声明
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 字典学习研究现状
1.2.2 SAR图像目标识别的研究现状
1.2.3 基于稀疏表示的SAR图像目标识别的研究现状
1.2.4SAR ATR系统研究现状
1.3 研究内容及篇章结构
1.3.1 研究内容
1.3.2 篇章结构
1.4 本章小结
2 相关理论与技术
2.1 二维最大熵阈值分割
2.2 特征提取
2.2.1 PCA特征提取
2.2.2 2DPCA的特征提取
2.3 字典学习
2.3.1 字典学习的概念
2.3.1 K-SVD字典学习
2.3.2 LC-KSVD字典学习
2.4 稀疏表示
2.4.1 稀疏表示
2.4.2 联合稀疏表示
2.5 本章小结
3 SAR图像预处理
3.1 实验数据与环境
3.2 预处理流程
3.2.1 对数变换
3.2.2 二维最大熵阈值分割的遗传算法
3.2.3 目标区域处理
3.3 预处理实验结果
3.4 本章小结
4 结合最近邻和拓展稀疏表示的SAR图像目标识别
4.1 识别流程
4.2 基于识别能力的2DPCA特征提取和选择
4.3 分类器设计
4.3.1 拓展稀疏表示模型
4.3.2 基于置信度的近邻识别法
4.3.3 结合最近邻和拓展稀疏表示的SAR图像目标识别
4.4 实验结果及分析
4.4.1 稀疏系数分布
4.4.2 识别结果
4.4.3 对比实验
4.4.4 近邻数和拒识门限的影响
4.4.5 未预处理与预处理两种情况下的比较
4.5 本章小结
5 基于字典学习和拓展联合动态稀疏表示的SAR图像目标识别
5.1 识别流程
5.2 字典学习
5.3 拓展联合动态稀疏表示法
5.3.1 模型介绍
5.3.2 模型优化求解
5.3.3 识别标准
5.4 实验结果及分析
5.4.1 识别结果
5.4.2 对比实验
5.4.3 稀疏度和字典尺寸的影响
5.4.4 未配准与配准两种情况下的比较
5.5 本章小结
6 总结和展望
6.1 研究总结
6.2 研究展望
致谢
参考文献
附录
南京理工大学;