SAR图像处理的关键技术

第1章 绪论

1.1 研究背景及意义

1.2 SAR图像处理国内外研究现状

1.2.1 SAR图像相干斑噪声抑制

1.2.2 SAR图像增强

1.2.3 SAR图像融合

1.2.4 SAR图像边缘检测

1.2.5 SAR图像分割

1.2.6 SAR图像目标检测

1.2.7 SAR图像目标识别

参考文献

第2章 SAR图像特性及其相干斑噪声特性

2.1 SAR图像成像原理和特点

2.1.1 SAR成像方式

2.1.2 SAR图像成像特点

2.2 SAR图像特性

2.2.1 SAR图像空间分辨特性

2.2.2 SAR图像辐射特性

2.2.3 SAR图像极化特性

2.2.4 SAR图像几何特性

2.2.5 SAR图像噪声特性

2.2.6 SAR图像目标特性

2.3 相干斑噪声的产生机理和仿真模型

2.3.1 相干斑噪声的产生机理

2.3.2 相干斑的数学仿真模型〔4，5，6〕

2.4 相干斑噪声的统计特性和模型

2.4.1 单极化情况下相干斑噪声的统计特性〔8，9〕

2.4.2 多极化情况下相干斑噪声的统计特性〔3，9〕

2.4.3 Pearson系统

2.4.4 SAR图像后向散射强度模型〔12〕

2.4.5 系统热噪声的影响

参考文献

第3章 SAR图像噪声抑制和增强

3.1 去噪方法的性能评价标准

3.2 空间域噪声抑制方法

3.2.1 均值滤波

3.2.2 中值滤波

3.2.3 Sigma滤波

3.2.4 Lee滤波及其增强型算法

3.2.5 Kuan滤波及其增强型算法

3.2.6 Frost滤波及其增强型算法

3.2.7 Gamma MAP滤波

3.2.8 自适应窗口的Kuan滤波

3.2.9 仿真实验与分析

3.3 小波域噪声抑制方法

3.3.1 小波变换和多分辨分析

3.3.2 小波硬、软阈值滤波

3.3.3 基于小波系数统计特性的阈值滤波

3.3.4 基于双树复数小波变换的SAR图像滤波

3.3.5 实验结果与分析

3.4 结合Curvelet和Wavelet变换的SAR图像去噪

3.4.1 平稳小波变换

3.4.2 Curvelet变换

3.4.3 基于Curvelet变换和Wavelet变换的图像抑噪

3.4.4 实验结果与分析

3.5 基于平稳树状小波变换和贝叶斯估计的SAR图像噪声抑制

3.5.1 平稳树状小波变换

3.5.2 贝叶斯小波估计

3.5.3 比值边缘检测算子

3.5.4 仿真结果

3.6 基于稀疏表示和字典学习的SAR图像去噪

3.6.1 基于MCA的稀疏表示和分解

3.6.2 基于K-SVD算法的字典学习

3.6.3 基于稀疏表示和字典学习的SAR图像去噪

3.6.4 实验结果与分析

3.7 多波段多极化SAR图像信息压缩与滤波算法

3.7.1 极化原理和经典多极化SAR滤波方法

3.7.2 主成分分析（PCA）

3.7.3 核主成分分析（KPCA）

3.7.4 基于KPCA的多频率多极化SAR图像滤波

3.7.5 实验结果与分析

3.8 基于ME-curvelet变换和PSO的自适应SAR图像增强

3.8.1 ME-Curvelet变换

3.8.2 改进的增益函数

3.8.3 基于改进的PSO算法的参数优化

3.8.4 基于ME-Curvelet和PSO算法的SAR图像自适应增强

3.8.5 实验结果与分析

参考文献

第4章 SAR图像与光谱图像的融合

4.1 经典的融合效果评价准则

4.1.1 基于信息量的评价

4.1.2 基于统计特性的评价

4.1.3 基于相关性的评价

4.1.4 基于梯度值的评价

4.2 多传感器图像融合主要方法

4.2.1 基于不同彩色空间的融合方法

4.2.2 数学合成技术的融合方法

4.2.3 多分辨率融合方法

4.2.4 基于统计理论的图像融合方法

4.3 基于保真小波图像融合方法

4.3.1 融合准则选取

4.3.2 保真小波融合方法（HFWT）

4.3.3 实验结果与分析

4.4 基于多小波变换的图像融合方法

4.4.1 连续多小波变换

4.4.2 多小波的特性

4.4.3 多元多分辨分析

4.4.4 多小波的分解与重构

4.4.5 基于离散多小波变换的图像融合方法

4.4.6 实验结果与分析

4.5 基于小波包变换的图像融合

4.5.1 小波包变换

4.5.2 基于区域能量的融合规则

4.5.3 基于小波包方向自适应（WPT-SAO）的融合方法

4.5.4 实验结果与分析

4.6 基于区域统计特征的特征级图像融合

4.6.1 特征级图像融合原理

4.6.2 SAR图像分割

4.6.3 光学图像的边缘提取

4.6.4 基于区域长轴线的融合特征提取

4.6.5 实验结果与分析

参考文献

第5章 SAR图像边缘检测

5.1 经典的多尺度边缘检测方法

5.1.1 Marr - Hildreth算子

5.1.2 Canny算子

5.1.3 Canny算子的几种改进

5.2 基于小波的多尺度边缘检测

5.2.1 传统的小波边缘检测方法

5.2.2 小波域尺度自适应的边缘检测

5.3 基于多尺度几何分析的边缘检测

5.3.1 基于Wedgelet的边缘检测

5.3.2 基于Beamlet的边缘检测

5.3.3 实验结果与分析

5.4 多尺度边缘检测技术在SAR图像上的应用

5.4.1 SAR图像的恒虚警边缘检测方法

5.4.2 多尺度方法在SAR图像边缘检测中的应用

5.5 基于自适应免疫遗传算法的SAR图像边缘检测

5.5.1 自适应免疫遗传算法（AIGA）

5.5.2 基于AIGA的SAR图像边缘检测

参考文献

第6章 SAR图像分割

6.1 图像分割概述

6.1.1 图像分割的定义

6.1.2 图像分割应用及评价〔1〕

6.2 基于马尔可夫随机场的SAR图像分割

6.2.1 马尔可夫随机场（MRF）

6.2.2 MRF在图像分割中的应用

6.2.3 基于简化马尔可夫随机场（SMRF）模型的SAR图像快速分割算法

6.2.4 基于多纹理特征SMRF的SAR图像分割

6.2.5 基于耦合马尔可夫随机场（CMRF）模型的纹理图像分割方法

6.3 基于模糊神经网络的SAR图像分割

6.3.1 模糊神经网络的结构

6.3.2 模糊神经网络的学习算法

6.3.3 模糊神经网络初始参数的选择

6.3.4 具体分割步骤

6.3.5 分割结果

6.4 基于Gaussian-Hermite矩的SAR图像分割

6.4.1 引言

6.4.2 Gaussian-Hermite矩的定义

6.4.3 Gaussian-Hermite矩的性质

6.4.4 Gaussian-Hermite矩的能量特征

6.4.5 基于Gaussian-Hermite矩能量的SAR图像分割

6.4.6 实验结果与分析

6.5 基于Dirichlet过程混合模型的SAR图像分割方法

6.5.1 基于贝叶斯统计推理的非参数估计

6.5.2 Dirichlet过程混合模型（DPMM）

6.5.3 基于DPMM的聚类方法

6.5.4 基于DPMM的SAR图像分割

6.5.5 基于多尺度DPMM的SAR图像分割

参考文献

第7章 SAR图像目标检测和识别

7.1 基于快速Beamlet变换的SAR图像桥梁检测

7.1.1 快速Beamlet变换

7.1.2 基于快速Beamlet变换的SAR图像桥梁检测

7.1.3 实验结果与分析

7.2 基于图像高维奇异性分析的SAR图像带状目标检测

7.2.1 基于线奇异性分析的带状目标检测

7.2.2 二维基Beamlet变换

7.2.3 基于二维基Beamlet变换的SAR图像带状目标检测

7.3 SAR图像环境因子的检测

7.3.1 水域检测

7.3.2 耕地和果园检测

7.3.3 林地检测

7.3.4 居民地检测

7.3.5 梯田检测

7.3.6 淤地坝检测

7.4 SAR图像两个典型小流域环境因子专题分析

……

《SAR图像处理的关键技术》是SAR图像处理与解译领域的一本新著，是作者所在团队10余年来在该领域工作的积累。《SAR图像处理的关键技术》在全面总结国内外研究进展的基础上，着重论述了SAR图像噪声抑制和增强、SAR图像和光谱图像的融合、SAR边缘检测、SAR图像分割、SAR图像典型目标包括桥梁、机场跑道、道路的检测以及环境因子分析和SAR图像目标识别。本书侧重于新算法的描述和实例的分析，反映了近年来在SAR图像处理和解译关键技术的最新发展概况，为该领域的深入研究提供了借鉴。

《SAR图像处理的关键技术》着重论述了SAR图像噪声抑制和增强、SAR图像和光谱图像的融合、SAR边缘检测、SAR图像分割、SAR图像典型目标包括桥梁、机场跑道、道路的检测以及环境因子分析和SAR图像目标识别。