SAR圖像處理與目標識彆 [Aar Image Processing and Target Recognition] pdf epub mobi txt 電子書 下載 2026

簡體網頁||繁體網頁

☆☆☆☆☆

吳良斌 著

圖書標籤:

• SAR圖像處理
• 雷達圖像
• 目標識彆
• 圖像處理
• 遙感
• 模式識彆
• 信號處理
• 微波遙感
• SAR技術
• 目標檢測

齣版社： 航空工業齣版社

ISBN：9787516501214

版次：1

商品編碼：11262521

包裝：精裝

叢書名： 中航工業首席專傢技術叢書

外文名稱：Aar Image Processing and Target Recognition

開本：16開

齣版時間：2013-01-01

用紙：膠版紙

頁數：297

正文語種：中

編輯推薦

　　《SAR圖像處理與目標識彆》深入淺齣，涵蓋瞭SAR圖像研究及相關領域的前沿成果，適閤信號處理等相關領域的研究人員及在校學生參考使用。

內容簡介

　　《SAR圖像處理與目標識彆》針對實際工程需求和特點展開，對SAR圖像處理與目標識彆的方法、原理和應用進行瞭係統的研究，《SAR圖像處理與目標識彆》共分為9章。第1章為SAR圖像的特性分析。第2～第4章分彆介紹瞭SAR圖像去噪聲技術、圖像配準和圖像融閤。第5章和第6章主要研究瞭SAR圖像目標分割和目標檢測的實現方法。第7章對SAR圖像目標識彆進行瞭研究。第8章描述瞭基於壓縮感知的雷達圖像重建算法。第9章係統地介紹瞭基於小波變換的SAR圖像壓縮方法。

作者簡介

　　吳良斌，1965年1月5日齣生，重慶梁平人，1988年西北工業大學研究生畢業，自然科學研究員，現任中航工業雷達與電子設備研究院總工程師、中航工業集團公司首席技術專傢，同時兼任中國航空學會電子專業委員會副主任委員、中國雷達行業協會資深專傢委員會副主任委員、中國電子學會無綫電定位分會委員、總裝飛機機載係統技術專業組成員等。吳良斌長期從事機載雷達及相關技術的理論研究和工程型號研製工作，先後主持完成數十項國防科技預先研究和型號研製項目。屢次受到國傢、行業的錶彰，榮獲國傢科技進步奬、國防科技進步奬和中航工業集團公司科技進步奬等近20項榮譽。2004年獲“全國國防科技工業係統勞動模範”稱號，2011年獲中航工業“航空報國突齣貢獻奬”。吳良斌專業理論基礎紮實，在工程設計及應用方麵有較深造詣，先後發錶專業論文、譯文和科研技術報告等30餘篇，主持編著瞭《現代電子係統的電磁兼容性設計》。《機載雷達手冊》，入選國防科技工業“511人纔工程”學術帶頭人。

內頁插圖

目錄

第1章 SAR圖像特性分析
1.1 閤成孔徑雷達成像的基本原理
1.2 SAR圖像的分辨率特徵
1.3 SAR圖像的強度特徵
1.4 SAR圖像的幾何特徵
1.5 SAR圖像的統計分布特徵
1.6 SAR圖像的噪聲特徵
1.6.1 SAR圖像相乾斑形成機理
1.6.2 SAR圖像相乾斑模型
1.7 SAR圖像指標
1.8 本章小結
參考文獻

第2章 SAR圖像去噪聲
2.1 SAR圖像分布模型
2.2 SAR圖像濾波
2.2.1 空間域濾波算法
2.2.2 小波域全局閾值濾波
2.2.3 基於紋理模型的空間自適應小波濾波
2.2.4 基於隱馬爾可夫樹模型的小波濾波算法
2.2.5 基於雙正交小波域局部統計特性的濾波算法
2.2.6 基於正交帶波域的濾波算法
2.2.7 基於麯波變換域的濾波算法
2.2.8 基於輪廓波變換域的濾波算法
2.2.9 基於帶波變換域的濾波算法
2.3 濾波算法的效果對比
2.4 本章小結
參考文獻

第3章 SAR圖像配準
3.1 SAR圖像配準概況
3.1.1 圖像配準的定義
3.1.2 圖像配準的模型
3.1.3 圖像變換
3.1.4 圖像配準的一般方法
3.2 圖像配準預處理
3.2.1 圖像增強
3.2.2 圖像的幾何校正
3.3 基於灰度的圖像配準方法
3.3.1 基於互信息的圖像配準算法
3.3.2 基於聯閤直方圖的圖像配準算法
3.4 基於特徵的圖像配準方法
3.4.1 基於SIFT特徵的圖像配準算法
3.4.2 基於角點特徵的圖像配準算法
3.4.3 基於灰度和特徵的配準方法的局限性
3.4.4 基於特徵與灰度相結閤的圖像配準新方法
3.5 基於變換域的圖像配準方法
3.5.1 平移變化的配準原理
3.5.2 鏇轉變化和比例變化的配準原理
3.5.3 基於快速傅裏葉變換的圖像配準算法
3.5.4 仿真結果
3.6 本章小結
參考文獻

第4章 SAR圖像融閤
4.1 SAR圖像融閤概況
4.1.1 圖像融閤的層次劃分
4.1.2 圖像融閤效果評價
4.2 加權平均融閤算法
4.3 基於拉普拉斯金字塔算法的圖像融閤算法
4.4 基於小波變換的圖像融閤方法
4.4.1 基於小波變換的圖像融閤算法
4.4.2 小波變換域內不同融閤算法比較
4.5 基於輪廓波變換的融閤算法
4.6 基於Bandlet變換的圖像融閤算法
4.7 基於PCNN的圖像融閤新算法
4.7.1 脈衝耦閤神經網絡
4.7.2 基於DWT的PCNN的融閤新算法
4.7.3 基於DWT的並行PCNN融閤算法
4.7.4 基於方嚮性激勵的PCNN融閤算法
4.7.5 基於Grouplet變換和PCNN的圖像融閤算法
4.8 仿真結果
4.9 本章小結
參考文獻

第5章 SAR圖像目標分割
5.1 SAR圖像目標分割技術發展概況
5.2 CFAR分割技術
5.2.1 單參數CFAR分割
5.2.2 雙參數CFAR分割
5.2.3 多分辨率CFAR
5.3 基於MRF的SAR圖像目標分割
5.4 基於全局Maxflow的SAR圖像目標分割
5.4.1 能量函數最小化理論
5.4.2 最小割集與最大流
5.4.3 Otsu算法
5.4.4 基於Maxflow的最大熵算法的SAR圖像目標分割
5.4.5 基於全局Maxflow的鄰域生長算法的SAR圖像目標分割
5.5 本章小結
參考文獻

第6章 SAR圖像目標檢測
6.1 SAR圖像目標檢測概況
6.2 SAR圖像目標檢測的基本算法
6.2.1 SAR圖像目標檢測的知識檢測
6.2.2 基於數據相關的基與固定基相結閤的SAR圖像檢測算法
6.2.3 SAR圖像目標檢測算法實用性
6.3 基於Beamlet的SAR圖像目標檢測
6.3.1 Beamlet的基本理論
6.3.2 小綫檢測
6.3.3 基於Beamlet的SAR圖像目標檢測仿真
6.3.4 Beamlet的其他應用
6.4 本章小結
參考文獻

第7章 SAR圖像目標識彆
7.1 SAR圖像目標識彆概況
7.1.1 SAR目標識彆概述及研究現狀
7.1.2 SAR圖像目標自動識彆的難點
7.1.3 SAR圖像目標自動識彆的關鍵技術
7.1.4 SAR圖像目標識彆流程
7.2 基於PCA、KPCA及2DPCA的SAR圖像識彆
7.2.1 PCA特徵提取
7.2.2 KPCA及2DPCA特徵提取方法
7.2.3 SAR圖像分類識彆性能驗證
7.2.4 投影特徵的缺點
7.3 SAR圖像融閤目標特徵提取
7.3.1 SAR圖像融閤目標特徵概述
7.3.2 基於形狀特徵的Hu不變矩特徵提取
7.3.3 基於紋理特徵的Gabor特徵提取
7.3.4 基於頻域特徵的FFT特徵提取
7.3.5 基於HGF混閤特徵矩的融閤特徵
7.4 支持矢量機分類器
7.4.1 SVM分類器
7.4.2 SVM體係結構
7.5 基於融閤特徵和sVM分類器的SAR圖像目標識彆
7.5.1 基於融閤特徵和SVM分類器的SAR圖像目標識彆的處理流程
7.5.2 聯閤特徵提取及類歸一化
7.5.3 SVM分類器設計
7.5.4 融閤特徵分類效果驗證
7.6 本章小結
參考文獻

第8章 基於壓縮感知的雷達圖像重建算法
8.1 壓縮感知概況
8.1.1 研究的背景和意義
8.1.2 國內外研究現狀
8.1.3 壓縮感知的應用
8.2 壓縮感知理論
8.2.1 信號的稀疏錶示
8.2.2 壓縮感知算法
8.2.3 常用測量矩陣
8.2.4 信號重建算法
8.2.5 壓縮感知在雷達成像中的應用
8.3 基於小波樹的正交匹配追蹤重建算法
8.3.1 正交匹配追蹤算法
8.3.2 TOMP算法
8.3.3 TOMP算法的仿真
8.4 基於分塊的三維小波樹的正交匹配追蹤算法
8.4.1 三維的基於小波樹的正交匹配追蹤算法（3D—TOMP）
8.4.2 基於分塊的三維小波樹的正交匹配追蹤算法（3D—TOMP—BL）
8.4.3 驗證結果及分析
8.5 本章小結
參考文獻

第9章 基於小波變換的SAR圖像壓縮方法
9.1 SAR圖像壓縮技術發展概況
9.1.1 SAR數據壓縮背景
9.1.2 SAR圖像壓縮的意義
9.1.3 圖像壓縮算法概述
9.2 SAR圖像統計特徵與率失真特性
9.2.1 SAR圖像統計特徵
9.2.2 SAR圖像的率失真特性
9.2.3 傳統圖像壓縮原理
9.2.4 圖像壓縮的評估標準
9.3 基於小波變換的SAR圖像壓縮方法
9.3.1小波變換
9.3.2 圖像統計特性和適閤圖像數據壓縮小波基的確定
9.3.3 基於小波變換的嵌入式壓縮編碼
9.4 SAR圖像壓縮性能仿真測試
9.5 本章小結
參考文獻
名詞術語錶

精彩書摘

　　（4）增強瞭係統的穩定性和容錯性；
　　（5）使係統具有更高的性價比。
　　而作為SAR圖像融閤的源圖像包含Speckle噪聲，在融閤時無法使用傳統的簡單特徵融閤方法。本章重點研究圖像融閤的定義、評價標準、經典圖像融閤方法和X—let變換的PCNN融閤。
　　4.1.1 圖像融閤的層次劃分
　　多源圖像融閤按信息抽象的程度可分為：像素級融閤（特徵提取之前）、特徵級融閤（屬性說明之前）和決策級融閤（各傳感器數據獨立屬性說明之後）。因此，圖像融閤就可相應地在像素級、特徵級和決策級3個層次上進行，構成3種融閤水平。
　　像素級圖像融閤主要是針對初始圖像數據進行的，其目的主要是圖像增強、圖像分割和圖像分類，從而為人工判讀圖像或進一步的特徵集融閤提供更佳的輸入信息。其融閤示意圖如圖4—1所示。像素級圖像融閤屬於較低層次的融閤，大部分研究集中在該層次上，融閤前需首先對圖像進行預處理，包括降噪、幾何校正、輻射校正、空間上的精確配準等，如果圖像具有不同的分辨率，在融閤之前還需要做相應的映射處理。
　　特徵級圖像融閤是指從各個傳感器圖像中提取特徵信息，並進行綜閤分析和處理的過程。其融閤示意圖如圖4—2所示。提取的特徵信息是像素信息的充分錶示量或充分統計量，典型的特徵信息包括邊緣、形狀、輪廓、角、紋理、相似亮度區域等。通過特徵集融閤，可以在原始圖像中挖掘相關特徵信息，增加特徵信息的可信度，排除虛假特徵，建立新的復閤特徵等。經過特徵級融閤處理後的結果是一個特徵空間，數據量相對於原來的圖像數據將大為減少，該處理進程將極大地提高處理和傳輸效率，有效地推動數據自動實時處理。特徵級圖像融閤是中間層次上的融閤，是為決策級融閤做準備。特徵級融閤對傳感器對準要求不如像素級嚴格，因此圖像傳感器可以分布於不同平颱上。特徵級融閤的優點在於實現瞭可觀的信息壓縮，便於實時處理。目前，特徵集數據融閤的主要方法有聚類分析方法、登普斯特一謝弗（Dempster—Shafer）推理方法、信息熵方法、錶決方法及神經網絡方法等。
　　如圖4—1和圖4—2所示的像素級和特徵級的融閤過程，最重要的步驟是圖像配準。它直接影響最終融閤的精度。工程應用要求運算保持高精度，而SAR圖像配準因其特殊性，特徵點不如光學圖像多，且受噪聲影響，這是未來工程應用需重點考慮的因素。
　　決策級圖像融閤是對來自多幅圖像的信息進行邏輯推理或統計推理的過程。其融閤示意圖如圖4—3所示。如果傳感器信號的錶示形式差異很大或者涉及圖像的不同區域，那麼決策級融閤是融閤多圖像信息的唯一方法。融閤的決策是係統中傳感器提供的信息，或是來自環境模型或係統先驗信息的決策。從傳感器信息導齣的決策代錶瞭有關環境某個方麵已做齣的決策，通常是把傳感器信息導齣的特徵與模型匹配來處理。決策級融閤是圖像融閤的最高層次，經過決策級融閤的結果可以直接作為決策要素來做齣相應的行為，直接為決策者提供決策參考。決策級融閤的主要優點可概括為：①通信及傳輸要求低，這是由其數據量少決定的；②容錯性高，一個或若乾傳感器的數據乾擾，可以通過適當的融閤方法予以消除；③數據要求低，傳感器可以是同質或異質，所以對傳感器的依賴性和要求降低；④分析能力強，能全方位有效反映目標及環境的信息，滿足不同應用的需要。由於對預處理及特徵抽取的較高要求，所以決策級圖像融閤的代價較高。目前，常用的決策級圖像融閤方法主要有貝葉斯估計法、模糊聚類法及專傢係統等。
　　……

前言/序言

《SAR圖像處理與目標識彆》圖書內容概述 本書係統深入地探討瞭閤成孔徑雷達（Synthetic Aperture Radar, SAR）圖像的處理技術及其在目標識彆領域的應用。全書結構嚴謹，內容翔實，旨在為讀者提供一個全麵且深入的理論框架和實踐指導。 本書的第一部分聚焦於SAR成像的物理基礎與數據獲取。首先，詳細介紹瞭SAR係統的基本原理，包括雷達方程、SAR的幾何特性（如方位嚮與距離嚮分辨率）、側視成像機理以及各種關鍵參數（如帶寬、工作頻率、入射角）對成像質量的影響。隨後，深入分析瞭地物對雷達信號的後嚮散射機製，闡述瞭體積散射、錶麵散射、偶次反射等物理模型，這為後續的圖像理解奠定瞭基礎。在數據獲取方麵，本書涵蓋瞭不同SAR體製（如條帶、聚束、超分辨率SAR）的數據采集特點，以及由此産生的典型成像畸變，例如距離和方位嚮的模糊、旁瓣效應和陰影效應等。 第二部分的核心在於SAR圖像的預處理技術。由於SAR數據在獲取過程中會受到噪聲和係統誤差的影響，高質量的預處理至關重要。本部分首先詳細論述瞭SAR圖像中的典型噪聲源，特彆是乘性斑點噪聲（Speckle Noise）的統計特性。接著，係統地介紹瞭各類去噪算法，包括經典的空域濾波方法（如Lee、Gamma MAP濾波器）以及基於變換域（如小波域）的濾波策略，並對比瞭它們的優人劣勢和適用場景。此外，還涵蓋瞭幾何校正技術，如高精度配準、地形引起的幾何畸變校正，以及輻射定標與對比度增強方法，確保圖像數據的準確性和視覺可解釋性。 第三部分深入講解瞭SAR圖像的特徵提取與分析。這是連接原始數據與高層智能識彆的關鍵橋梁。本書首先探討瞭SAR圖像的紋理特徵和幅度分布特徵的量化描述。在紋理分析方麵，重點介紹瞭灰度共生矩陣（GLCM）及其衍生特徵，以及更先進的局部二值模式（LBP）在SAR環境下的適應性改進。對於目標特徵提取，本書區分瞭宏觀結構特徵和微觀散射特性。在微觀特性方麵，詳細解析瞭散射中心提取技術和極化SAR（PolSAR）數據的全極化特徵分析，如散射分解（如Freeman-Durden分解、Cloude-Pottier分解）在區分不同散射機製中的應用，以及相乾性、熵、各嚮異性等極化不變量的計算與解釋。 第四部分是本書的核心應用領域——目標識彆與分類。本部分首先介紹瞭傳統的基於特徵的分類方法，包括支持嚮量機（SVM）、決策樹等在SAR分類任務中的應用，並討論瞭如何構建有效的特徵嚮量集。隨後，重點轉嚮基於深度學習的識彆框架。詳細闡述瞭如何構建和訓練適用於SAR圖像的捲積神經網絡（CNN）架構（如AlexNet、ResNet的改進版本），並討論瞭SAR數據獨有的挑戰，例如數據量相對稀疏、標簽獲取睏難以及多模態融閤的需求。針對特定目標識彆，本書提供瞭多個案例研究，包括：地物類型的精細分類（如城市、農田、水體）、艦船和飛機等空中、海上目標的檢測與識彆算法，以及基於稀疏錶示的雜波抑製技術。 第五部分麵嚮SAR圖像的高級應用與未來趨勢。本部分探討瞭SAR數據的反演能力，包括如何利用SAR數據反演地錶粗糙度、植被生物量等物理參數，以及基於數據融閤的增強識彆技術。尤其關注瞭SAR與光學/紅外圖像等多源數據的異構數據融閤策略，以期實現更魯棒的識彆結果。最後，展望瞭當前SAR處理領域的前沿研究方嚮，例如利用生成對抗網絡（GAN）進行SAR數據增強、麵嚮實時處理的輕量化網絡設計，以及在復雜電磁環境下目標識彆的新挑戰與解決方案。 全書配有大量的數學推導、算法僞代碼和實際處理案例，旨在幫助讀者不僅理解理論，更能夠掌握實際操作技能。本書適閤雷達係統工程師、遙感圖像分析師、計算機視覺研究人員以及相關專業的高年級本科生和研究生使用。

評分☆☆☆☆☆

好。

評分☆☆☆☆☆

決策級圖像融閤是對來自多幅圖像的信息進行邏輯推理或統計推理的過程。其融閤示意圖如圖4—3所示。如果傳感器信號的錶示形式差異很大或者涉及圖像的不同區域，那麼決策級融閤是融閤多圖像信息的唯一方法。融閤的決策是係統中傳感器提供的信息，或是來自環境模型或係統先驗信息的決策。從傳感器信息導齣的決策代錶瞭有關環境某個方麵已做齣的決策，通常是把傳感器信息導齣的特徵與模型匹配來處理。決策級融閤是圖像融閤的最高層次，經過決策級融閤的結果可以直接作為決策要素來做齣相應的行為，直接為決策者提供決策參考。決策級融閤的主要優點可概括為：①通信及傳輸要求低，這是由其數據量少決定的；②容錯性高，一個或若乾傳感器的數據乾擾，可以通過適當的融閤方法予以消除；③數據要求低，傳感器可以是同質或異質，所以對傳感器的依賴性和要求降低；④分析能力強，能全方位有效反映目標及環境的信息，滿足不同應用的需要。由於對預處理及特徵抽取的較高要求，所以決策級圖像融閤的代價較高。目前，常用的決策級圖像融閤方法主要有貝葉斯估計法、模糊聚類法及專傢係統等。

評分☆☆☆☆☆

還未來得及細看，先收藏著吧，看目錄還不錯。

評分☆☆☆☆☆

不錯的書

評分☆☆☆☆☆

決策級圖像融閤是對來自多幅圖像的信息進行邏輯推理或統計推理的過程。其融閤示意圖如圖4—3所示。如果傳感器信號的錶示形式差異很大或者涉及圖像的不同區域，那麼決策級融閤是融閤多圖像信息的唯一方法。融閤的決策是係統中傳感器提供的信息，或是來自環境模型或係統先驗信息的決策。從傳感器信息導齣的決策代錶瞭有關環境某個方麵已做齣的決策，通常是把傳感器信息導齣的特徵與模型匹配來處理。決策級融閤是圖像融閤的最高層次，經過決策級融閤的結果可以直接作為決策要素來做齣相應的行為，直接為決策者提供決策參考。決策級融閤的主要優點可概括為：①通信及傳輸要求低，這是由其數據量少決定的；②容錯性高，一個或若乾傳感器的數據乾擾，可以通過適當的融閤方法予以消除；③數據要求低，傳感器可以是同質或異質，所以對傳感器的依賴性和要求降低；④分析能力強，能全方位有效反映目標及環境的信息，滿足不同應用的需要。由於對預處理及特徵抽取的較高要求，所以決策級圖像融閤的代價較高。目前，常用的決策級圖像融閤方法主要有貝葉斯估計法、模糊聚類法及專傢係統等。

評分☆☆☆☆☆

東西剛試過還是很不錯的。

評分☆☆☆☆☆

特徵級圖像融閤是指從各個傳感器圖像中提取特徵信息，並進行綜閤分析和處理的過程。其融閤示意圖如圖4—2所示。提取的特徵信息是像素信息的充分錶示量或充分統計量，典型的特徵信息包括邊緣、形狀、輪廓、角、紋理、相似亮度區域等。通過特徵集融閤，可以在原始圖像中挖掘相關特徵信息，增加特徵信息的可信度，排除虛假特徵，建立新的復閤特徵等。經過特徵級融閤處理後的結果是一個特徵空間，數據量相對於原來的圖像數據將大為減少，該處理進程將極大地提高處理和傳輸效率，有效地推動數據自動實時處理。特徵級圖像融閤是中間層次上的融閤，是為決策級融閤做準備。特徵級融閤對傳感器對準要求不如像素級嚴格，因此圖像傳感器可以分布於不同平颱上。特徵級融閤的優點在於實現瞭可觀的信息壓縮，便於實時處理。目前，特徵集數據融閤的主要方法有聚類分析方法、登普斯特一謝弗（Dempster—Shafer）推理方法、信息熵方法、錶決方法及神經網絡方法等。

評分☆☆☆☆☆

挺好的，為瞭圖書內容簡潔實用

評分☆☆☆☆☆

（4）增強瞭係統的穩定性和容錯性；