR地物特征的表征问题,以天津宝抵试验区为研究对象,选取北京无线电测量研究所设计的机载C-SAR在该地获取的四个方向的全极化SAR图像为数据开展三个方面的研究。（1）SAR系统的侧视观测模式以及天线方向图导致SAR图像产生辐射差异,该差异严重影响SAR图像质量及其应用,尤其是多方位向SAR数据的应用。为均衡SAR图像辐射差异,根据具有自适应、自驱动、多尺度等特性的经验模态分解（EMD）技术,提出了基于EMD的SAR图像自适应均衡方法。通过对已知辐射差异的仿真数据和多组不同极化模式的机载SAR图像数据的均衡处理,实验证明了该方法能够有效地自适应均衡SAR图像的辐射差异和提取辐射差异曲线。（2）目标的极化分解是极化合成孔径雷达（PolSAR）特征提取的本质。不同入射方向会得到不同的极化特征。本文利用极化目标分解技术,提取研究区水域、农作物、树木等典型地物的不同方位向的极化特征,包括散射类型和散射机制特征;再对不同方位向下不同地物的极化特征参数的差异进行分析,形成了极化特征矩阵,为MA-PolSAR数据分析提供了丰富的地物散射信息。（3）由于MA-PolSAR的空间采样的不连续性,无法直接获得地物极化特征的角度谱。根据时间序列思想及时间序列模型,针对MA-PolSAR子孔径分解得到的数据样本,建立了水域和农作物的多角度序列的自回归积分滑动平均（ARIMA）模型,且模型预测的精准度超过了 90%。故角度序列的ARIMA模型可获得不同目标的不同极化特征的角度谱,预测不同角度下的极化特征参数值。
芮杰[2]（2017）在《多源遥感数据测绘应用关键技术研究》文中提出合成孔径雷达（SAR）由于它的全天时、全天候的特性,在各种复杂环境以及能见度较差的气象条件下,SAR比光学传感器更加有效,特别适合多云雾地区的地物信息获取、突发性灾害（如洪涝、地震和山体滑坡等）灾情快速获取、地壳形变监测等应用。日本ALOS/PALSAR、意大利COSMO-SkyMed、德国TerraSAR-X、加拿大Radarsat-2等卫星的相继发射,极大地提高了星载SAR图像的地面分辨率。这些15米分辨率的图像正好满足地物解译和自动提取的需求。但是,SAR图像属于斜距投影的相干成像,在成像机理、辐射特性及几何特性上与可见光图像有很大差异。因此,SAR图像地物解译困难,测绘应用难度大。本文围绕中高分辨率SAR图像在测绘领域应用中的重点和困难,着重研究地物信息自动获取、多源图像的配准以及地物和地形的变化检测,探索以SAR数据为主导的多源遥感数据智能化测绘应用。本文主要内容如下:（1）研究遥感图像典型地物要素智能化提取技术。半自动方面,针对典型地物及其特征,设计了基于灰度共生矩阵的阈值法提取纹理简单、均一的水体和植被,提出了基于Gabor变换的区域生长法提取纹理复杂的居民地;自动方面,主要基于深度学习设计了CNN和CGAN的两种提取方案,提出多尺度窗口累积概率方法解决了基于CNN分割不能确定地物位置轮廓的问题,采用CGAN将研究范围从监督学习拓展至无监督或半监督学习。实验结果表明:地物要素的半自动提取算法简单,易于应用,定位精度较高;基于CGAN的方法不仅取得了较高的提取精度,而且整体轮廓更为规整,证明了深度学习在地物要素提取方面的能力和巨大潜力。（2）提出了基于地物要素的多源遥感图像配准及其变化检测一体化的处理方法。基于人的认知模型解析算法思路,利用地物要素的属性和形状信息配准图像,设计算法流程,分析关键技术和研究重点;引入计算机视觉领域形状匹配的相关思想和算法,针对遥感图像线状和面状地物的形状特点和分割问题,分别提出扩展最优子序列（EOSB）匹配算法和基于空间位置关系的形状上下文（SC）匹配算法。实验结果表明:地物对象作为匹配单元,符合人的视觉认知,解决了多源遥感数据特征难以对应的问题;EOSB和SC算法稳健性强,不仅具有很强的抗噪声特性,而且能够适应提取结果的差异性和局部变形;将变化检测与图像配准同步进行,能充分利用所有未变化的地物目标作为图像配准的依据,更加精确、更加自动化,检测结果能够直接用于地形图修测和地理国情监测等应用。（3）提出一种新颖的、稳健的基于等高线的DEM匹配方法,解决了高山变形地区DEM匹配及其地形变化检测。分析DEM匹配存在的问题及其原因,利用等高线相似的特性检测不变的山峰点作为控制点,解决了两个变形地表之间的对应难题,再利用最小二乘表面匹配达到最优匹配;在DEM匹配的基础上利用高程差异检测滑坡,与实际滑坡资料进行比对,验证DEM数据的准确性和检测结果的可靠性。实验结果表明:基于等高线的方法避免了高山区不同DEM数据之间粗差的影响,能在没有任何地理信息的情况下对齐两个DEM数据,为基于最小二乘表面精确匹配提供了较好的初始转换参数;与基于点的匹配方法相比,最小二乘表面匹配方法精度更高;基于DEM的方法不仅能检测滑坡的区域和范围,而且能检测滑坡区域高程变化的程度,这更有利于灾情评估、抢险救灾措施制定以及灾后重建工作的评估和指导。
钟金荣[3]（2016）在《目标三维电磁散射参数化模型反演方法研究》文中研究指明目标电磁散射建模是基于模型的雷达目标识别系统的核心内容之一。目标三维电磁散射参数化模型,特别是基于典型散射结构的参数化模型,用一组简洁的参数描述目标,能够为识别系统提供物理意义明确的多层次目标特征。从电磁散射测量数据中反演目标参数化模型是一个具有挑战性的任务。论文围绕从多角度合成孔径雷达数据中建立目标三维散射特性参数化模型的问题,研究了反演框架以及其中的多个关键问题。在阐述清楚目标三维电磁散射参数化模型反演的内涵、研究内容和面临挑战的基础上,论文第二章提出了一种基于典型散射结构的目标参数化模型反演框架,反演参数的物理意义更加清晰。该框架由模型初始化和参数优化两部分组成,利用多角度合成孔径雷达数据反演目标参数化模型,具有较强的灵活性,便于综合运用多种技术途径完成建模任务。针对模型初始化问题,论文重点研究了目标二维/三维散射中心特征提取方法。基于稀疏表示与压缩感知理论,论文第三章提出了一种二维散射中心提取方法,论文第四章提出了雷达目标三维成像方法和三维散射中心提取方法。所提方法利用目标图像的先验信息和模型时域响应的特点降低稀疏重构的维度和数据量,在模型维度较高的情况下仍可保证较高的效率。论文第五章提出了基于位置聚类分析、散射中心参数匹配、压缩感知等三种利用多个二维散射中心重构三维散射中心的方法,这些方法降低了对多角度数据的要求,适应处理宽基线多角度合成孔径雷达数据,重构结果与目标结构对应性较好。针对目标典型散射结构参数化模型的参数优化问题,论文第六章分别从图像域约束准则和多角度图像分割两个角度提出了优化方法,扩大收敛范围,提高了参数优化稳健性。基于上述反演框架和关键方法,论文第七章提出了典型散射结构和点散射模型相结合的复杂目标参数化建模方法,实现了目标三维电磁散射参数化模型反演原型系统,利用目标的电磁计算数据反演了目标全方位角-大俯仰角的三维电磁散射参数化模型的反演,并分析了模型的精度。实验结果验证了所提框架和方法的可行性及有效性。
李希同[4]（2015）在《外形隐身飞机的电磁散射特性与SAR成像特性分析》文中研究说明雷达的发明在现代军事上具有划时代的意义。雷达设计的最初目标是进行空中目标探测,后续发展使得雷达可实现对地物进行成像。随着隐身技术的问世,外形隐身技术和材料隐身技术被应用于各种武器装备。传统雷达对隐身目标的探测与追踪能力大大降低。本文首先研究了不考虑涂覆材料的隐身飞机在多波段下的电磁散射特性和成像特性。同时,合成孔径雷达图像的出现为目标识别领域开辟了一个新的分支,相关的图像处理技术成为当前的研究热点。本文还研究了合成孔径雷达图像中的条纹干扰去除算法和基于高斯模型的强散射点提取算法。全文主要的研究内容如下：（1）对隐身目标F-22进行多波段电磁散射特性分析。首先进行隐形飞机的NURBS曲面建模以及网格剖分,之后使用电磁仿真软件计算隐身飞机的雷达散射截面,并分析雷达散射截面随频率的变化特性;（2）从不同的俯仰角和方位角对隐身飞机进行雷达SAR成像仿真,并与非隐身飞机的雷达SAR图像进行对比,分析隐身飞机在不同俯仰角和方位角下的成像特性和可见度,为军事上的反隐身技术提供参考；（3）基于仿真合成孔径雷达SAR图像,对图像的条纹干扰去除进行了研究。根据条纹干扰的频谱特征设计了“零相移滤波器”,并进行了相关条纹干扰去除的实验；（4）根据合成孔径雷达的成像特点,应用分水岭算法对图像进行分割,提取强散射点;应用高斯模型对图像进行重建,并将重建后的图像与原图像进行对比,实验结果证明了基于高斯模型的强散射点提取算法的有效性。
杨正勇[5]（2014）在《有变化区域的SAR图像配准方法研究》文中研究说明合成孔径雷达（SAR）以其高分辨、全天候、全天时等特点在军事、环境监测等方面有着重要应用。在对SAR图像进行拼接、融合、变化检测等操作前，需将来自同一地区、同一传感器不同时间获取的图像在空间上进行配准，消除因获取图像的时间、角度、环境等的不同造成的图像间平移、旋转、伸缩及局部形变等问题。因此，在图像处理领域里，图像的配准，是一个非常重要的环节。根据待处理图像特征空间的不同，配准算法可分为基于区域的配准与基于特征的配准两大类。基于特征的配准方法通过对提取的图像特征进行描述和匹配，具有比基于区域的配准方法具有更高的鲁棒性和可靠性，被广泛地应用于图像配准领域。本文针对含有变化区域的SAR图像配准问题，围绕基于特征的SAR配准方法，主要做了以下工作：（1）提出了基于匹配点对约束和三角形网的有变化区域的SAR图像配准方法。该方法首先利用改进的特征点匹配策略对提取的特征点进行初始匹配；然后根据三角形网结构不依赖于具体图像结构的性质，将其应用到匹配特征点对约束和寻找最佳匹配点对中，具体地，分别利用两幅图像中的匹配特征点在对应的图像中构建三角网，进行同名三角形对搜索和采样三角误差计算，将最小误差对应的三角形顶点对作为控制点对以求解变换矩阵。通过分析本章算法的配准实验效果可知，该算法在提升特点匹配对质量的同时，通过局部虚拟结构的分析再次提升了配准精度。（2）提出了基于相位信息的主干边缘提取方法，并以此为基础提出了基于边缘直线段对匹配的SAR图像配准方法。结合改进边缘提取算法和相位边缘图用于提取线元，通过线元生长和直线拟合得到主干边缘图；将主干边缘分解为若干以两个端点描述的直线段，通过距离、夹角等构造同一图像中两两直线段间的语义关系描述，并将得到的关系向量作为线段对的描述向量；构造两幅图像间的线段对的相似度量矩阵寻找匹配线段组，对每组匹配的直线段对构造一对匹配点对；最后利用所有得到的匹配特征点对计算仿射矩阵。实验结果显示该基于线段对匹配的配准算法应用于SAR图像配准领域取得了较好的效果。
刘帅奇[6]（2013）在《基于多尺度几何变换的遥感图像处理算法研究》文中认为遥感图像在国防和民用方面起着不可替代的作用,由于其成像机制与可见光图像的差异很大,因此研究针对该类图像的特点的处理算法尤为重要。多尺度几何分析从提出到现在已经有十几年的历史了,虽然这些方法本身具有良好的时频性能,且能很好地解决所对应方向的一些多维信号处理的问题。但是由此理论生成的多尺度几何变换还有不少的缺点而有待完善,例如,一些多尺度几何变换不具有移不变性和解析性,方向选择性较差等,而且针对遥感图像的特点不同种类的多尺度几何变换具有不同的处理效果,本文的研究主要基于目前常用的多尺度几何变换——轮廓波（Contourlet）、双树复小波（dual-tree complex wavelet, DTCWT）、剪切波（Shearlet）和超分析小波（hyperanalysis wavelet, HWT）。本文的应用领域主要是遥感图像的处理,包括SAR图像的去噪、机场异物检测、边缘检测、图像分离、遥感图像的融合。本文以多尺度几何变换为主线,针对其在遥感图像处理应用中的关键技术进行了深入系统的研究。本文在前人的基础上从以下两个方面进行深入的研究。一方面,改进现有的多尺度几何变换的性质和创造新的具有更好性质的多尺度几何变换。另一方面,根据不同的应用场景构造不同的基于多尺度几何变换的算法将变换应用到遥感图像处理领域中。本文的主要贡献如下：1.基于多尺度几何变换的SAR图像去噪算法研究针对现有多尺度几何变换缺乏方向选择性和移不变性的缺点,本文从这两方面进行了改进,针对Contourlet变换的改进包括Wavelet-Contourlet变换、复轮廓波变换、局部混合滤波,而针对Shearlet变换的改进为复Shearlet变换,最后构造了一种适合机场雷达图像去噪的移不变二维混合变换。改进的变换具有移不变性和良好的方向选择性以及稀疏性,丰富了多尺度几何变换的内容,也更有利于雷达图像的去噪。针对SAR图像成像特点,本文基于上述的多尺度几何变换提出了几种去噪算法：一是基于改进后的Contourlet变换的SAR图像去噪算法——基于Wavelet-Contourlet变换的Cycle Spinning去噪算法、基于复Contourlet变换高斯混合去噪算法、基于局部混合滤波的去噪算法；二是基于改进后Shearlet变换的SAR图像去噪算法——基于Shearlet双变量去噪算法、基于复Shearlet变换高斯混合去噪算法、基于稀疏表示的去噪算法、基于贝叶斯收缩的去噪算法；最后则是基于移不变二维混合变换的机场雷达图像去噪。仿真结果表明了所提出的去噪算法的有效性和可靠性。针对上述的算法,本文总结了基于多尺度几何变换去噪的常用框架,并且将上述算法进行一一对比,分析他们在雷达图像去噪中的优缺点,以利于未来进一步的研究。2.基于多尺度几何变换的SAP图像边缘检测算法研究针对现有的多尺度几何变换在SAR图像边缘检测中没有充分地利用多尺度变换方向信息和多尺度边缘信息融合规则比较简单的缺点,本文总结了多尺度几何变换在SAR图像边缘检测中应用的典型步骤,提出了三种基于多尺度几何变换的SAP图像边缘检测算法。第一种边缘检测算法是基于上述的局部混合滤波去噪算法构造的,本文对基于多尺度几何变换的SAR图像边缘检测算法的几个步骤进行了改进,首先改进了平滑过程,然后使用多比例模型Canny算子进行单个尺度的边缘信息检测,最后采用证据理论进行各尺度的边缘信息融合。第二种边缘检测算法是基于稀疏去噪和最小二乘支持向量机进行边缘检测,首先使用稀疏表示进行去噪,然后采用最小二乘支持向量机进行边缘检测。第三种边缘检测算法是基于稀疏表示去噪算法利用多尺度几何变换的方向性构造的,稀疏表示去噪是一种迭代去噪模型,本文利用形态学算子检测每次迭代的方向边缘信息,然后采用证据理论将其融合为完整的边缘。最后本文将上述算法进行一一对比,分析它们在SAP图像边缘检测中的优缺点,以利于未来进一步的研究。3.基于多尺度几何分离字典的图像几何分离算法研究在研究星星轨迹时需要将天文图像中的点和曲线进行分离,而现有的算法计算复杂度太大和计算时间太长,因此本文提出了三种新的图像几何分离字典进行图像分离,其中一种是基于复Shearlet和双正交小波字典,另外一种是基于圆对称Shearlet和双正交小波字典,还有一种是基于超分析Shearlet和双正交小波字典,对于最后一种字典本文还采用了新的迭代算法进行图像几何分离。为了客观地评价各种算法的图像几何分离效果,本文提出了一种分离效果评价标准一分离度。实验结果证明了该算法的有效性,最后本文分析了上述算法的优缺点,以利于进一步的研究。4.基于多尺度几何变换的遥感图像融合算法研究针对当前变换域图像融合由于引入人造纹理而导致融合效果比较差的缺点,本文提出了一种基于剪切波变换和向导滤波的图像融合算法,该算法充分的利用了图像的空间连续性,从而抑制了人造纹理的产生,实验结果表明该算法不仅可以有效地提高图像融合的视觉效果,而且还具有很好的鲁棒性,可以应用到包括多聚集图像和不同类型遥感图像的图像融合中。
娄军[7]（2013）在《超宽带合成孔径雷达浅埋目标特征获取技术研究》文中认为超宽带合成孔径雷达（Synthetic Aperture Radar,SAR）具有探测范围广和穿透能力强等优点,使远距离大区域快速探测浅埋目标成为可能。特征获取是保证超宽带SAR浅埋目标探测性能的关键,本文结合飞艇载超宽带SAR系统实测数据的处理,针对超宽带SAR浅埋目标的特征获取技术展开研究。首先,研究了基于有效特征空间的浅埋目标特征获取框架。从目标和传感器两方面出发,阐述了有效特征的基本概念;利用电磁计算和实测数据建立了浅埋目标的电磁散射模型,在此基础上分析了金属地雷的时域双峰特征,频域凹点特征以及方位不变特征,建立了超宽带SAR浅埋目标有效特征空间;分别讨论了超宽带SAR观测模型及目标检测流程与浅埋目标有效特征空间之间的关系。其次,研究了超宽带SAR浅埋目标预筛选特征提取技术。针对传统快速CFAR预筛选算法中对比度特征提取效率低的问题,提出了基于积分图像的快速对比度特征提取算法;针对对比度特征用于超宽带SAR浅埋目标预筛选时易受复杂背景环境影响的不足,提出了基于局部结构特征的超宽带SAR目标预筛选方法;针对金属地雷目标的双峰结构不能同时聚焦所导致的局部结构特征提取不准确问题,提出了基于双峰特征增强操作的金属地雷局部结构特征提取方法。再次,研究了超宽带SAR浅埋目标鉴别特征提取技术。提出了基于时频分析的多维散射函数估计框架,分析了经典时频分析方法中不确定原理对多维散射函数估计准确性的约束;提出了基于经验模态分解（Empirical Mode Decomposition,EMD）的超宽带SAR目标鉴别特征提取方法,将一维EMD拓展到二维,提出了分离集合平均EMD（Separate Ensemble EMD,SEEMD）方法,给出了基于SEEMD的SAR目标散射中心散射特征提取流程;提出了基于稀疏表示的超宽带SAR目标鉴别特征提取方法,将稀疏表示的时频分析方法拓展到SAR二维空间波数分布中,对固定散射中心的散射特性进行了稀疏表示;针对金属地雷目标前峰与后峰随方位角变化而移动的特性,提出了迁移散射中心散射特性的稀疏表示方法。最后,针对直接将目标多维散射函数作为鉴别特征向量时维数过高的问题,研究了超宽带SAR浅埋目标鉴别特征降维技术。分析了特征降维的必要性,并基于内蕴维数论证了超宽带SAR浅埋目标鉴别特征降维的可行性;针对线性降维方法无法处理具有非线性结构的浅埋目标鉴别特征数据,提出了基于流形学习的超宽带SAR浅埋目标鉴别特征降维方法。
石祥滨,刘进立,张劲松,陈润锋[8]（2013）在《一种基于MLS的SAR图像点特征提取方法》文中进行了进一步梳理针对合成孔径雷达图像点特征提取问题,提出了一种基于MLS的SAR图像点特征提取方法。首先利用提出的基于超像素关联分析的SAR图像分割算法得到二值分割图像,再把该二值图像和SAR图像进行点乘运算,获取到含有强度信息的目标区域,然后采用移动最小二乘法（MLS）对目标区域进行曲面拟合,根据设定的点特征判决规则,最后提取出SAR图像的峰值、脊和谷等多种点特征。基于MSTAR数据的实验结果表明了该方法的有效性和准确性。
刘进立[9]（2013）在《SAR图像分割与特征提取方法研究》文中提出合成孔径雷达（SAR）具有全天候、全天时和强透射性等特点，广泛应用在军事领域和国民经济。随着SAR数据信息量的不断增大，SAR图像目标识别（SARATR）越来越受到国内外的重视。SARATR可以概述为从SAR图像中发现感兴趣目标区域，并判断出目标所属的类型。其中SAR图像分割、目标特征提取是SARATR中的关键技术。另外，由于目标方位角严重影响SAR成像，即相同目标由于方位角的不一致所成的图像会存在很大差别，导致目标方位角严重影响着目标识别的性能。因此，本文以SARATR为背景，主要针对SAR图像分割、目标方位角估计、目标特征提取这三方面的内容进行研究。首先，针对基于马尔科夫随机场的分割算法在迭代优化的过程中，需要考虑每个像素的空间结构信息，从而导致处理的数据量很大这一问题，本文提出了一种基于超像素关联分析的SAR图像分割方法。该方法利用马尔科夫随机场建立目标函数，将分割问题转化成对该函数的优化问题。在SAR图像初始分割阶段采用线性迭代聚类算法生成若干超像素。随后采用快速人工蜂群算法对目标函数进行优化，同时为了加快优化速度，加入了超像素相似性分析，通过对超像素之间进行灰色关联分析获得关联相似度，然后对其相似度进行阈值判断，当大于既定阈值时更新超像素标记状态，直到所有超像素标记都达到最优状态。实验结果表明，本文方法减少了处理数据量，并获得较好的分割效果。其次，在目标方位角估计方面，提出了一种基于目标主轴和主导边界的方位角估计方法。SAR图像目标的方位角接近0或180时，使用主导边界估计的偏差较大，但是通过统计大量的SAR图像分割目标，发现此时目标区域大多数的点呈现出近似几何对称性，满足目标主轴法假设前提，采用目标主轴估计方位角会得到较高精度的估计。利用这两种方法估计方位角时的优势进行互补，可以提高方位角估计的准确性。最后，本文提出并实现了一种基于MLS的点特征提取方法。首先利用提出的基于超像素关联分析的SAR图像分割算法得到二值分割图像，再把该二值图像和SAR图像进行点乘运算，获取到含有强度信息的目标区域，然后采用移动最小二乘法（MLS）对目标区域进行曲面拟合，并根据设定的点特征判决规则，最后提取出SAR图像的峰值、脊等多种点特征。基于MSTAR数据的实验结果表明了本文方法的有效性和准确性。
颜学颖[10]（2013）在《SAR图像相干斑抑制和分割方法研究》文中研究说明合成孔径雷达（SyntheticAperture Radar, SAR）通过发射宽频带信号来获取高的距离分辨率，并利用长的合成孔径来获取横向高分辨，从而获得大面积的高分辨率SAR图像。SAR具有全天候、远距离和极强的穿透力等特点并能在恶劣环境下以很高的分辨率提供地面信息。因此，SAR在地球科学、水文科学和生态科学等领域的作用越来越重要。然而，在SAR系统中，相干斑的存在使得后续基于SAR图像的理解及解译存在着很大的困难。因此，根据SAR图像中的观测值准确地估计图像真实的雷达散射截面积（Radar Cross Section, RCS）一直是SAR图像预处理的一个重要的研究课题。近些年来，根据未降斑处理或者已预降斑处理后的SAR图像，进行SAR图像的分割和后续的变化检测也一直受到雷达信号处理领域的广泛关注。在本论文中，我们对SAR图像的降斑预处理技术，以及后续的SAR图像分割技术和两时相SAR图像变化检测技术进行了系统地研究，并提出了一系列实际有效的SAR图像降斑方法、SAR图像分割方法和两时相SAR图像的变化检测方法，主要研究成果为：1.提出了基于各向异性高斯窗和SURE准则的非局部SAR图像降斑方法。针对传统空域非局部均值（Non-local means, NLM）方法在SAR图像相干斑抑制中存在相似区域提取不足和方向信息捕获不足的问题，提出了一种基于各向异性高斯方向窗和史蒂文无偏风险估计（Stein’s unbiased risk estimation, SURE）准则融合的非局部均值算法。该方法利用多个不同方向的各向异性高斯窗来匹配SAR图像的局部空间几何结构，比传统的方形窗能更好地保护SAR图像中的方向性结构。然后，采用比率测度测量策略来衡量两个图像块的相似程度。最终，结合Stein’s无偏风险估计（SURE）准则来融合不同方向的各向异性高斯窗的非局部平均结果。文中针对多幅测试SAR图像进行了对比实验，实验结果表明：提出的方法在有效抑制SAR图像相干斑的同时很好地保留了SAR图像的几何结构信息，为后续的SAR图像理解与解译奠定了良好的基础。2.提出了基于自适应各向异性高斯方向窗的非局部三维Otsu图像空域门限分割方法。针对传统三维最大类间方差（3D-Otsu）门限分割方法中的滤噪性能和小目标保持性能的不足，提出了一种基于各向异性自适应高斯方向窗的3D-Otsu门限分割的新方法。新方法对3D-Otsu的邻域窗口设置方法做了改进，使用中心点的局部平稳特征来自适应地确定邻域各向异性高斯方向加权窗口的尺寸大小、尺度和滤波方向。然后基于非局部多方向相似度测量，从而更有效地捕捉图像中的模式冗余。最终，结合像素点灰度值、加权均值、加权中值构建三维直方图，从而基于最大类间方差计算门限矢量并进行分割。该方法有着更好的门限分割效果，并具有更好的滤噪性能和小目标保持性能。3.提出了非下采样Brushlet域的基于灰度共生概率和模糊C均值聚类的SAR图像分割方法。针对传统小波变换域SAR图像分割存在边缘保持和方向分辨率较差的不足，提出了一种在非下采样Brushlet变换域提取图像灰度共生概率特征的新方法。该方法在Brushlet的不同方向系数块中利用自适应窗口的高斯方向窗提取灰度共生概率特征，有效地解决了实际操作中的最优窗口尺寸的选取问题，并利用压缩感知来对冗余的特征进行压缩，降低了聚类复杂度。最后使用模糊C均值聚类，得到分割结果。该方法与其它对比方法相比在边缘保持和方向分辨上有明显优势，获得了更好的分割结果。4.提出了基于非下采样Brushlet系数和谱聚类集成的SAR图像分割方法。针对传统小波变换能量系数对边缘保持和方向分辨率较差的不足以及单一谱聚类算法对尺度参数敏感的不足，提出了一种基于非下采样Brushlet变换和谱聚类集成算法的SAR图像分割方法。解决了传统谱聚类算法对尺度参数敏感以及小波域系数特征的方向分辨能力的不足的问题。该方法比传统的随机单尺度参数的谱聚类方法的性能有所改进，并且避免了单一谱聚类中的尺度参数选择问题。分割性能相对于传统的算法有明显优势，并且对图像的边缘和方向性细节保持得较好。5.提出了基于非下采样Brushlet和SURE-LET准则SAR图像变化检测方法。针对传统空域两时相SAR图像变化检测存在相邻像素间相似特征捕捉和方向分辨率较差的不足以及SAR图像相干斑噪声建模的困难，提出了一种基于Stein’s无偏风险估计（SURE）阈值线性展开（linear expansion of threshold, LET）和非下采样Brushlet变换的SAR图像二维最大类间方差（2D-otsu）变化检测方法。该方法基于两幅SAR图像的差异图，结合非下采样Brushlet域的各向异性局部高斯非线性加权均值计算和空域最小化均方误差的线性组合来获取相干斑噪声抑制后的均值特征，并结合差异图的灰度特征最终实现变化区域的检测。非下采样Brushlet变换解决了小波角分辨率的问题，可获得各个方向、频率和位置的方向纹理的精确定位。SURE-LET方法不必为原始差异图像假设统计模型，并使得算法仅解决一个线性方程系统，快速而有效。该方法在SAR图像变化检测中优于传统的算法，并且由于非下采样Brushlet变换和各向异性高斯方向窗的引入，能够在变化区域检测的同时很好地保留纹理边缘等细节信息。
二、基于曲面拟合的SAR图像分维特征提取方法（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、基于曲面拟合的SAR图像分维特征提取方法（论文提纲范文）
（1）多方位角极化SAR数据处理与信息提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 MA-PolSAR国内外研究现状 |
| 1.2.2 EMD研究现状 |
| 1.2.3 极化目标分解研究现状 |
| 1.3 本文的课题来源及主要研究内容 |
| 1.3.1 本文的课题来源 |
| 1.3.2 本文主要研究内容 |
| 第2章 基于EMD的MA-PolSAR图像自适应辐射均衡方法 |
| 2.1 引言 |
| 2.2 经验模态分解原理 |
| 2.3 SAR成像几何构型 |
| 2.4 基于EMD的自适应辐射均衡方法 |
| 2.5 实验结果与讨论 |
| 2.5.1 均衡指标 |
| 2.5.2 基于EMD自适应均衡的SAR图像方法的实验 |
| 2.5.3 基于EMD的SAR图像均衡方法普适性实验 |
| 2.6 基于BEMD的均衡SAR图像 |
| 2.7 本章小结 |
| 第3章 MA-PolSAR数据的极化特征提取 |
| 3.1 引言 |
| 3.2 PolSAR基础理论 |
| 3.2.1 散射体的极化描述 |
| 3.2.2 极化矩阵 |
| 3.3 极化目标分解 |
| 3.3.1 Freeman分解 |
| 3.3.2 Yamaguchi分解 |
| 3.3.3 Cloude分解 |
| 3.4 PolSAR数据特征的提取与特征矩阵的建立 |
| 3.4.1 数据说明 |
| 3.4.2 数据的预处理及极化矩阵的生成 |
| 3.4.3 极化特征矩阵的建立 |
| 3.5 本章小结 |
| 第4章 建立MA-PolSAR数据的角度序列模型 |
| 4.1 引言 |
| 4.2 时间序列与时间序列模型 |
| 4.2.1 平稳时间序列和非平稳时间序列 |
| 4.2.2 ARMA模型 |
| 4.2.3 ARIMA模型 |
| 4.3 极化特征分析 |
| 4.4 多角度序列模型建立 |
| 4.4.1 模型建立步骤 |
| 4.4.2 实验与结果分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（2）多源遥感数据测绘应用关键技术研究（论文提纲范文）
| 致谢1 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外相关研究现状 |
| 1.2.1 多源遥感数据配准的研究现状 |
| 1.2.2 遥感图像地物要素提取的研究现状 |
| 1.2.3 地物变化检测的研究现状 |
| 1.2.4 地形变化检测的研究现状 |
| 1.3 论文的研究内容与章节安排 |
| 1.3.1 存在的问题 |
| 1.3.2 研究内容 |
| 1.3.3 章节安排 |
| 2 地物要素智能化提取 |
| 2.1 面状地物要素提取 |
| 2.2 基于纹理特征的半自动提取 |
| 2.2.1 区域生长法 |
| 2.2.2 基于灰度共生矩阵的阈值法 |
| 2.2.3 基于Gabor变换的区域生长法 |
| 2.3 半自动提取实验与分析 |
| 2.3.1 水体提取 |
| 2.3.2 植被提取 |
| 2.3.3 居民地提取 |
| 2.3.4 半自动提取的优缺点 |
| 2.4 基于深度学习的自动提取 |
| 2.4.1 卷积神经网络 |
| 2.4.2 条件生成式对抗网络 |
| 2.4.3 地物要素自动提取 |
| 2.5 自动提取实验与分析 |
| 2.5.1 CNN |
| 2.5.2 CGAN |
| 2.5.3 自动提取的优缺点 |
| 2.6 提取后处理 |
| 2.6.1 形态学处理 |
| 2.6.2 中心线生成 |
| 2.6.3 曲线光滑 |
| 2.7 本章小结 |
| 3 基于地物要素的图像配准及其变化检测 |
| 3.1 基于解译的图像配准 |
| 3.1.1 图像配准的方法 |
| 3.1.2 基于特征的遥感图像配准 |
| 3.1.3 面向地理对象 |
| 3.1.4 形状匹配 |
| 3.2 基于EOSB算法的线状地物要素匹配 |
| 3.2.1 形状描述 |
| 3.2.2 EOSB匹配算法 |
| 3.2.3 实验与分析 |
| 3.3 基于形状上下文的面状地物要素匹配 |
| 3.3.1 形状上下文匹配算法 |
| 3.3.2 实验与分析 |
| 3.4 地物要素的变化检测 |
| 3.4.1 算法思路 |
| 3.4.2 实验与分析 |
| 3.5 本章小结 |
| 4 地形变化检测 |
| 4.1 DEM匹配 |
| 4.1.1 匹配方法 |
| 4.1.2 基本原理 |
| 4.1.3 存在问题 |
| 4.2 基于等高线的DEM匹配 |
| 4.2.1 匹配流程 |
| 4.2.2 匹配方法 |
| 4.2.3 参数解算 |
| 4.2.4 实验与分析 |
| 4.3 滑坡检测 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.1.1 论文的主要工作 |
| 5.1.2 创新点 |
| 5.2 展望 |
| 参考文献 |
| 作者简介及在学期间发表的学术论文与研究成果 |
| 致谢2 |
（3）目标三维电磁散射参数化模型反演方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 目标识别的基本要素 |
| 1.1.2 基于模型的目标识别方法及目标电磁散射参数化模型 |
| 1.1.3 目标电磁散射参数化模型建模方法 |
| 1.2 国内外研究现状 |
| 1.2.1 散射特性建模的发展历史 |
| 1.2.2 国内外研究机构 |
| 1.2.3 目标散射参数化建模的关键问题 |
| 1.2.4 基础散射源参数化模型 |
| 1.2.5 现有反演方法 |
| 1.3 论文的主要工作及内容安排 |
| 第二章 目标电磁散射参数化模型反演框架 |
| 2.1 引言 |
| 2.2 目标参数化模型表示形式 |
| 2.3 研究内容和需要解决的关键问题 |
| 2.4 基础散射源参数化模型 |
| 2.5 反演数据源 |
| 2.5.1 测量几何 |
| 2.5.2 多角度SAR信号模型 |
| 2.5.3 数据来源 |
| 2.6 坐标系及几何投影变换 |
| 2.7 反演技术框架 |
| 2.7.1 模型初始化 |
| 2.7.2 模型参数优化 |
| 2.8 小结 |
| 第三章 时域稀疏表示的一维/二维散射中心提取 |
| 3.1 引言 |
| 3.2 稀疏表示理论回顾 |
| 3.3 基于时域稀疏表示的一维散射中心参数估计 |
| 3.3.1 GTD模型频域字典 |
| 3.3.2 GTD模型时域字典构造方法及参数估计 |
| 3.3.3 实验结果 |
| 3.4 基于时域稀疏表示的二维散射中心参数估计 |
| 3.4.1 信号模型 |
| 3.4.2 属性散射中心时域字典 |
| 3.4.3 实验结果 |
| 3.5 小结 |
| 第四章 时域压缩感知的三维成像及散射中心提取 |
| 4.1 引言 |
| 4.2 多角度SAR数据时域压缩感知模型 |
| 4.2.1 频域压缩感知模型 |
| 4.2.2 时域压缩感知模型 |
| 4.2.3 实验结果 |
| 4.3 基于时域压缩感知的目标三维成像 |
| 4.3.1 基本方法 |
| 4.3.2 扩展方法一 |
| 4.3.3 扩展方法二 |
| 4.3.4 实验结果 |
| 4.4 基于时域压缩感知的目标三维散射中心提取 |
| 4.4.1 三维GTD模型参数空间的缩减 |
| 4.4.2 三维GTD模型参数估计 |
| 4.4.3 实验结果 |
| 4.5 小结 |
| 第五章 特征层融合的三维散射中心重构 |
| 5.1 引言 |
| 5.2 基于聚类分析的三维点散射中心重构 |
| 5.2.1 二维散射中心提取 |
| 5.2.2 散射中心聚类分析 |
| 5.2.3 信号层参数优化 |
| 5.2.4 讨论 |
| 5.2.5 实验结果 |
| 5.3 基于摄影测量和参数匹配的属性散射中心三维位置重构 |
| 5.3.1 属性散射中心模型三维扩展 |
| 5.3.2 二维散射中心标记方法 |
| 5.3.3 散射中心核线 |
| 5.3.4 二维散射中心匹配准则 |
| 5.3.5 匹配策略和重构过程 |
| 5.3.6 实验结果 |
| 5.4 特征层压缩感知的三维散射中心重构 |
| 5.4.1 基于位置参数特征的压缩感知模型 |
| 5.4.2 参数加权特征的压缩感知模型 |
| 5.4.3 基于特征层压缩感知模型的三维散射中心重构 |
| 5.4.4 实验结果 |
| 5.5 三维散射中心模型的不确定性扩展 |
| 5.6 小结 |
| 第六章 典型散射结构参数化模型参数优化 |
| 6.1 引言 |
| 6.2 典型散射结构参数化模型 |
| 6.2.1 典型结构本体坐标系下的参数化模型 |
| 6.2.2 典型结构在目标坐标系下的旋转平移变换 |
| 6.2.3 轴对称典型结构的姿态参数降维 |
| 6.3 典型散射结构模型二维几何投影 |
| 6.3.1 三面角 |
| 6.3.2 二面角 |
| 6.3.3 圆柱结构 |
| 6.3.4 顶帽结构 |
| 6.3.5 方形顶帽 |
| 6.4 典型散射结构参数优化的约束准则 |
| 6.4.1 图像域代价函数 |
| 6.4.2 散射结构解耦合 |
| 6.4.3 实验结果 |
| 6.5 基于图像分割的参数优化算法 |
| 6.5.1 典型散射结构信号分离 |
| 6.5.2 姿态角估计 |
| 6.5.3 频率域降采样 |
| 6.5.4 实验结果 |
| 6.6 小结 |
| 第七章 目标宽角度三维电磁散射参数化模型反演 |
| 7.1 目标宽角度三维散射中心模型反演 |
| 7.1.1 反演基本流程 |
| 7.1.2 基于点散射中心的目标模型反演结果 |
| 7.1.3 基于属性散射中心的目标模型反演结果 |
| 7.2 基于典型散射结构的目标宽角度参数化模型反演 |
| 7.2.1 初始化方案 |
| 7.2.2 模型参数优化的降维方案及典型散射结构有效数据的选择方法 |
| 7.2.3 遮挡和模型失配问题解决方案 |
| 7.3 实验结果 |
| 7.3.1 目标典型散射结构参数化模型参数优化结果 |
| 7.3.2 基于典型散射结构和散射中心的目标参数化建模结果 |
| 7.3.3 模型精度验证 |
| 7.4 小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 8.2.1 基于最大后验概率压缩感知模型的散射中心重构 |
| 8.2.2 基于MSTAR实测数据的目标散射中心模型反演 |
| 8.2.3 电磁计算软件实现目标压缩测量 |
| 8.2.4 基于压缩感知的多角度SAR飞行路径规划 |
| 8.2.5 各向异性多测量模型及求解方法 |
| 8.2.6 基于参数化模型的认知雷达 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 作者在学期间参加的科研项目 |
| 附录A 典型散射结构图像域约束收敛性实验结果 |
（4）外形隐身飞机的电磁散射特性与SAR成像特性分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究背景以及发展状况 |
| 1.2.1 隐身技术与反隐身技术的发展现状 |
| 1.2.2 SAR图像中条纹干扰的去除及特征提取发展现状 |
| 1.3 论文主要内容及组织结构 |
| 第二章 隐身飞机的多波段雷达散射特性分析 |
| 2.1 引言 |
| 2.2 隐身飞机的建模 |
| 2.3 多波段雷达散射特性分析 |
| 第三章 SAR图像基础知识 |
| 3.1 SAR成像的理论模型 |
| 3.2 频域SAR成像方法 |
| 第四章 隐身飞机成像特性分析 |
| 4.1 隐身飞机成像的理论基础 |
| 4.2 非隐身飞机的SAR成像特征分析 |
| 4.3 隐身飞机的SAR成像特征分析 |
| 4.4 总结 |
| 第五章 SAR图像中条纹干扰的去除 |
| 5.1 引言 |
| 5.2 条纹干扰的频谱特征分析 |
| 5.3 幅度谱中条纹干扰位置的确定 |
| 5.4 零相移滤波器的设计与实现 |
| 5.5 实验结果 |
| 第六章 基于高斯模型的SAR图像强散射点提取 |
| 6.1 引言 |
| 6.2 分水岭算法实现SAR图像的区域分割 |
| 6.3 LM算法实现的高斯拟合 |
| 6.4 图像重建 |
| 6.5 实验结果 |
| 总结和展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（5）有变化区域的SAR图像配准方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 SAR图像配准方法的发展现状 |
| 1.2.1 SAR图像配准方法概述 |
| 1.2.2 基于点的图像配准 |
| 1.2.3 基于边缘的图像配准 |
| 1.2.4 具有变化区域的配准 |
| 1.2.5 主要存在的问题 |
| 1.3 论文的主要工作和结构安排 |
| 第二章 SAR图像配准相关理论 |
| 2.1 SAR图像配准简介 |
| 2.1.1 特征提取 |
| 2.1.2 特征匹配 |
| 2.1.3 变换模型 |
| 2.1.4 去除误匹配 |
| 2.1.5 重采样和插值 |
| 2.2 SAR图像配准的评价准则 |
| 2.2.1 主观评价准则 |
| 2.2.2 客观评价准则 |
| 2.4 本章小结 |
| 第三章 基于匹配点对约束和三角形网的有变化区域的SAR图像配准方法 |
| 3.1 SURF算法及配准流程改进 |
| 3.1.1 SURF算法 |
| 3.1.2 改进的特征匹配准则 |
| 3.1.3 基于范围约束的去除误匹配方法 |
| 3.2 不规则三角形网 |
| 3.2.1 基于Delaunay方法的三角网生成算法 |
| 3.2.2 基于TIN的同名三角形搜索算法 |
| 3.2.3 基于同名三角形对的仿射误差矩阵计算方法 |
| 3.3 本章方法具体描述 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于相位信息的边缘拟合方法及其在SAR图像配准中的应用 |
| 4.1 引言 |
| 4.1.1 边缘算子简介 |
| 4.1.2 线段拟合简介 |
| 4.1.3 基于边缘的配准方法概述 |
| 4.2 主干边缘拟合方法 |
| 4.2.1 基于局部能量边缘提取算子及其改进 |
| 4.2.2 基于相位一致性的边缘提取算法 |
| 4.2.3 主干边缘拟合方法介绍 |
| 4.3 线段匹配及线段对描述 |
| 4.3.1 线段匹配方法概述 |
| 4.3.2 特征线段对描述及其改进 |
| 4.3.3 线段对的相似性度量矩阵 |
| 4.3.4 线段对匹配 |
| 4.3.5 控制点的生成 |
| 4.4 本章方法具体描述 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本论文工作总结 |
| 5.2 未来展望 |
| 致谢 |
| 参考文献 |
| 研究生期间的研究成果 |
（6）基于多尺度几何变换的遥感图像处理算法研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 雷达成像基础知识 |
| 1.2.2 遥感图像处理算法研究现状 |
| 1.2.3 多尺度几何变换框架 |
| 1.2.4 多尺度几何变换在遥感图像中的应用框架 |
| 1.3 本文的主要研究内容 |
| 1.4 论文结构 |
| 2 多尺度几何变换基础理论 |
| 2.1 Contourlet变换及其改进 |
| 2.1.1 Contourlet变换 |
| 2.1.2 小波-Contourlet变换 |
| 2.1.3 非下采样方向滤波器(NSDFB) |
| 2.1.4 复轮廓波变换 |
| 2.1.5 NSDFB-DTCWT构造 |
| 2.2 Shearlet变换及其改进 |
| 2.2.1 Shearlet变换 |
| 2.2.2 离散Shearlet变换 |
| 2.2.3 复Shearlet变换 |
| 2.3 移不变二维混合变换 |
| 3 基于多尺度几何变换的SAR图像去噪算法研究 |
| 3.1 基于Contourlet变换的SAR图像去噪算法研究 |
| 3.1.1 基于小波-轮廓波和循环平移算法的SAR图像去噪 |
| 3.1.2 基于复轮廓波高斯混合模型的SAR图像去噪 |
| 3.1.3 基于局部混合滤波的SAR图像去噪 |
| 3.2 基于Shearlet变换的SAR图像去噪算法研究 |
| 3.2.1 基于双变量的SAR图像去噪 |
| 3.2.2 基于复Shearlet域的高斯混合模型SAR图像去噪 |
| 3.2.3 基于稀疏表示的Shearlet域SAR图像去噪 |
| 3.3 基于移不变二维混合变换的机场雷达成像噪声抑制 |
| 3.3.1 机场雷达图像去噪 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 4 基于多尺度几何变换的SAR图像边缘检测算法研究 |
| 4.1 基于局部混合滤波的SAR图像边缘检测 |
| 4.1.1 尺度边缘检测算子和尺度边缘融合规则 |
| 4.1.2 实验结果与分析 |
| 4.2 基于稀疏表示与LS-SVM的SAP图像边缘检测 |
| 4.2.1 基于LS-SVM的边缘检测算子 |
| 4.2.2 基于稀疏表示的边缘检测算法 |
| 4.2.3 实验结果与分析 |
| 4.3 基于稀疏表示与形态学的SAR图像边缘检测算法 |
| 4.3.1 稀疏去噪模型与形态学边缘检测算法 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于多尺度几何变换的图像几何分离研究 |
| 5.1 图像几何分离 |
| 5.1.1 问题描述 |
| 5.1.2 基于小波-Shearlet变换的图像几何分离 |
| 5.2 基于小波-复Shearlet变换的图像几何分离 |
| 5.2.1 小波-复Shearlet联合字典 |
| 5.2.2 实验结果与分析 |
| 5.3 基于小波-圆对称Shearlet变换的图像几何分离 |
| 5.3.1 小波-圆对称Shearlet联合字典 |
| 5.3.2 实验结果与分析 |
| 5.4 基于小波-超分析Shearlet变换的图像几何分离 |
| 5.4.1 小波-超分析Shearlet联合字典 |
| 5.4.2 快速方向交替迭代算法 |
| 5.4.3 实验结果与分析 |
| 5.5 本章小结 |
| 6 基于多尺度几何变换的遥感图像融合算法研究 |
| 6.1 图像融合算法简述及改进方法 |
| 6.2 向导滤波 |
| 6.3 融合规则 |
| 6.4 实验结果与分析 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 论文工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 攻读博士期间完成的论文 |
| 攻读博士期间参加的科研项目 |
| 学位论文数据集 |
（7）超宽带合成孔径雷达浅埋目标特征获取技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 超宽带SAR探测浅埋目标的兴起 |
| 1.1.2 超宽带SAR浅埋目标特征获取技术研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 典型超宽带SAR浅埋目标探测系统 |
| 1.2.2 超宽带SAR特征获取技术研究现状 |
| 1.3 本文主要工作及内容安排 |
| 1.3.1 本文研究思路 |
| 1.3.2 本文结构安排 |
| 第二章 基于有效特征空间的浅埋目标特征获取框架 |
| 2.1 引言 |
| 2.2 有效特征基本概念 |
| 2.2.1 特征的定义与作用 |
| 2.2.2 有效特征 |
| 2.3 超宽带SAR浅埋目标特征分析 |
| 2.3.1 浅埋目标电磁散射模型 |
| 2.3.2 浅埋目标散射特征 |
| 2.4 超宽带SAR浅埋目标有效特征空间与特征获取框架 |
| 2.4.1 超宽带SAR浅埋目标有效特征空间的定义 |
| 2.4.2 浅埋目标有效特征空间与超宽带SAR观测模型的关系 |
| 2.4.3 超宽带SAR浅埋目标特征获取框架 |
| 2.5 小结 |
| 第三章 超宽带SAR浅埋目标预筛选特征提取 |
| 3.1 引言 |
| 3.2 对比度特征的提取 |
| 3.2.1 基于对比度特征的预筛选 |
| 3.2.2 对比度特征的快速提取 |
| 3.2.3 基于对比度特征的预筛选的特点分析 |
| 3.3 局部结构特征的提取 |
| 3.3.1 图像局部结构特征 |
| 3.3.2 基于局部结构特征的预筛选方法 |
| 3.3.3 基于局部结构特征的预筛选的特点分析 |
| 3.4 基于实测数据的预筛选特征提取方法性能对比 |
| 3.5 小结 |
| 第四章 超宽带SAR浅埋目标鉴别特征提取 |
| 4.1 引言 |
| 4.2 基于时频分析的多维散射函数估计方法 |
| 4.2.1 空间波数分布理论 |
| 4.2.2 基于经典时频分析方法的多维散射函数估计 |
| 4.2.3 不确定原理的约束 |
| 4.3 基于经验模态分解的特征提取方法 |
| 4.3.1 经验模态分解方法 |
| 4.3.2 目标散射中心特征提取 |
| 4.4 基于稀疏表示的特征提取方法 |
| 4.4.1 基于稀疏表示的时频分析方法 |
| 4.4.2 基于稀疏表示的超宽带SAR浅埋目标特征提取 |
| 4.5 小结 |
| 第五章 超宽带SAR浅埋目标鉴别特征降维 |
| 5.1 引言 |
| 5.2 特征降维的必要性与可行性 |
| 5.2.1 特征降维的必要性分析 |
| 5.2.2 特征降维的可行性分析 |
| 5.3 线性降维方法 |
| 5.3.1 线性降维技术 |
| 5.3.2 数据处理实验 |
| 5.4 基于流形学习的非线性降维方法 |
| 5.4.1 流形学习方法 |
| 5.4.2 改进的Isomap方法 |
| 5.4.3 数据处理实验 |
| 5.5 基于实测数据的特征降维方法性能对比 |
| 5.6 小结 |
| 第六章结论与展望 |
| 6.1 本文工作总结 |
| 6.2 技术展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录 英文缩写词对照表 |
（8）一种基于MLS的SAR图像点特征提取方法（论文提纲范文）
| 1 提取目标区域 |
| 1.1 建立目标函数 |
| 1.2 图像分割 |
| 2 拟合曲面 |
| 3 设定判决规则及提取点特征 |
| 4 实验结果及分析 |
| 5 结论 |
（9）SAR图像分割与特征提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 SAR ATR 国内外研究现状 |
| 1.3 MSTAR 数据简介 |
| 1.4 本文主要内容及章节安排 |
| 第2章 SAR 图像预处理算法研究 |
| 2.1 SAR 图像滤波算法 |
| 2.1.1 经典 SAR 图像滤波算法 |
| 2.1.2 灰色关联自适应加权平均滤波算法 |
| 2.2 SAR 图像分割算法 |
| 2.2.1 恒虚警分割算法 |
| 2.2.2 基于 MRF 的 SAR 图像分割算法 |
| 2.3 实验结果及分析 |
| 2.4 本章小结 |
| 第3章 一种基于超像素关联分析的 SAR 图像分割算法 |
| 3.1 建立目标函数 |
| 3.2 超像素分割 |
| 3.3 标记场状态最优化 |
| 3.3.1 优化目标函数 |
| 3.3.2 相似性分析 |
| 3.4 图像分割算法 |
| 3.5 实验结果及分析 |
| 3.6 本章小结 |
| 第4章 SAR 图像目标方位角估计 |
| 4.1 包络盒法 |
| 4.2 主轴估计法 |
| 4.3 主导边界法 |
| 4.4 基于目标主轴和主导边界的方位角估计方法 |
| 4.5 实验结果及分析 |
| 4.6 本章小结 |
| 第5章 SAR 图像特征提取 |
| 5.1 一种基于 MLS 的 SAR 图像点特征提取方法 |
| 5.1.1 移动最小二乘法的原理 |
| 5.1.2 目标图像的曲面拟合 |
| 5.1.3 点特征类型判定 |
| 5.1.4 实验结果及分析 |
| 5.2 SAR 图像区域特征提取 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 论文总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及参加科研情况 |
（10）SAR图像相干斑抑制和分割方法研究（论文提纲范文）
| 作者简介 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 SAR 图像相干斑抑制技术的发展概述 |
| 1.3 SAR 图像分割技术的发展概述 |
| 1.4 SAR 图像变化检测技术的发展概述 |
| 1.5 本文的内容安排 |
| 1.5.1 本文的主要研究内容 |
| 1.5.2 本文的结构安排 |
| 本章参考文献 |
| 第二章 SAR 成像及相干斑产生机理 |
| 2.1 SAR 系统的成像原理 |
| 2.2 SAR 图像中相干斑噪声的形成机理和特性 |
| 2.2.1 SAR 相干斑的乘性模型 |
| 2.2.2 SAR 图像处理异质性测量方式 |
| 2.3 本章小结 |
| 本章参考文献 |
| 第三章 基于各向异性高斯窗和 SURE 准则的非局部 SAR 图像降斑 |
| 3.1 引言 |
| 3.2 非局部均值算法和各向异性高斯窗的构造 |
| 3.2.1 传统非局部均值算法介绍 |
| 3.2.2 比率距离测度的设计 |
| 3.2.3 多方向各向异性高斯加权窗的构造 |
| 3.3 基于 STEIN’S 无偏风险估计（SURE）的非局部均值融合 |
| 3.3.1 传统的 SURE-LET 方法 |
| 3.3.2 基于 SURE 的多方向 NLM 均值估计结果的融合 |
| 3.4 对比实验结果分析与有效性验证 |
| 3.4.1 实验数据描述 |
| 3.4.2 相干斑抑制评价准则和对比实验结果分析 |
| 3.5 本章小结 |
| 本章参考文献 |
| 第四章 基于自适应高斯加权窗的非局部三维 OTSU 图像门限分割 |
| 4.1 引言 |
| 4.2 传统三维直方图的构造 |
| 4.3 非局部各向异性自适应高斯加权方向窗的设计和门限的计算 |
| 4.3.1 非局部三维 Otsu 方法的整体算法框架 |
| 4.3.2 各向异性自适应高斯加权方向窗的设计 |
| 4.3.3 基于改进非局部方法的加权均值和加权中值的计算 |
| 4.3.4 三维门限矢量的计算 |
| 4.4 对比实验结果和有效性验证 |
| 4.5 本章小结 |
| 本章参考文献 |
| 第五章 非下采样 BRUSHLET 域的基于 GLCP 和 FCM 的 SAR 图像分割 |
| 5.1 引言 |
| 5.2 基于非下采样 BRUSHLET 和 GABOR 滤波器的特征提取 |
| 5.2.1 Brushlet 变换和非下采样 Brushlet 变换 |
| 5.2.2 非下采样 Brushlet 系数的获取 |
| 5.2.3 自适应各向异性高斯加权窗的构造 |
| 5.3 基于压缩感知的特征压缩算法 |
| 5.3.1 压缩感知理论 |
| 5.3.2 提取的特征 |
| 5.3.3 对提取后的特征进行去冗余 |
| 5.4 对比实验结果分析与有效性验证 |
| 5.5 本章小结 |
| 本章参考文献 |
| 第六章 基于非下采样 BRUSHLET 变换和谱聚类集成的 SAR 图像分割 |
| 6.1 引言 |
| 6.2 SAR 图像分割的特征获取以及传统的谱聚类算法 |
| 6.2.1 SAR 图像分割特征向量的获取 |
| 6.2.2 传统的谱聚类算法 |
| 6.3 谱聚类集成（SCE）算法 |
| 6.3.1 聚类集成问题 |
| 6.3.2 多样性聚类成员的生成 |
| 6.3.3 多个聚类成员结果的组合 |
| 6.4 对比实验结果和有效性验证 |
| 6.4.1 无监督合成纹理图像分割 |
| 6.4.2 实际 SAR 图像的分割结果 |
| 6.5 本章小结 |
| 本章参考文献 |
| 第七章 基于非下采样 BRUSHLET 和 SURE-LET 准则的 SAR 图像变化检测 |
| 7.1 引言 |
| 7.2 SAR 图像差异图构造和非下采样 BRUSHLET 变换 |
| 7.2.1 两时相 SAR 图像差异图的构造 |
| 7.2.2 非下采样 Brushlet 变换 |
| 7.3 SAR 图像差异图的特征提取及变化检测 |
| 7.3.1 基于 SURE-LET 和各向异性高斯加权窗的局部均值特征获取 |
| 7.3.2 基于灰度和均值的二维直方图构造及自适应最大类间方差门限选取... |
| 7.4 对比实验结果分析与有效性验证 |
| 7.4.1 实验数据描述和定量评价指标 |
| 7.4.2 对比实验结果和分析 |
| 7.5 本章小结 |
| 本章参考文献 |
| 第八章 总结与展望 |
| 8.1 全文内容总结 |
| 8.2 工作展望 |
| 致谢 |
| 攻读博士学位期间的研究成果 |
| 学术论文 |
| 参加研究的科研项目 |
四、基于曲面拟合的SAR图像分维特征提取方法（论文参考文献）
- [1]多方位角极化SAR数据处理与信息提取方法研究[D]. 陈楠楠. 燕山大学, 2018(05)
- [2]多源遥感数据测绘应用关键技术研究[D]. 芮杰. 中国科学院大学(中国科学院遥感与数字地球研究所), 2017(10)
- [3]目标三维电磁散射参数化模型反演方法研究[D]. 钟金荣. 国防科学技术大学, 2016(11)
- [4]外形隐身飞机的电磁散射特性与SAR成像特性分析[D]. 李希同. 东南大学, 2015(08)
- [5]有变化区域的SAR图像配准方法研究[D]. 杨正勇. 西安电子科技大学, 2014(11)
- [6]基于多尺度几何变换的遥感图像处理算法研究[D]. 刘帅奇. 北京交通大学, 2013(06)
- [7]超宽带合成孔径雷达浅埋目标特征获取技术研究[D]. 娄军. 国防科学技术大学, 2013(01)
- [8]一种基于MLS的SAR图像点特征提取方法[J]. 石祥滨,刘进立,张劲松,陈润锋. 沈阳航空航天大学学报, 2013(03)
- [9]SAR图像分割与特征提取方法研究[D]. 刘进立. 辽宁大学, 2013(01)
- [10]SAR图像相干斑抑制和分割方法研究[D]. 颜学颖. 西安电子科技大学, 2013(11)