合成孔徑雷達圖像智能解譯

目錄
叢書序
前言
第1章 緒論 1
1.1 SAR信息獲取 2
1.2 深度學習技術 9
1.3 SAR智能解譯與微波視覺 15
參考文獻 21
第2章 SAR圖像解譯基礎 27
2.1 SAR成像原理 27
2.1.1 雷達測距與脈沖壓縮技術 27
2.1.2 合成孔徑與方位向壓縮 28
2.2 SAR極化信息 34
2.2.1 極化電磁波 34
2.2.2 完全極化波與相干散射 36
2.2.3 部分極化波與非相干散射 37
2.2.4 雷達極化測量 40
2.2.5 目標分解與地表分類 46
2.3 SAR圖像統(tǒng)計模型 55
2.3.1 Rayleigh相干斑模型 55
2.3.2 乘積模型 56
2.3.3 SAR圖像統(tǒng)計模型 57
2.4 SAR圖像處理方法 59
2.4.1 SAR圖像濾波 59
2.4.2 SAR圖像目標檢測與識別 65
2.4.3 SAR圖像分割與分類 66
參考文獻 68
第3章 深度學習基礎 70
3.1 人工神經網絡 70
3.1.1 神經元模型 70
3.1.2 神經網絡模型 72
3.1.3 神經網絡學習 77
3.1.4 神經網絡的訓練技巧 80
3.2 深度神經網絡 85
3.2.1 深度卷積網絡 85
3.2.2 深度循環(huán)網絡 88
3.3 計算機視覺 91
3.3.1 圖像分類 91
3.3.2 目標檢測 94
3.3.3 圖像分割 96
參考文獻 99
第4章 SAR地面目標智能識別 102
4.1 全卷積網絡(AConvNets) 102
4.2 網絡的訓練方式 107
4.3 車輛目標檢測與識別 109
4.4 飛機目標檢測與識別 120
4.5 小波散狀網絡 129
附錄 實例代碼——AConvNets目標分類 137
參考文獻 140
第5章 SAR海面目標智能識別 143
5.1 SAR海面目標識別現(xiàn)狀 143
5.2 全球海陸數(shù)據庫輔助的精細海陸分割 145
5.3 復雜海陸環(huán)境中的船舶目標檢測 157
5.4 SAR-AIS船舶目標數(shù)據庫 168
5.5 SAR船舶目標鑒別與識別 175
參考文獻 180
第6章 少樣本SAR目標識別 183
6.1 SAR目標表征空間與少樣本學習 183
6.2 電磁仿真數(shù)據輔助的少樣本學習 194
6.3 自動對抗編碼器與少樣本學習 201
附錄 實例代碼——零樣本目標識別 214
參考文獻 217
第7章 極化SAR地表分類 219
7.1 基于實數(shù)卷積網絡的地表分類 219
7.2 地表分類網絡的普適性 229
7.3 復數(shù)卷積網絡(CV-CNN) 234
7.4 基于復數(shù)卷積網絡的地表分類 243
附錄 實例代碼——復數(shù)卷積網絡(CV-CNN) 255
參考文獻 260
第8章 多極化SAR圖像重構 262
8.1 多極化SAR 262
8.2 稀疏重構全極化SAR圖像 265
8.3 基于深度學習的極化SAR圖像重構 278
附錄 實例代碼——SAR圖像上色網絡(colorization-nets) 293
參考文獻 297
第9章 極化SAR因子分解 300
9.1 極化SAR因子分解理論 300
9.2 極化SAR因子分解算法 306
9.3 實驗驗證與結果分析 310
附錄 實例代碼——極化SAR因子分解 320
參考文獻 322
第10章 極化干涉SAR植被參數(shù)反演 324
10.1 極化干涉SAR樹高反演 324
10.2 極化干涉SAR系統(tǒng)參數(shù) 329
10.3 極化干涉SAR誤差模型 331
10.4 CV-CNN樹高反演 349
附錄 實例代碼——CV-CNN極化干涉SAR樹高反演 358
參考文獻 362
第11章 SAR相干斑仿真與濾波網絡 364
11.1 相干斑仿真 364
11.2 相干斑濾波網絡 375
11.3 仿真與實驗 383
附錄 實例代碼——去相干斑網絡(Despeckling-NN) 399
參考文獻 406
第12章 虛擬場景重建與SAR圖像仿真 409
12.1 場景重建 409
12.2 光學遙感影像地表分類 412
12.3 光學遙感影像對建筑物的重構 420
12.4 虛擬城市三維場景重建 423
12.5 SAR圖像仿真 427
參考文獻 430
第13章 SAR與光學圖像互譯 433
13.1 SAR和光學圖像的互譯 433
13.2 雙向翻譯網絡 436
13.3 實驗分析 442
附錄 實例代碼——級聯(lián)殘差對抗網絡(CRAN) 456
參考文獻 461