店铺推荐
【推荐语】
雷达技术 合成孔径雷达 图像处理 图像识别 SAR图像
【作者】
刘明，工学博士，副教授，硕士生导师。2009年获西安电子科技大学信息对抗技术专业工学学士学位，2015年获西安电子科技大学模式识别与智能系统专业工学博士学位。2019年-2020年为加拿大McMaster University访学学者。主要研究方向为：目标检测与目标识别。入选陕西省科协青年人才托举计划，获国际无线电科学联盟（URSI）"青年科学家”奖，获陕西省计算机学会"计算机领域优秀青年专家”称号。主持和参与了包括国家自然科学基金、国家重大基础研究计划、装备预先研究、陕西省自然科学基金等10余项重量和省部级科研项目。发表学术论文60余篇，授权国家发明专利10项（部分已转化）。
【内容】
本书以作者在合成孔径雷达图像目标识别领域十多年的研究为主体，阐明了合成孔径雷达图像的统计特性、稀疏特征及流形特征，着重介绍了基于局部保持特性和稀疏表示的合成孔径雷达图像目标识别研究成果。本书内容共11章，包括绪论、相关理论、目标识别技术，以及总结与展望等方面，适合高等院校相关专业研究生，以及合成孔径雷达目标识别领域的研究人员和工程技术人员阅读参考。
【目录】
第1章绪论1
1.1研究背景及研究意义1
1.2国内外研究现状3
1.3本书内容介绍10
第2章基于局部保持特性和混合高斯分布的SAR图像目标识别14
2.1算法概述14
2.2局部保持投影算法15
2.3基于LPP-GMD算法的SAR图像目标识别16
2.3.1基于混合高斯分布的似然函数建模17
2.3.2基于局部保持特性的先验函数建模17
2.3.3参数估计18
2.4试验结果与分析22
2.5本章小结26
第3章基于局部保持特性和Gamma分布的SAR图像目标识别27
3.1算法概述27
3.2SAR图像的乘性相干斑模型28
3.3基于LPP-Gamma算法的SAR图像目标识别29
3.3.1基于Gamma分布构建似然函数29
3.3.2基于局部保持特性构建先验函数30
3.3.3参数估计33
3.4试验结果与分析37
3.4.1SAR图像目标识别结果37
3.4.2修正相似度矩阵的有效性验证39
3.5本章小结41
第4章基于结构保持投影的SAR图像目标识别42
4.1算法概述42
4.2基于CDSPP算法的SAR图像目标识别43
4.2.1CDSPP算法43
4.2.2差异度矩阵分析45
4.3试验结果与分析49
4.3.1目标的类别识别51
4.3.2目标的型号识别53
4.3.3构建差异度矩阵的优势57
4.4本章小结59
第5章基于类别稀疏表示的SAR图像目标识别60
5.1算法概述60
5.2SAR图像的稀疏表示模型61
5.3SAR图像的类别稀疏表示模型62
5.3.1方位角敏感特性62
5.3.2测试样本建模64
5.3.3稀疏向量求解66
5.4基于LSR算法的SAR图像目标识别67
5.5试验结果与分析70
5.5.1目标的类别识别70
5.5.2目标的型号识别72
5.6本章小结76
第6章基于乘性稀疏表示和Gamma分布的SAR图像目标识别77
6.1算法概述77
6.2乘性稀疏表示算法.78
6.3试验结果与分析.80
6.3.1目标的类别识别81
6.3.2目标的型号识别82
6.4本章小结88
第7章基于判别统计字典学习的SAR图像目标识别89
7.1算法概述89
7.2基于判别统计字典学习（DSDL）的SAR图像目标识别90
7.2.1统计字典学习（SDL）算法90
7.2.2融入判别因子字典93
7.2.3算法的计算复杂度分析94
7.3试验结果与分析96
7.3.1目标的类别识别97
7.3.2目标的型号识别98
7.4本章小结103
第8章基于Dempster-Shafer证据理论融合多稀疏表示和样本统计特性的SAR
图像目标识别105
8.1算法概述105
8.2Dempster-Shafer证据理论106
8.3基于Dempster-Shafer证据理论的融合算法107
8.3.1SAR图像的多稀疏表示107
8.3.2基本概率分配函数的推导113
8.4试验结果与分析117
8.5本章小结119
第9章基于Dempster-Shafer证据理论和稀疏表示的SAR图像目标识别120
9.1算法概述120
9.2基于Dempster-Shafer证据理论的融合算法121
9.2.1构建基于稀疏表示的基本概率分配函数121
9.2.2融合算法123
9.3试验结果与分析125
9.3.1目标的类别识别126
9.3.2目标的型号识别128
9.4本章小结131
第10章基于两阶段稀疏结构表示的SAR图像目标识别132
10.1算法概述132
10.2基于两阶段稀疏结构表示（TSSR）的算法133
10.2.1第一阶段（训练阶段）的结构保持133
10.2.2第二阶段（测试阶段）的结构保持135
10.3试验结果与分析140
10.3.1目标的类别识别141
10.3.2目标的型号识别145
10.4本章小结150
第11章总结与展望151
11.1全书总结151
11.2工作展望153
参考文献155
1.1研究背景及研究意义1
1.2国内外研究现状3
1.3本书内容介绍10
第2章基于局部保持特性和混合高斯分布的SAR图像目标识别14
2.1算法概述14
2.2局部保持投影算法15
2.3基于LPP-GMD算法的SAR图像目标识别16
2.3.1基于混合高斯分布的似然函数建模17
2.3.2基于局部保持特性的先验函数建模17
2.3.3参数估计18
2.4试验结果与分析22
2.5本章小结26
第3章基于局部保持特性和Gamma分布的SAR图像目标识别27
3.1算法概述27
3.2SAR图像的乘性相干斑模型28
3.3基于LPP-Gamma算法的SAR图像目标识别29
3.3.1基于Gamma分布构建似然函数29
3.3.2基于局部保持特性构建先验函数30
3.3.3参数估计33
3.4试验结果与分析37
3.4.1SAR图像目标识别结果37
3.4.2修正相似度矩阵的有效性验证39
3.5本章小结41
第4章基于结构保持投影的SAR图像目标识别42
4.1算法概述42
4.2基于CDSPP算法的SAR图像目标识别43
4.2.1CDSPP算法43
4.2.2差异度矩阵分析45
4.3试验结果与分析49
4.3.1目标的类别识别51
4.3.2目标的型号识别53
4.3.3构建差异度矩阵的优势57
4.4本章小结59
第5章基于类别稀疏表示的SAR图像目标识别60
5.1算法概述60
5.2SAR图像的稀疏表示模型61
5.3SAR图像的类别稀疏表示模型62
5.3.1方位角敏感特性62
5.3.2测试样本建模64
5.3.3稀疏向量求解66
5.4基于LSR算法的SAR图像目标识别67
5.5试验结果与分析70
5.5.1目标的类别识别70
5.5.2目标的型号识别72
5.6本章小结76
第6章基于乘性稀疏表示和Gamma分布的SAR图像目标识别77
6.1算法概述77
6.2乘性稀疏表示算法.78
6.3试验结果与分析.80
6.3.1目标的类别识别81
6.3.2目标的型号识别82
6.4本章小结88
第7章基于判别统计字典学习的SAR图像目标识别89
7.1算法概述89
7.2基于判别统计字典学习（DSDL）的SAR图像目标识别90
7.2.1统计字典学习（SDL）算法90
7.2.2融入判别因子字典93
7.2.3算法的计算复杂度分析94
7.3试验结果与分析96
7.3.1目标的类别识别97
7.3.2目标的型号识别98
7.4本章小结103
第8章基于Dempster-Shafer证据理论融合多稀疏表示和样本统计特性的SAR
图像目标识别105
8.1算法概述105
8.2Dempster-Shafer证据理论106
8.3基于Dempster-Shafer证据理论的融合算法107
8.3.1SAR图像的多稀疏表示107
8.3.2基本概率分配函数的推导113
8.4试验结果与分析117
8.5本章小结119
第9章基于Dempster-Shafer证据理论和稀疏表示的SAR图像目标识别120
9.1算法概述120
9.2基于Dempster-Shafer证据理论的融合算法121
9.2.1构建基于稀疏表示的基本概率分配函数121
9.2.2融合算法123
9.3试验结果与分析125
9.3.1目标的类别识别126
9.3.2目标的型号识别128
9.4本章小结131
第10章基于两阶段稀疏结构表示的SAR图像目标识别132
10.1算法概述132
10.2基于两阶段稀疏结构表示（TSSR）的算法133
10.2.1第一阶段（训练阶段）的结构保持133
10.2.2第二阶段（测试阶段）的结构保持135
10.3试验结果与分析140
10.3.1目标的类别识别141
10.3.2目标的型号识别145
10.4本章小结150
第11章总结与展望151
11.1全书总结151
11.2工作展望153
参考文献155
