張艷寧是西北工業(yè)大學教授，院長作者所在課題組在國家“九五”、“十五”、“十一五”國防預研項目，國家自然科學基金面上項目（60472072、60873086），高等學校博士學科點專項科研基金（20040699034、20070699013），陜西省自然科學基金（2001X25、2004F05、2006F05），航空科學基金（04I53070、05I53076），國防科技重點實驗室基金（51431020204HK0302）以及黃委會治黃專項課題（2004SZ01-04）的資助下，面向SRA圖像應用，結合課題組對智能信息處理理論方面的研究成果，對SAR圖像相干斑抑制和增強、邊緣提取、目標檢測、地物分類、自動目標識別和復雜圖像融合、分割等方面展開了大量的工作，進行了較為深入、系統(tǒng)的研究，開辟了SAR圖像處理與解譯研究的新思路，并取得了一定的研究成果，培養(yǎng)博士后、博士、碩士50余名，獲陜西省科學技術二等獎。撰寫本書旨在論述SAR圖像處理與解譯新近的研究進展，除了介紹一些經(jīng)典的方法外，書中主要結合作者所在課題組多年來的研究成果，詳細論述了SAR圖像智能處理與解譯方法，希望能引起更多研究者的關注。

第1章 緒論 1

1.1 研究背景及意義 1

1.2 SAR圖像處理國內外研究現(xiàn)狀 2

1.2.1 SAR圖像相干斑噪聲抑制 2

1.2.2 SAR圖像增強 3

1.2.3 SAR圖像融合 4

1.2.4 SAR圖像邊緣檢測 4

1.2.5 SAR圖像分割 5

1.2.6 SAR圖像目標檢測 6

1.2.7 SAR圖像目標識別 7

參考文獻 7

第2章 SAR圖像特性及其相干斑噪聲特性 11

2.1 SAR圖像成像原理和特點 11

2.1.1 SAR成像方式 11

2.1.2 SAR圖像成像特點 13

2.2 SAR圖像特性 14

2.2.1 SAR圖像空間分辨特性 14

2.2.2 SAR圖像輻射特性 15

2.2.3 SAR圖像極化特性 16

2.2.4 SAR圖像幾何特性 17

2.2.5 SAR圖像噪聲特性 19

2.2.6 SAR圖像目標特性 19

2.3 相干斑噪聲的產(chǎn)生機理和仿真模型 20

2.3.1 相干斑噪聲的產(chǎn)生機理 20

2.3.2 相干斑的數(shù)學仿真模型[4,5,6] 21

2.4 相干斑噪聲的統(tǒng)計特性和模型 23

2.4.1 單極化情況下相干斑噪聲的統(tǒng)計特性[8,9] 24

2.4.2 多極化情況下相干斑噪聲的統(tǒng)計特性[3,9] 25

2.4.3 Pearson系統(tǒng) 27

2.4.4 SAR圖像后向散射強度模型[12] 30

2.4.5 系統(tǒng)熱噪聲的影響 33

參考文獻 33

第3章 SAR圖像噪聲抑制和增強 35

3.1 去噪方法的性能評價標準 35

3.2 空間域噪聲抑制方法 36

3.2.1 均值濾波 36

3.2.2 中值濾波 37

3.2.3 Sigma濾波 37

3.2.4 Lee濾波及其增強型算法 37

3.2.5 Kuan濾波及其增強型算法 39

3.2.6 Frost濾波及其增強型算法 39

3.2.7 Gamma MAP濾波 40

3.2.8 自適應窗口的Kuan濾波 41

3.2.9 仿真實驗與分析 43

3.3 小波域噪聲抑制方法 47

3.3.1 小波變換和多分辨分析 47

3.3.2 小波硬、軟閾值濾波 52

3.3.3 基于小波系數(shù)統(tǒng)計特性的閾值濾波 53

3.3.4 基于雙樹復數(shù)小波變換的SAR圖像濾波 55

3.3.5 實驗結果與分析 59

3.4 結合Curvelet和Wavelet變換的SAR圖像去噪 62

3.4.1 平穩(wěn)小波變換 62

3.4.2 Curvelet變換 63

3.4.3 基于Curvelet變換和Wavelet變換的圖像抑噪 66

3.4.4 實驗結果與分析 67

3.5 基于平穩(wěn)樹狀小波變換和貝葉斯估計的SAR圖像噪聲抑制 70

3.5.1 平穩(wěn)樹狀小波變換 70

3.5.2 貝葉斯小波估計 72

3.5.3 比值邊緣檢測算子 73

3.5.4 仿真結果 74

3.6 基于稀疏表示和字典學習的SAR圖像去噪 75

3.6.1 基于MCA的稀疏表示和分解 75

3.6.2 基于K-SVD算法的字典學習 77

3.6.3 基于稀疏表示和字典學習的SAR圖像去噪 79

3.6.4 實驗結果與分析 80

3.7 多波段多極化SAR圖像信息壓縮與濾波算法 84

3.7.1 極化原理和經(jīng)典多極化SAR濾波方法 84

3.7.2 主成分分析（PCA） 86

3.7.3 核主成分分析（KPCA） 87

3.7.4 基于KPCA的多頻率多極化SAR圖像濾波 89

3.7.5 實驗結果與分析 90

3.8 基于ME-curvelet變換和PSO的自適應SAR圖像增強 93

3.8.1 ME-Curvelet變換 93

3.8.2 改進的增益函數(shù) 94

3.8.3 基于改進的PSO算法的參數(shù)優(yōu)化 96

3.8.4 基于ME-Curvelet和PSO算法的SAR圖像自適應增強 99

3.8.5 實驗結果與分析 100

參考文獻 107

第4章 SAR圖像與光譜圖像的融合 111

4.1 經(jīng)典的融合效果評價準則 111

4.1.1 基于信息量的評價 112

4.1.2 基于統(tǒng)計特性的評價 113

4.1.3 基于相關性的評價 114

4.1.4 基于梯度值的評價 114

4.2 多傳感器圖像融合主要方法 114

4.2.1 基于不同彩色空間的融合方法 115

4.2.2 數(shù)學合成技術的融合方法 120

4.2.3 多分辨率融合方法 122

4.2.4 基于統(tǒng)計理論的圖像融合方法 129

4.3 基于保真小波圖像融合方法 131

4.3.1 融合準則選取 132

4.3.2 保真小波融合方法（HFWT） 135

4.3.3 實驗結果與分析 137

4.4 基于多小波變換的圖像融合方法 138

4.4.1 連續(xù)多小波變換 139

4.4.2 多小波的特性 139

4.4.3 多元多分辨分析 140

4.4.4 多小波的分解與重構 141

4.4.5 基于離散多小波變換的圖像融合方法 142

4.4.6 實驗結果與分析 143

4.5 基于小波包變換的圖像融合 145

4.5.1 小波包變換 145

4.5.2 基于區(qū)域能量的融合規(guī)則 148

4.5.3 基于小波包方向自適應（WPT-SAO）的融合方法 150

4.5.4 實驗結果與分析 150

4.6 基于區(qū)域統(tǒng)計特征的特征級圖像融合 153

4.6.1 特征級圖像融合原理 153

4.6.2 SAR圖像分割 154

4.6.3 光學圖像的邊緣提取 156

4.6.4 基于區(qū)域長軸線的融合特征提取 157

4.6.5 實驗結果與分析 157

參考文獻 159

第5章 SAR圖像邊緣檢測 163

5.1 經(jīng)典的多尺度邊緣檢測方法 163

5.1.1 Marr – Hildreth算子 163

5.1.2 Canny算子 164

5.1.3 Canny算子的幾種改進 165

5.2 基于小波的多尺度邊緣檢測 169

5.2.1 傳統(tǒng)的小波邊緣檢測方法 169

5.2.2 小波域尺度自適應的邊緣檢測 170

5.3 基于多尺度幾何分析的邊緣檢測 183

5.3.1 基于Wedgelet的邊緣檢測 183

5.3.2 基于Beamlet的邊緣檢測 187

5.3.3 實驗結果與分析 198

5.4 多尺度邊緣檢測技術在SAR圖像上的應用 200

5.4.1 SAR圖像的恒虛警邊緣檢測方法 201

5.4.2 多尺度方法在SAR圖像邊緣檢測中的應用 202

5.5 基于自適應免疫遺傳算法的SAR圖像邊緣檢測 204

5.5.1 自適應免疫遺傳算法（AIGA） 205

5.5.2 基于AIGA的SAR圖像邊緣檢測 209

參考文獻 218

第6章 SAR圖像分割 221

6.1 圖像分割概述 221

6.1.1 圖像分割的定義 221

6.1.2 圖像分割應用及評價[1] 221

6.2 基于馬爾可夫隨機場的SAR圖像分割 222

6.2.1 馬爾可夫隨機場（MRF） 222

6.2.2 MRF在圖像分割中的應用 227

6.2.3 基于簡化馬爾可夫隨機場（SMRF）模型的SAR圖像快速分割算法 232

6.2.4 基于多紋理特征SMRF的SAR圖像分割 240

6.2.5 基于耦合馬爾可夫隨機場（CMRF）模型的紋理圖像分割方法 256

6.3 基于模糊神經(jīng)網(wǎng)絡的SAR圖像分割 266

6.3.1 模糊神經(jīng)網(wǎng)絡的結構 266

6.3.2 模糊神經(jīng)網(wǎng)絡的學習算法 267

6.3.3 模糊神經(jīng)網(wǎng)絡初始參數(shù)的選擇 268

6.3.4 具體分割步驟 268

6.3.5 分割結果 269

6.4 基于Gaussian-Hermite矩的SAR圖像分割 269

6.4.1 引言 269

6.4.2 Gaussian-Hermite矩的定義 270

6.4.3 Gaussian-Hermite矩的性質 272

6.4.4 Gaussian-Hermite矩的能量特征 278

6.4.5 基于Gaussian-Hermite矩能量的SAR圖像分割 280

6.4.6 實驗結果與分析 281

6.5 基于Dirichlet過程混合模型的SAR圖像分割方法 286

6.5.1 基于貝葉斯統(tǒng)計推理的非參數(shù)估計 287

6.5.2 Dirichlet過程混合模型（DPMM） 289

6.5.3 基于DPMM的聚類方法 293

6.5.4 基于DPMM的SAR圖像分割 296

6.5.5 基于多尺度DPMM的SAR圖像分割 305

參考文獻 311

第7章 SAR圖像目標檢測和識別 315

7.1 基于快速Beamlet變換的SAR圖像橋梁檢測 315

7.1.1 快速Beamlet變換 315

7.1.2 基于快速Beamlet變換的SAR圖像橋梁檢測 317

7.1.3 實驗結果與分析 323

7.2 基于圖像高維奇異性分析的SAR圖像帶狀目標檢測 325

7.2.1 基于線奇異性分析的帶狀目標檢測 325

7.2.2 二維基Beamlet變換 328

7.2.3 基于二維基Beamlet變換的SAR圖像帶狀目標檢測 332

7.3 SAR圖像環(huán)境因子的檢測 340

7.3.1 水域檢測 340

7.3.2 耕地和果園檢測 341

7.3.3 林地檢測 342

7.3.4 居民地檢測 343

7.3.5 梯田檢測 345

7.3.6 淤地壩檢測 346

7.4 SAR圖像兩個典型小流域環(huán)境因子專題分析 347

7.4.1 Flevoland地區(qū)環(huán)境因子分析 347

7.4.2 合陽地區(qū)環(huán)境因子分析 349

7.5 基于KSVD和PCA的SAR圖像目標特征提取和識別 352

7.5.1 KSVD方法 352

7.5.3 基于KSVD和PCA的特征提取方法 355

7.5.4 基于KSVD和PCA的SAR圖像識別 356

7.6 基于LPSO訓練算法的模糊多類SVM的SAR圖像目標識別 357

7.6.1 引言 357

7.6.2 模糊多類SVM 358

7.6.3 線性LPSO算法（LPSO） 360

7.6.4 用于模糊多類SVM訓練的ILPSO算法 361

7.6.5 基于LPSO訓練算法的模糊多類SVM的SAR目標識別 362

參考文獻 363