第1章 概论 3
1.1 合成孔径雷达发展史 3
1.2 SAR图像基本特性 9
1.2.1 SAR图像固有特性分析 10
1.2.2 地物参数和SAR系统参数对图像解译的影响 14
1.2.3 SAR图像质量评估 18
1.3 SAR目标识别发展现状 24
1.4 SAR目标检测回顾与前瞻 27
1.5 本书内容简介 31
参考文献 33
第2章 SAR图像杂波统计模型 39
2.1 引言 39
2.2 杂波模型的分类 40
2.2.1 经验分布 41
2.2.2 由乘积模型发展的统计模型 43
2.2.3 由广义中心极限定理发展的统计模型 56
2.2.4 其他模型 57
2.2.5 各模型之间的关系及其应用 60
2.2.6 统计模型研究的主要结论 62
2.3 统计模型的参数估计和拟合优度 63
2.3.1 参数估计方法 63
2.3.2 各种杂波模型的参数估计 64
2.3.3 模型拟合精度评价准则 65
2.4 实验结果及分析 68
2.4.1 典型杂波的统计特性 68
2.4.2 大样本杂波数据的统计分析 72
2.4.3 计算量分析 73
参考文献 74
第3章 SAR图像RCS重构滤波器 81
3.1 引言 81
3.2 基于局域统计的自适应空域滤波算法 82
3.2.1 Lee滤波器 83
3.2.2 Kuan滤波器 83
3.2.3 Frost滤波器及其增强 84
3.2.4 MAP滤波器 85
3.2.5 Sigma滤波器和Weighting滤波器 86
3.2.6 空域滤波器的改进算法 87
3.3 基于相关邻域模型的RCS重构算法 90
3.3.1 基于相关邻域模型的RCS重构 91
3.3.2 改进的相关邻域模型 92
3.4 基于结构检测的去斑算法 97
3.4.1 基于结构检测的斑点抑制 97
3.4.2 改进的基于结构检测的斑点抑制 99
3.5 小波域相干斑抑制算法 103
3.5.1 基于小波分解的软、硬阈值算法 104
3.5.2 基于小波分解的贝叶斯去斑算法 106
3.6 相干斑抑制性能的评估 110
3.6.1 相干斑抑制程度的量化评估 110
3.6.2 后向散射系数保真度的量化评估 110
3.6.3 边缘细节信息保留情况的量化评估 111
3.6.4 点目标信息保留情况的量化评估 112
参考文献 114
第4章 SAR图像目标检测基础理论与算法 121
4.1 引言 121
4.2 SAR图像目标检测算法概述 121
4.2.1 基于对比度的目标检测算法 122
4.2.2 基于图像的其他特征的目标检测算法 129
4.2.3 基于SAR复数据特征的目标检测算法 130
4.2.4 存在的问题及进一步的研究方向 131
4.3 CFAR检测基础理论 133
4.3.1 统计检测理论推导下的CFAR检测 133
4.3.2 分辨率对CFAR检测性能的影响 134
4.3.3 由参数估计引起的CFAR损失 135
4.3.4 模型失配对检测性能影响的讨论 136
4.3.5 各种统计模型的CFAR检测阈值推导 139
4.3.6 四种基本CFAR检测器 143
4.3.7 智能CFAR检测器 147
4.4 目标检测后的像素聚类 150
4.4.1 密度滤波器 151
4.4.2 形态学滤波器 151
4.4.3 尺寸滤波器 152
4.5 适于乡村背景目标检测的全局CFAR检测 152
4.5.1 全局CFAR检测器及其特点 153
4.5.2 全局CFAR和局部双参数CFAR的计算复杂度分析 153
4.5.3 全局CFAR算法流程 154
4.6 基于自动筛选的目标快速智能CFAR检测 157
4.6.1 算法原理及详细流程 157
4.6.2 算法描述 160
4.6.3 快速算法 162
4.6.4 算法的理论性能分析 165
4.6.5 实验结果与分析 167
4.7 基于二次Gamma核的目标检测 171
4.7.1 Gamma方程 171
4.7.2 特征提取和目标检测 173
4.7.3 样本训练 175
4.7.4 自动选取二次Gamma核模板参数的方法 175
4.7.5 与双参数CFAR检测器的关系 177
4.7.6 实验结果及分析 177
4.8 基于扩展分形特征的目标检测 179
4.8.1 EF特征检测的尺度敏感性 180
4.8.2 目标／杂波模型分析 181
4.9 基于信息融合的目标检测 183
4.9.1 基于对比度特征和阴影特征融合的检测 183
4.9.2 利用对比度特征和EF特征的检测 184
4.10 基于复数据特征的低频UWB SAR目标检测方法 188
4.10.1 基于空域特征的目标检测方法 188
4.10.2 基于频域特征的目标检测方法 193
参考文献 199
第5章 SAR图像目标鉴别技术 209
5.1 引言 209
5.2 SAR图像目标鉴别算法综述 209
5.2.1 算法流派 209
5.2.2 主要结论 218
5.2.3 有待解决的问题 219
5.3 一种目标鉴别新方案：框架、模型与算法 222
5.3.1 目标鉴别方案 222
5.3.2 “松耦合”模型下的目标鉴别特征提取 224
5.3.3 基于遗传算法的特征选择 230
5.3.4 加权二次距离鉴别器的设计 235
5.3.5 目标编队提取 236
5.4 新方案的性能分析 237
5.4.1 基于特征选取框架下各算法性能分析 237
5.4.2 基于编队知识进一步去虚警方法的性能分析 251
参考文献 252
第6章 SAR图像边缘及线状目标检测技术 259
6.1 引言 259
6.2 边缘类型 260
6.3 SAR图像边缘检测算子 262
6.3.1 差分梯度边缘检测算子 263
6.3.2 阶跃边缘检测算子 267
6.3.3 屋脊边缘检测算子 277
6.4 基于多边缘模型阶跃边缘检测算法 280
6.4.1 单边缘模型的不合理性 280
6.4.2 基于ROEWA算子的边缘检测 281
6.5 线基元提取 285
6.5.1 基于相位编组的线基元提取方法 286
6.5.2 基于模板的线基元提取方法 287
6.5.3 基于RT的线基元提取方法 289
6.6 线基元连接 293
6.6.1 基于遗传算法（GA）的线基元连接方法 293
6.6.2 基于聚类分析的线基元连接方法 298
参考文献 304
第7章 极化SAR目标检测 311
7.1 引言 311
7.2 极化SAR数据的统计描述 312
7.2.1 高斯模型 312
7.2.2 非高斯模型 313
7.3 最优极化检测器 314
7.3.1 最优极化检测器［2］ 314
7.3.2 检测概率和虚警概率 315
7.4 极化白化滤波器（PWF） 316
7.4.1 极化SAR图像最优斑点抑制［3,23］ 316
7.4.2 极化白化滤波检测器［23］ 319
7.4.3 检测概率和虚警概率［23］ 319
7.5 其他极化检测器 320
7.5.1 单位似然比检测器 320
7.5.2 功率合成检测器 321
7.5.3 功率最大合成检测器 321
7.6 检测性能评估 321
7.6.1 极化SAR图像仿真 321
7.6.2 高斯分布杂波描述下的检测性能评估 324
7.6.3 广义K分布杂波描述下的检测性能评估 326
参考文献 328
第8章 典型应用示例 333
8.1 半城区道路网自动提取示例 333
8.2 机场跑道提取示例 340
8.3 典型车辆目标ROI提取示例 344