一、SAR图像弱反射地物边缘提取方法（论文文献综述）
蔡飞飞[1]（2018）在《SAR图像相干斑抑制及边缘检测算法研究》文中研究说明合成孔径雷达（synthetic aperture radar,SAR）是一种高分辨率微波遥感成像雷达,具有全天候、全天时等优点。SAR图像是合成孔径雷达的主要产物,其中散落着大量具有乘性特性的相干斑噪声,相干斑的存在使SAR图像后期的自动解译处理受到了很大的影响。因此,对SAR图像进行相干斑抑制的研究具有重要的意义。边缘检测是SAR图像解译处理的另外一个重要环节,其研究同样具有重要的意义。本文着重研究了SAR图像相干斑抑制,提出一种基于非局部平均（non-local means,NLM）的SAR图像相干斑抑制算法并对该算法的改进进行了探讨。同时本文也初步研究了SAR图像边缘检测算法,提出了一种SAR图像边缘检测算法。本文在非局部平均滤波的基础上提出一种基于均值比和变差系数的SAR图像非局部平均相干斑抑制算法。该算法首先以相似窗为单位计算中心像素和搜索窗内其他像素的均值比（mean ratio,MR）,以此作为相似性度量参量,从而代替传统非局部平均算法中用来度量相似性的高斯加权欧几里得距离;然后计算整幅图像的变差系数（coefficient variation,CV）,以此来构建自适应衰减因子,从而改进传统非局部平均算法中的常数衰减因子,使其对SAR图像的不同区域进行自适应的滤波;最后,以新得到的相似性度量参量和衰减因子联合负指数加权模型构成滤波函数,并对图像进行非局部平均滤波。另外,本文对提出的抑斑算法从三个方向进行了继续改进探讨,提出了三种改进措施。对本文所提的新的抑斑算法及其改进算法进行仿真实验,算法性能在视觉效果和参数指标两个方面都有较大程度的提高。经典的差分边缘检测算子,已被证实并不直接适用于受乘性相干斑噪声干扰的SAR图像,为此本文提出了一种基于比率运算和各向异性高斯核的SAR图像边缘检测算法。该算法以比率运算和各向异性高斯核所计算出的边缘强度映射（edge strength map,ESM）相乘形成新的边缘强度映射,再通过对比均衡化、非极大值抑制、双阈值决策,得到SAR图像边缘检测图像。对提出的新的边缘检测算法进行仿真实验,所得SAR图像边缘图像在视觉方面较传统比率运算等算法有所提高。本文首先介绍了SAR图像研究背景意义及成像原理,SAR图像经典相干斑抑制算法,经典边缘检测算子;然后提出一种SAR图像相干斑抑制算法及其系列改进算法;最后提出了一种SAR图像边缘检测算法并对全文进行了总结与展望。
安凯强[2]（2018）在《顾及先验地理信息的极化SAR影像洪水范围提取》文中研究指明随着全球环境变化愈加剧烈,随之而来的自然灾害给我国的人民生命财产安安全带来了巨大影响。水体变化范围提取一直是水域覆盖面积变化及洪涝灾害监测等领域研究的重要内容,洪水范围的有效提取对于洪水灾害检测具有重要的意义。基于遥感的检测方法利用在短时间内获取的受灾区域的卫星图像进行洪水提取分析,因而是一种高效的洪涝灾害的提取手段。由于发生洪涝灾害时,云雾遮挡严重,光学卫星的成像条件受限。而合成孔径雷达卫星（SAR）由于其主动成像方式、波长较长的微波成像,穿透能力强,可以在一定厚度的云雾遮挡下成像。因而利用SAR卫星监测是遥感监测洪水灾害范围最有效的方式之一。目前,针对基于SAR遥感图像的洪水灾害范围提取,主流方法是在先验地理信息数据辅助下,包括灾前遥感影像以及地表水矢量、地形信息等,获取水体范围,对灾后影像进行水体提取或者变化检测,进而得到洪水淹没范围。实践表明,基于灾前光学与灾后SAR异源遥感图像的变化检测洪涝范围、基于先验地理信息的SAR洪涝范围提取在实际减灾业务中需求强烈。其主要难点是:光学与SAR传感器不同,成像方式不同,无法通过常规的变化检测流程进行有效提取;如何有效将先验矢量信息与SAR数据结合进行洪水的精确提取,避免其他弱散射地物的干扰。因此,本文将针对以上SAR影像洪涝灾害范围提取过程中的两个重要问题,研究相关变化检测与提取技术,主要研究工作包括:1、基于U-Net网络的光学-雷达影像洪水范围提取传统的方法主要是利用异源遥感数据分别水体,然后计算灾前灾后水体提取的差值,进而得到洪水范围,其问题是操作冗余,系统误差较大,对不同数据源,不同的方法提取结果差异较大。本论文提出了基于多时相遥感数据与U-Net的基本网络结构,核心思路是首先对灾前的光学影像进行若干层卷积和池化,然后在反卷积过程中融入灾后的SAR影像,最终上采样到原始影像大小。使得最终改进的U-Net网络能够实现光学-雷达异源影像洪水范围统一、提取。2、地理信息数据辅助下的SAR影像洪水范围精确提取利用影像提取的洪水范围,由于多时相遥感数据无法有效保证,因而考虑利用灾后单时相SAR数据结合灾前基础矢量数据对洪涝范围进行精确提取。地理信息辅助的主要难点在于如何有效结合遥感图像中目标水体的边界几何与位置信息,从而驱动水体边界的精确演化。针对这些问题,本论文首先提出了利用改进的极化SAR水平集分割算法,该算法先验的水体矢量作为零水平集曲线,保证水平集边界演化的高效性与准确性。为区分水体与其他弱散射地物（水体、水泥道路、裸露土壤、高大山体的阴影等）,在水平集分割框架中,考虑极化SAR数据模型以及其服从的概率分布,利用中低分辨率的DEM中生成的坡度作为额外的约束力,在分割图像得到水体的同时去除PolSAR图像中的山体阴影。最后,利用极化散射特性-圆极化相关系数,对提取结果进行后处理。3、提取后处理及精度评价针对洪水范围边界粗糙,提取结果噪点严重的情况,基于概率图模型的理论,尤其是考虑邻域信息的马尔科夫随机场模型,对洪水灾害范围提取结果进行后处理。并针对洪水灾害范围边界精度评定问题,提出了基于形状吻合情况的边缘相似度检测指标（ESDI）对提取结果进行边界精度评价,进而补充完善精度评价指标体系。
任博[3]（2017）在《基于稀疏表示和流形学习的SAR图像分类算法研究》文中研究说明合成孔径雷达（SAR）是一种主动传感器,在运行中不受天气光照等外界条件所限制,可以从机载或空载平台中获取高质量的遥感图像。雷达回波能够检测目标的物理散射信息,被广泛的应用于军事民用领域。其中多通道的SAR称为极化合成孔径雷达（PolSAR）,利用交替发射和接收雷达信号获取更为丰富的目标散射信息,相比于单通道的SAR能获取更强的感知能力和更丰富的地物特性。本文针对SAR图像地物分类问题,利用稀疏表示的方法构造分类器,对不同场景的地物进行细致分类。并且从极化散射数据,极化目标分解,极化图像等模态挖掘极化SAR特征,结合稀疏表示和流形学习的方法对数据的本质特性进行了挖掘。进一步对极化SAR的特征提取,特征融合,无监督分类等问题展开了相应的研究,创新点如下。（1）针对SAR图像地物分类问题提出了一种多层级的稀疏表示分类方法（HSRC）。为精确的描述SAR图像复杂的地物特性,其中每一层级分类器中代表像素的特征利用GLCM和灰度直方图从不同大小的尺寸块中提取,大尺寸块获取粗糙的纹理和匀质区域特征,小尺寸块获取边缘和细致纹理特征。引入双阈值条件到稀疏表示分类器中判断样本的重构残差,如果残差在阈值准则内则认为其为可信赖样本点直接输出,如果不在阈值准则内,则认为其为不可信赖样本点在下一层继续进行分类直到输出最终结果。每一层的字典由上一层的可信赖样本构建,这种多层级的稀疏表示方法能够有效合理利用每一层的简单特征对地物进行逐层的分类。与固定尺寸块特征的稀疏分类方法和SVM算法进行比对,HSRC算法能获得更好的量化结果和可视化效果。（2）研究了一种新型的极化SAR图像无监督地物分类方法。此方法联合了三种极化特征包括,极化散射特征（相干矩阵观测数据）,极化分解特征（Krogager,Freeman,Yamaguchi,Neumann,H/A/?分解特征）,和极化图像特征（灰度共生矩阵特征）全面的表征极化数据特性。提出了一种基于SRW距离流形正则的低秩表示模型（SRWMLRR）进行深层极化数据挖掘。低秩表示用于获取极化数据的全局结构,流形正则项用于获取数据的局部流形结构,其中引入SRW对不同像素点的局部几何结构进行度量。这种算法考虑到了极化数据特定的统计特性,并且同时集合了多种特征的几何结构去表征样本点从而获取最优的分类结果。算法的实用性和有效性通过星载和机载SAR系统数据进行检验,包括广泛应用于地物分类的Flevoland数据集（AIRSAR,L波段）,西安西部数据集（RADARSAT-2,C波段）。与传统的Wishart分类器,基于欧式距离和SRW距离的谱聚类算法,低秩表示算法相比,呈现出了较好的分类结果。（3）研究了一种极化SAR数据多模态特征融合方法。众所周知,现在已经有大量的极化特征应用于极化图像地物分类任务中。迫切的需要一种特征融合方法处理复杂的数据特征。为解决这一问题,这一部分提出了基于多模态稀疏表示（MSR）框架的算法融合来自多观测空间的复杂特征向量。针对上部分所提出的三种不同模态的特征,引入多模态的流形正则项到MSR框架中估计数据结构。在不同模态数据间独立性和相关性的约束下获取本征的仿射矩阵,并通过局部保持映射算法将多模态数据特征投影到低维的本征特征空间中进行最终的分类。此方法的有效性和实用性通过三类数据集证明,C波段的RADARSAT-2西安西部和Flevoland数据集,以及旧金山数据集。（4）首次利用了子空间聚类方法对极化数据特征提取进行了探究。本部分提出了新颖的子空间聚类方式处理极化图像分类问题,分析在不同约束下的降维数据和子空间聚类算法效果。利用PolSARpro5.0软件获取全面的极化数据特征,包括（Freeman,Yamaguchi,Van Zyl,Neumann）的散射功率,以及Touzi和H/A/?分解中的各种物理参量。同时利用稀疏,低秩,多种流形和其不同的组合进行约束,计算出相应的投影矩阵和相似性矩阵对极化数据降维,其中稀疏项为获取来自同一子空间的较少的数据,低秩项获取数据全局结构,流形项获取局部结构。该算法的目的是选取样本空间中来自不同子空间的样本数据组,检验了在不同约束下极化数据的子空间聚类的效果,实验表明子空间聚类相关算法对极化数据具的有效性。
李玥[4]（2017）在《基于改进ASIFT算法的SAR图像匹配研究》文中认为随着合成孔径雷达（SAR）成像技术的发展和完善,基于雷达图像的匹配技术已成为研究热点并广泛应用于众多领域。SAR图像匹配技术是将两幅来自不同成像时间段、不同成像角度及不同传感器的SAR图像进行相似度量的一种技术。如何高效地提取两幅SAR图像间的稳定信息,并做相似性配准是SAR图像匹配技术的研究重点。SAR图像匹配作为SAR图像处理的基础核心技术,其配准精度及稳定性是SAR图像处理技术的奠基石。因此,国内外图像处理研究专家致力于提高图像匹配的正确性及有效性。本文深入研究了SAR图像匹配技术。首先针对SAR图像特性,分析SIFT匹配算法在SAR图像匹配领域的适用性;从成像角度分析SAR图像与光学图像的辐射及几何特性差异,并根据差异性分析SIFT算法在SAR图像匹配应用中的局限性。分析表明,SAR图像的斑点噪声对SIFT匹配算法影响最大。其次,考虑到SAR图像斑点噪声对SIFT算法在SAR图像匹配应用中的影响,本文采用适用于SAR图像斑点噪声的SAR-SIFT算法,分析算法对SAR图像斑点噪声的抑制作用,并从算法计算复杂度及提取特征点的稳定性等方面进行改进,提出一种基于多极值抑制改进拉普拉斯变换的SAR-SIFT算法。改进后SAR-SIFT算法提取的特征点在图像上分布更加均匀、稳定且精度达亚像素级。在不影响算法匹配精度情况下,改进后的SAR-SIFT算法运算效率更高。最后,研究在大仿射形变情况下的SAR图像匹配算法。SAR图像的成像时间及成像视角的不同造成SAR图像间具有较大仿射形变。SIFT及SAR-SIFT等尺度不变特征算法对仿射形变较大的SAR图像不能发挥良好的匹配性能。本文将ASIFT算法与改进的SAR-SIFT算法相结合,运用于大仿射形变的SAR图像匹配中,最终的仿真实验结果表明,新的ASIFT算法具有良好的匹配性能。
刘瑞红[5]（2015）在《基于改进SIFT-Like算法的SAR图像特征匹配》文中提出随着合成孔径雷达（Synthetic Aperture Radar,SAR）技术的日益成熟,基于SAR图像应用领域的研究已成为一门热点。其中,SAR图像特征匹配因其较高的军用和民用价值而倍受青睐。尤其在雷达探测制导领域,利用SAR图像匹配实现弹体高精度定位已成为一项关键技术。由于传统惯导误差随时间积累逐渐变大,不能满足长时间高精度定位的需求,因此需寻找新的定位方法突破这一瓶颈。研究发现基于图像匹配的方法可实现全天候高精度修正弹道的目标。其中,基于图像灰度相关的匹配算法对SAR图像质量要求较高,当图像存在灰度差异和几何形变时具有一定的局限性,且运算量较大;基于图像特征的匹配算法则能在保证匹配精度的前提下,解决传统匹配中存在的问题,对图像的灰度变化、仿射变换等具有不变性。因此基于图像特征的匹配技术逐渐在SAR图像应用领域占据举足轻重的地位。基于以上背景,本文主要研究适用于在图像几何形变和相干斑噪声的SAR图像特征匹配算法。首先,本文介绍了SAR图像基本特征,分析了几何形变和相干斑噪声对SAR图像特性的影响,并从成像原理上分析比较了SAR图像与光学图像的本质区别。指出了衍生于光学领域的尺度不变特征变换（Scale Invariant Feature Transformation,SIFT）匹配算法对SAR图像具有不适用性。本文后续内容主要针对SAR图像的相干斑噪声以及SIFT算法在SAR图像的不适用性提出具有噪声鲁棒性的改进方法。其次,主要介绍了SIFT算法的原理和实现过程。首先介绍了基本的数学概念,包括图像的多尺度空间、图像高斯金字塔结构,以及Harris角点检测算法。这是SIFT特征匹配算法的基础。其次,研究了图像高斯金字塔空间中特征点的检测和描述,以及特征的匹配与提纯。最后,通过仿真试验验证了SIFT算法的匹配精度以及对图像旋转、偏移、尺度拉伸等仿射变换的不变性。最后,考虑到SIFT算法对SAR图像相干斑噪声的不适用性,本文采用改进的SIFT-Like匹配算法提高对相干斑噪声的鲁棒性。该算法采用指数加权均值比（ROEWA）算子抑制SAR图像噪声,构造SAR-Harris尺度空间检测图像角点信息作为特征点,降低了运算量,提高了时间效率。最后采用ROEWA算子得到改进的特征点主方向和描述向量,提高了特征点描述向量对相干斑噪声的不变性。仿真试验验证了SIFT-Like算法在相干斑噪声的抑制、特征点的正确检测率以及运算效率等方面的有效性。
肖红光,文俊,陈立福,史长琼[6]（2016）在《一种新的高分辨率SAR图像道路提取算法》文中进行了进一步梳理针对高分辨率SAR图像中道路目标难以有效提取的问题,提出一种新的高分辨率SAR图像道路提取算法,它结合了参数化内核图割和数学形态学算法。利用参数化内核图割对高分辨率SAR图像中的道路目标进行初级分割,用数学形态学填充空洞,平滑道路边缘;基于道路的几何特征,使用矩阵度、改进的长宽比、复杂度等因子去除虚警;针对处理过程中出现的道路断裂情况,利用数学形态学提取道路目标的中心线,同时根据线段邻近性、方向一致性准则对其断裂部分进行连接,用数学形态学还原道路宽度,得到道路提取结果。实验结果表明该算法不用进行SAR图像预处理,也可以有效抑制相干斑噪声,并且能准确、较为完整地提取道路目标。
文俊[7]（2015）在《基于高分辨率SAR图像的道路和河流提取方法研究》文中研究表明合成孔径雷达（SAR）是一种主动式成像雷达,它具有全天时监测特点,且不受天气影响,能提供详细的地面测绘数据和图像。此外,SAR在一定波段对植被、浅层土壤具有良好的穿透能力,因此被广泛应用于地质、农林、水文、环境监测、国防等领域。近年来,SAR成像技术飞速发展,其分辨率达到了亚米级,图像质量得到了显着提高。道路、河流作为十分重要的国家基础地理信息,在防灾害、城市规划、数字地图绘制等方面有着重要意义。因此,高分辨率SAR图像的道路、河流目标提取已成为遥感应用领域的研究热点。本文针对高分辨率SAR图像数据的特点,对道路、河流目标检测提出了两个方法:1.提出了基于高分辨率SAR图像的道路提取算法。该算法结合了参数化内核图割和数学形态学算法。首先,利用参数化内核图割对高分辨率SAR图像中的道路目标进行初级分割,再用数学形态学填充空洞,平滑道路边缘;然后,基于道路的几何特征,使用矩阵度、改进的长宽比、复杂度等因子去除虚警;最后,针对处理过程中出现的道路断裂情况,利用数学形态学提取道路目标的中心线,同时根据线段邻近性、方向一致性准则对其断裂部分进行连接,再用数学形态学还原道路宽度,得到道路提取结果。实验结果表明本算法不用进行SAR图像预处理,也可以有效抑制相干斑噪声,并且能准确、较为完整地提取道路目标。2.提出了基于高分辨率SAR图像的河流提取算法。该算法把河流分为宽河流和窄河流两种情况处理:宽河流是先利用基于G0分布的水平集分割,然后从河流的几何特征出发,用矩阵度去除山体、房屋以及树木阴影等形成的虚警,得到河流提取结果;窄河流提取算法是先用直方图均衡化增强河流目标在SAR图像中的特征,再用增强lee滤波去抑制相干斑噪声,完成SAR图像预处理。然后同样通过基于G0分布的水平集分割以及矩阵度虚警去除方法得到河流提取结果。实验结果表明本算法的虚警率和漏警率都很低,分割精度较高,河流目标绝大部分能被检测出,能够很好满足高精度河流目标提取的要求。
张迪[8]（2014）在《基于相关匹配的SAR图像配准和目标识别》文中指出合成孔径雷达（SAR）系统生成图像具有适应复杂条件的特点。其有着高分辨、适应各种天气、适应各种时段的特点使得SAR图像的处理与解译成为了一门具有深远研究意义的学术领域。国内外学者在近几十年的不断努力,不断创新实践,充实这一学科的理论基础,且取得了很多卓越的学术成果。SAR图像配准与目标检测和识别在SAR图像处理领域有着非常重要的地位,准确而高效的配准成为图像处理步骤中的关键一步。利用计算机高质量的识别SAR图像目标能够极大提高人们的工作效率。本文针对合成孔径雷达被乘性噪声严重污染的图像的前提下,基于模版匹配的方法对配准算法和目标检测与识别方法做出一定研究,主要的研究成果简要做如下概述:（1）推导出了一种使用比值相关函数的SAR图像配准方法。从SAR图像相干斑干扰的特殊性质出发,发现传统相关函数形式在SAR图像配准中难以抑制SAR图像干扰对配准结果带来的影响,从而推导一种与传统相关函数形式不同相关函数形式,新提出的相关函数采用比值计算替代传统的乘积计算,从而对于SAR图像的亚像素级配准具有更强的鲁棒性。实验结果证明,新提出的比值相关函数更适合SAR图像处理,并且先验均值的加入能够更好的克服相干斑噪声对配准结果的影响。（2）研究了一种基于模版匹配的机场飞机目标检测与识别的方法。该方法从排除干扰目标出发,排除虚警点、线、面目标,结合模板库检测与识别停机坪以及飞机目标。取得了较高的识别效率,指标在90%以上,可以满足项目要求。
陈天泽[9]（2014）在《SAR图像结构特征匹配方法研究》文中指出合成孔径雷达（SAR）是目前遥感数据获取手段中发展最为迅速和最有成效的方式之一。随着遥感平台和微波成像技术的进一步发展,多种类型的SAR图像数据越来越多,许多应用需要综合多种SAR图像数据来进行对比分析。图像匹配是根据图像的物理和几何属性,找到同一场景中两幅或多幅SAR图像在空间上的对应性,因此,SAR图像匹配成为各类SAR数据应用中基础且共性的关键技术。结构特征是SAR图像特征匹配中最常用的特征之一。但由于SAR图像成像机理的特殊性和SAR图像结构特征提取的复杂性,SAR图像及其结构特征具有较为严重的不确定性,严重影响了SAR图像结构特征匹配的性能。因此,本文在SAR图像及其结构特征不确定性分析的基础上,针对三类结构特征各自所具有的典型不确定性,重点研究稳健、精确、高效的SAR图像结构特征匹配方法。主要研究内容和研究成果如下:SAR图像及其结构特征的不确定性分析:从成像机理的角度概述了SAR图像的物理和几何特性,探索性地提出并概括了SAR图像及其结构特征不确定性的概念、组成和分类,总结了SAR图像特征的随机性、模糊性和不完整性三类不确定性的典型表现形式,分析了三类不确定性对结构特征匹配的影响,总结了SAR图像结构特征匹配的特点,归纳了用于SAR图像特征匹配的特征选择准则,并以此准则分析了本文所选择的三类结构特征的特性。SAR图像模糊轮廓特征匹配:针对SAR图像模糊导致轮廓边缘定位不准而影响轮廓特征匹配性能的问题,基于形状上下文描述子,实现了对轮廓特征的不变性描述,并基于Rough Set提出了一种模糊轮廓不变描述子,设计了一种SAR图像模糊轮廓特征匹配方法。通过实际SAR图像数据和MSTAR目标模板数据集的SAR图像轮廓特征匹配和目标分类实验,验证了本方法的性能,实现了SAR图像场景匹配和目标分类,并提高了轮廓匹配的精度。SAR图像不确定性直线特征匹配:针对SAR图像的多边缘特征,利用多尺度和DS理论方法,分别提出了SAR图像直线特征多尺度提取方法和基于DS理论的SAR图像直线提取融合方法;两种方法可以分别较好地提取简单背景和复杂背景的SAR图像中的直线特征。针对SAR图像直线特征中的不连续和定位不准等问题,通过建立直线交点的不确定性模型,基于模糊粗糙集提出了直线特征交点的不确定性知识表达,提出了一种利用直线对（组）交点来实现SAR图像不确定性直线特征匹配方法。通过简单场景和复杂场景下的直线交点特征匹配实验,证明该方法可以较好的地实现具有明显结构特征的SAR图像场景匹配和图像配准,并提高特征匹配的准确性。SAR图像点特征匹配:针对相干斑噪声影响SAR图像点特征匹配性能的问题,利用常规SIFT特征匹配方法获取初始特征匹配点集,建立几何变换模型参数空间,再基于边缘点集的强度特征建立由几何变换关系确定的相似性测度,通过迭代优化逐一增加匹配点对个数,逐步确定满足不同几何变换模型的匹配点集,提出了一种SAR图像全局最优的联合匹配框架,实现了基于精确几何模型的SAR图像SIFT特征的优化匹配。通过多种场景类型下多种类型数据的对比实验,证明该方法可降低相干斑噪声对SIFT特征匹配的影响,提高SIFT特征匹配方法的适应性,是一种稳健、精确的高性能SAR图像点特征匹配方法。最后,系统性的总结了全文的工作,并归纳总结了进一步研究的建议和设想。
赖祖龙[10]（2013）在《基于LiDAR点云与影像的海岸线提取和地物分类研究》文中研究表明海岸带是海洋与陆地的结合部、复杂与交叉的地理单元,是人文活动非常活跃与资源环境非常优越的黄金地带。考虑资源环境和现实要素,我国海岸带调查内容多,包括海岸线及其变迁演变、海滨湿地、土地利用与土地覆盖、植被等,其中最重要的调查要素是海岸线和土地利用。目前,基于遥感影像数据进行海岸线提取和海岸带特征分类的算法有很多,取得了一定成果,但它们多数使用单一的遥感数据,难以得到较高精度的海岸线和地物分类。LiDAR点云与影像各具优缺点,二者的互补性很强。因此,利用机载LiDAR提供的精确的三维点云数据并结合数字影像,进行相关的海岸线提取与地物分类的数据处理技术成为海岛海岸带调查的一个新的研究热点。本文的研究内容围绕着海岸线提取和海岸带地物分类这两个主要论题展开,对其中涉及的诸多关键技术予以深入探讨,包括以下内容：（1）总结现有点云组织索引算法的优缺点,提出一种基于Hilbert排列码与R树的海量LiDAR点云二级索引算法。通过聚类方法与R树的M值来优化第一级索引；使用Hilbert R树作为第二索引,实现两级R树高度的有效控制,同时使点云的增加与更新只在局部进行,达到高效管理海量点云的目标。为验证算法效率,实验时利用较大点云数据分别建立了完整的KD树、四叉树内存索引和本文所述索引。在这三索引中分别进行KNN查询、窗口查询和基于坡度变化的滤波处理三项实验,结果表明,本文所述的二级索引在查询效率及整体性能上是最优的。（2）总结LiDAR数据特征,包括：高程差、梯度、法向量、强度、回波次数、平坦度等,在此基础上研究并实现一种多特征滤波算法。该方法是在基于梯度的LiDAR数据滤波算法的基础上改良而成的,即在梯度滤波的结果上,再进行平坦度滤波作为补充判断条件,从而提高滤波精度。试验结果表明该方法滤波有效,算法稳健,分类精度>80%,能满足的常规应用的分类精度。此外试验中所采用的分类阈值均为系统默认,通过调节阈值,理论上可达到更高的分类精度。（3）通过对典型实验区域的反复研究,提出一种联合LiDAR点云和影像的海岸线提取方法,并对以下关键技术进行重点研究：1)结合影像分割与归一化差异水体指数的水体提取方法；2)初始水边线的提取和顾及多种点云特征精化水边线提取方法；3)海岸线平滑方法。本文实验证明了该方法的有效性。（4）本文基于随机森林,提出一种面向对象的机载LiDAR数据特征选择与分类方法,对海岸带目标对象的几何、光谱、纹理等特征进行相关性评估,筛选出合适的特征用于海岸带地物分类。通过逆向迭代消除,定量选择出与所分目标最相关的特征。以RF和SVM分类器实验证明：特征选择后,RF分类精度与SVM精度相当,通过特征选择去除了部分特征后的分类精度略优于利用所有特征的分类精度。为了改善复杂建筑物区域环境下,建筑物与其它地物之间存在的严重混分现象,本文以模糊集为理论基础,研究并实现了一种融合影像和LiDAR点云的类别隶属度分类方法。实验结果表明在LiDAR点云的辅助下,能够有效改善光谱信息分类结果中出现的建筑物、裸地、道路、水体等地类之间的混分现象,能够为复杂建筑物区域提供更为精准的分类结果。
二、SAR图像弱反射地物边缘提取方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、SAR图像弱反射地物边缘提取方法（论文提纲范文）
（1）SAR图像相干斑抑制及边缘检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 SAR图像相干斑抑制及非局部平均的研究现状 |
| 1.2.1 SAR图像相干斑抑制研究现状 |
| 1.2.2 非局部平均研究现状 |
| 1.3 SAR图像边缘检测研究现状 |
| 1.4 本论文主要研究内容与章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 章节安排 |
| 2 SAR图像相干斑形成机理及抑斑性能评价指标 |
| 2.1 SAR系统成像原理 |
| 2.2 SAR图像相干斑形成机理 |
| 2.3 SAR图像相干斑抑制性能评价指标 |
| 2.4 小结 |
| 3 SAR图像经典相干斑抑制算法及边缘检测算子简介 |
| 3.1 SAR图像经典相干斑抑制算法简介 |
| 3.1.1 SAR图像空域滤波算法简介 |
| 3.1.2 SAR图像变换域滤波算法简介 |
| 3.1.3 SAR图像各向异性扩散滤波算法简介 |
| 3.2 经典边缘检测算子简介 |
| 3.3 小结 |
| 4 基于非局部平均的SAR图像相干斑抑制算法 |
| 4.1 经典非局部平均算法 |
| 4.2 变差系数和均值比 |
| 4.3 基于均值比的SAR图像非局部平均抑斑算法MR-NLM |
| 4.3.1 算法综述 |
| 4.3.2 构建基于MR的相似性测量参量 |
| 4.3.3 构建基于CV的自适应衰减因子 |
| 4.3.4 基于NLM的加权平均滤波 |
| 4.3.5 实验与结果 |
| 4.4 针对MR-NLM算法继续改进的的讨论 |
| 4.4.1 改进措施一 |
| 4.4.2 改进措施二 |
| 4.4.3 改进措施三 |
| 4.5 小结 |
| 5 基于各向异性高斯核和比率运算的SAR图像边缘检测算法 |
| 5.1 均值比算子及各向异性高斯核函数 |
| 5.1.1 均值比算子 |
| 5.1.2 各向异性高斯核函数及方向导数 |
| 5.2 基于比率和各向异性高斯核的SAR图像边缘检测算法 |
| 5.2.1 算法综述 |
| 5.2.2 融合比率运算及各向异性高斯核的边缘检测器 |
| 5.2.3 仿真实验及性能评价 |
| 5.3 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 6.2.1 SAR图像相干斑抑制研究展望 |
| 6.2.2 SAR图像边缘检测研究展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
| 致谢 |
（2）顾及先验地理信息的极化SAR影像洪水范围提取（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外研究现状 |
| 1.2.2 现有问题及发展趋势 |
| 1.3 研究目标和研究内容 |
| 1.4 论文结构安排 |
| 2 基于改进U-Net网络的光学-SAR影像洪水范围提取 |
| 2.1 引言 |
| 2.2 深度神经网络概述 |
| 2.2.1 神经网络概述 |
| 2.2.2 卷积神经网络概述 |
| 2.2.3 语义分割网络概述 |
| 2.3 改进的U-Net卷积网络设计 |
| 2.3.1 改进的网络结构 |
| 2.3.2 网络损失函数 |
| 2.3.3 网络参数优化方法 |
| 2.4 基于改进的U-Net卷积网络光学-SAR洪水范围提取实验 |
| 2.4.1 光学与SAR数据简介 |
| 2.4.2 数据预处理 |
| 2.4.3 实验结果与分析 |
| 2.5 本章小结 |
| 3 地理信息辅助下的SAR影像洪水范围精确提取 |
| 3.1 引言 |
| 3.2 地物极化特征及散射特性 |
| 3.2.1 电磁波的极化表征 |
| 3.2.2 目标散射极化特征表征 |
| 3.2.3 典型地物的极化散射特性 |
| 3.3 水平集分割算法 |
| 3.3.1 水平集分割算法基本原理 |
| 3.3.2 基于统计模型SAR影像分割 |
| 3.4 基于矢量数据极化SAR水平集分割洪水范围提取算法 |
| 3.4.1 基于水平集分割洪水范围提取算法流程 |
| 3.4.2 实验数据简介 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 4 后处理及精度评价 |
| 4.1 引言 |
| 4.2 基于MRF后处理 |
| 4.2.1 MRF算法原理 |
| 4.2.2 实验结果与分析 |
| 4.3 基于边缘相似度精度评价指标设计 |
| 4.3.1 指标原理介绍 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 5 原型系统设计开发与实验效果 |
| 5.1 系统开发运行环境与插件功能 |
| 5.2 实验案例 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间完成的论文和参与的科研项目 |
| 1. 已发表论文情况 |
| 2.专利 |
| 3.参与科研项目 |
| 致谢 |
（3）基于稀疏表示和流形学习的SAR图像分类算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.2 分类方法研究现状 |
| 1.2.3 特征提取研究现状 |
| 1.3 本文主要内容与安排 |
| 第二章 基于多尺寸特征和层级稀疏表示的SAR图像分类 |
| 2.1 引言 |
| 2.2 稀疏表示图像分类算法 |
| 2.2.1 稀疏表示分类的数学模型 |
| 2.2.2 稀疏表示优化算法 |
| 2.3 多尺寸SAR图像特征提取 |
| 2.3.1 灰度直方图特征 |
| 2.3.2 灰度共生矩阵特征 |
| 2.4 基于多尺寸图像特征的层级稀疏表示算法 |
| 2.4.2 多尺寸特征字典的构成 |
| 2.4.3 层级稀疏表示算法 |
| 2.5 实验结果和分析 |
| 2.5.1 阈值影响 |
| 2.5.2 实验结果 |
| 2.6 本章小结 |
| 第三章 基于低秩表示和流形正则的无监督PolSAR图像分类算法 |
| 3.1 引言 |
| 3.2 极化SAR数据特征提取 |
| 3.2.1 极化散射数据特征 |
| 3.2.2 极化目标分解特征 |
| 3.2.3 极化图像纹理特征 |
| 3.3 基于SRW距离流形正则项构建 |
| 3.3.1 SRW距离 |
| 3.3.2 SRW距离流形正则项 |
| 3.4 低秩表示算法 |
| 3.5 基于低秩表示和流形正则的PolSAR分类算法 |
| 3.5.2 算法优化 |
| 3.5.3 复杂性分析 |
| 3.6 实验及分析 |
| 3.6.1 AIRSARFlevoland数据 |
| 3.6.2 RADARSAT-2西安西部数据 |
| 3.6.3 RADARSAT-2Flevoland数据 |
| 3.7 本章小结 |
| 第四章 基于多模态稀疏表示的极化特征维度约减算法 |
| 4.1 引言 |
| 4.2 极化数据降维相关算法简述 |
| 4.2.1 等距特征映射算法 |
| 4.2.2 拉普拉斯特征映射算法 |
| 4.2.3 有监督图嵌入算法 |
| 4.3 MSR算法 |
| 4.4 基于MSR算法的极化数据降维 |
| 4.4.1 算法多模态流形正则化 |
| 4.4.2 算法优化 |
| 4.4.3 数据降维 |
| 4.5 实验及分析 |
| 4.5.1 数据集介绍和实验设置 |
| 4.5.2 正则参数影响 |
| 4.5.3 特征维度分析 |
| 4.5.4 分类结果评估 |
| 4.6 本章小结 |
| 第五章 基于子空间聚类的极化特征提取算法 |
| 5.1 引言 |
| 5.2 子空间聚类算法 |
| 5.2.1 子空间聚类问题 |
| 5.2.2 稀疏子空间聚类 |
| 5.2.3 低秩子空间聚类 |
| 5.2.4 低秩稀疏子空间聚类 |
| 5.3 极化流形正则项构建 |
| 5.3.1 欧氏距离正则项 |
| 5.3.2 Wishart距离正则项 |
| 5.3.3 多层图模型正则项 |
| 5.4 基于潜在子空间聚类算法的极化特征提取 |
| 5.4.1 极化数据的子空间聚类 |
| 5.4.2 极化数据的潜在子空间聚类算法 |
| 5.4.3 算法优化 |
| 5.5 实验及分析 |
| 5.5.1 实验设置 |
| 5.5.2 RADARSAT-2西安西部数据 |
| 5.5.3 RADARSAT-2Flevoland数据 |
| 5.5.4 AIRSARFlevoland数据 |
| 5.6 本章小结 |
| 第六章 总结和展望 |
| 6.1 研究总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）基于改进ASIFT算法的SAR图像匹配研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 本文的研究意义 |
| 1.2 SAR图像匹配研究现状 |
| 1.3 本文的主要工作和创新之处 |
| 第二章 图像变换模型理论研究 |
| 2.1 图像变换模型理论 |
| 2.2 几种常见运动模型图像变换 |
| 2.3 图像变换模型数学分解 |
| 2.4 本章小节 |
| 第三章 SIFT算法在SAR图像匹配的应用 |
| 3.1 SIFT算法 |
| 3.1.1 尺度空间极值检测 |
| 3.1.2 精确定位特征点 |
| 3.1.3 特征点主方向计算 |
| 3.1.4 特征描述子 |
| 3.1.5 特征向量匹配 |
| 3.2 SAR图像与光学图像之间的差异 |
| 3.2.1 SAR成像原理与光学成像原理 |
| 3.2.2 SAR图像特征及其与光学图像差异 |
| 3.3 SIFT算法在SAR图像匹配应用的局限性 |
| 3.4 实验结果研究分析 |
| 3.5 本章小节 |
| 第四章 基于多极值抑制改进拉普拉斯SAR-SIFT算法 |
| 4.1 SAR-SIFT算法 |
| 4.1.2 SAR图像水平垂直梯度图 |
| 4.1.3 ROEWA算子对SAR图像斑点噪声适应性数学证明 |
| 4.1.4 SAR-Harris尺度空间 |
| 4.1.5 关键点的提取 |
| 4.1.6 关键点描述和匹配 |
| 4.2 多极值抑制改进拉普拉斯变换的SAR-harris算法 |
| 4.2.1 SAR-SIFT算法的不足之处及其改进 |
| 4.2.2 改进SAR-SIFT算法之尺度空间检测极值点 |
| 4.2.3 改进SAR-SIFT算法之极值点精确定位 |
| 4.3 实验结果对比分析 |
| 4.4 本章小节 |
| 第五章 改进的ASIFT算法在SAR图像匹配中的应用 |
| 5.1 SAR-SIFT匹配算法的局限性 |
| 5.2 Affine-SIFT算法 |
| 5.2.1 ASIFT算法思想 |
| 5.2.2 ASIFT算法的仿射变换模型 |
| 5.2.3 ASIFT算法描述 |
| 5.2.4 仿射不变算法性能评价 |
| 5.3 基于改进特征点检测的ASIFT算法在SAR图像匹配中的研究 |
| 5.3.1 改进的ASIFT算法 |
| 5.4 仿真对比实验结果及分析 |
| 5.5 本章小节 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）基于改进SIFT-Like算法的SAR图像特征匹配（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 SAR图像匹配的研究意义 |
| 1.1.1 SAR成像背景介绍 |
| 1.1.2 SAR图像匹配的研究意义 |
| 1.2 SAR图像匹配研究现状 |
| 1.2.1 基于图像灰度的匹配方法 |
| 1.2.2 基于图像特征的匹配方法 |
| 1.3 论文主要工作和结构安排 |
| 第二章 SAR图像特征分析 |
| 2.1 SAR图像的特点 |
| 2.1.1 SAR图像的几何形变 |
| 2.1.2 SAR图像的相干斑噪声 |
| 2.2 SAR图像与光学图像的差异 |
| 2.3 SIFT算法在SAR图像中的不适用性 |
| 2.4 本章小结 |
| 第三章 图像尺度空间理论以及角点检测算法 |
| 3.1 尺度空间理论 |
| 3.1.1 图像尺度空间理论介绍 |
| 3.1.2 图像尺度空间的数学模型 |
| 3.1.3 高斯尺度空间介绍 |
| 3.2 图像的高斯金字塔结构 |
| 3.2.1 高斯金字塔模型 |
| 3.2.2 图像的高斯金字塔结构 |
| 3.3 图像的Harris角点检测 |
| 3.3.1 角点检测简介 |
| 3.3.2 Harris角点检测算法 |
| 3.4 本章小结 |
| 第四章 基于SIFT特征的SAR图像匹配算法 |
| 4.1 SIFT算法概述 |
| 4.2 SIFT算法实现原理 |
| 4.2.1 SIFT尺度空间生成 |
| 4.2.2 SIFT特征点检测 |
| 4.2.3 特征点精确定位与筛选 |
| 4.2.4 特征点主方向赋值 |
| 4.2.5 生成特征描述向量 |
| 4.3 特征点匹配 |
| 4.3.1 k-近邻比值法初匹配 |
| 4.3.2 图像变换矩阵 |
| 4.3.3 随机采样一致性提纯算法 |
| 4.4 仿真试验及误差分析 |
| 4.5 本章小结 |
| 第五章 改进的SIFT-Like算法 |
| 5.1 SIFT算法在SAR图像中的局限性 |
| 5.2 SIFT-Like算法简介 |
| 5.2.1 指数加权均值比（ROEWA） |
| 5.2.2 SAR-Harris尺度空间检测极值点 |
| 5.2.3 改进的主方向和特征向量 |
| 5.3 实验结果及分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作前景展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于高分辨率SAR图像的道路和河流提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 道路提取的研究现状 |
| 1.2.1 半自动道路提取现状 |
| 1.2.2 自动道路提取研究现状 |
| 1.2.3 道路提取存在问题 |
| 1.3 河流提取的研究现状 |
| 1.3.1 河流提取存在问题 |
| 1.4 论文的主要工作 |
| 1.5 论文的组织结构 |
| 第二章 SAR图像特征分析 |
| 2.1 合成孔径雷达成像的基本原理 |
| 2.2 SAR图像的几何特征 |
| 2.3 SAR图像的噪声特征 |
| 2.3.1 SAR图像相干斑形成机理 |
| 2.3.2 SAR图像相干斑模型 |
| 2.4 本章小结 |
| 第三章 基于高分辨率SAR图像的道路目标提取 |
| 3.1 高分辨率SAR图像中的道路特征 |
| 3.2 理论和方法 |
| 3.2.1 参数化内核图割 |
| 3.2.2 数学形态学 |
| 3.2.3 虚警去除 |
| 3.2.4 断裂道路连接 |
| 3.3 基于高分辨率SAR图像的道路提取算法描述 |
| 3.4 实验结果及分析 |
| 3.4.1 实验结果 |
| 3.4.2 算法性能分析 |
| 3.5 本章小结 |
| 第四章 基于高分辨率SAR图像的河流目标提取 |
| 4.1 高分辨率SAR图像中的河流特征 |
| 4.2 理论和方法 |
| 4.2.1 直方图均衡化 |
| 4.2.2 增强lee滤波 |
| 4.2.3 基于G~0分布的水平集分割 |
| 4.2.4 虚警去除 |
| 4.3 高分辨率SAR图像河流目标提取算法描述 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表学术论文情况 |
（8）基于相关匹配的SAR图像配准和目标识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 SAR图像处理研究背景和意义 |
| 1.2 SAR图像处理的发展现状 |
| 1.2.1 相干斑抑制 |
| 1.2.2 图像配准 |
| 1.2.3 目标检测与识别 |
| 1.3 论文的主要工作和安排 |
| 第二章 SAR图像处理相关理论基础 |
| 2.1 SAR成像原理及斑点噪声特性 |
| 2.1.1 合成孔径雷达(SAR)的原理 |
| 2.1.2 SAR斑点噪声产生机理 |
| 2.1.3 相干斑噪声模型和统计特性 |
| 2.2 SAR图像经典处理方法 |
| 2.2.1 滤波方法 |
| 2.2.2 配准方法 |
| 2.2.3 检测方法与识别方法 |
| 2.3 本章小结 |
| 第三章 基于比值相关函数的SAR图像配准方法 |
| 3.1 基于乘法的相关函数 |
| 3.1.1 函数形式 |
| 3.1.2 统计特性 |
| 3.2 基于比值的相关函数 |
| 3.2.1 函数形式 |
| 3.2.2 统计特性 |
| 3.2.3 算法步骤 |
| 3.3 实验分析和对比 |
| 3.3.1 噪声项对两种形式相关函数的影响 |
| 3.3.2 两种相关函数配准结果对比 |
| 3.4 基于先验均值的SAR图像相关函数配准方法 |
| 3.5 实验结果与分析 |
| 3.5.1 合成SAR图像实验结果 |
| 3.5.2 真实SAR图像实验结果 |
| 3.6 本章小结 |
| 第四章 基于模版匹配的机场飞机目标识别 |
| 4.1 模版提取 |
| 4.1.1 停机位模版的提取 |
| 4.1.2 飞机模版的提取 |
| 4.2 亮线检测 |
| 4.3 模版匹配 |
| 4.3.1 停机位模版匹配 |
| 4.3.2 飞机模版匹配 |
| 4.4 算法步骤 |
| 4.5 实验结果和分析 |
| 4.5.1 评价指标 |
| 4.5.2 实验条件和内容 |
| 4.5.3 停机位检测结果 |
| 4.5.4 飞机目标检测结果 |
| 4.6 本章小结 |
| 第五章 总结和展望 |
| 5.1 本文工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）SAR图像结构特征匹配方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 图像匹配的基本知识 |
| 1.2.1 图像匹配的问题描述 |
| 1.2.2 特征匹配的四要素 |
| 1.2.3 图像匹配方法的分类 |
| 1.3 国内外相关研究进展 |
| 1.3.1 特征匹配研究的总体情况 |
| 1.3.2 结构特征匹配方法发展现状与分析 |
| 1.3.3 SAR图像结构特征匹配的发展现状 |
| 1.4 论文主要工作和组织结构 |
| 第二章 SAR图像结构特征匹配的基本知识 |
| 2.1 SAR图像特性 |
| 2.1.1 物理特性 |
| 2.1.2 几何特性 |
| 2.2 SAR图像结构特征匹配的不确定性分析 |
| 2.2.1 SAR图像不确定性及其分类 |
| 2.2.2 SAR图像结构特征不确定性的表现形式 |
| 2.2.3 SAR图像结构特征不确定性对特征匹配的影响 |
| 2.2.4 SAR图像结构特征匹配中不确定性影响的消减 |
| 2.3 SAR图像结构特征匹配的特点 |
| 2.4 SAR图像结构匹配的特征选择 |
| 2.4.1 SAR图像特征匹配中特征选择的准则 |
| 2.4.2 SAR图像匹配中的结构特征分析 |
| 2.5 小结 |
| 第三章 SAR图像模糊轮廓特征匹配 |
| 3.1 引言 |
| 3.2 SAR图像轮廓特征提取 |
| 3.2.1 SAR图像轮廓特征提取方法分析 |
| 3.2.2 全局活动轮廓模型轮廓特征提取方法 |
| 3.2.3 实验结果 |
| 3.3 模糊轮廓特征描述 |
| 3.3.1 SAR图像轮廓特征的模糊性分析 |
| 3.3.2 模糊轮廓描述的基本概念 |
| 3.3.3 Rough Set的基本概念 |
| 3.3.4 轮廓边缘的模糊描述 |
| 3.3.5 轮廓特征的不变描述 |
| 3.4 直方图距离测度 |
| 3.5 实验结果与分析 |
| 3.5.1 SAR图像匹配实验 |
| 3.5.2 SAR图像目标分类实验 |
| 3.6 小结 |
| 第四章 SAR图像不确定性直线特征匹配 |
| 4.1 引言 |
| 4.2 SAR图像边缘提取 |
| 4.2.1 SAR图像边缘模型 |
| 4.2.2 ROEWA算子改进 |
| 4.3 SAR图像直线和交点提取 |
| 4.3.1 直线提取方法分析 |
| 4.3.2 SAR图像多尺度直线特征提取方法 |
| 4.3.3 基于DS理论的SAR图像直线提取融合方法 |
| 4.3.4 直线交点特征提取 |
| 4.4 直线交点的不确定性表达 |
| 4.4.1 直线交点的不确定性分析 |
| 4.4.2 直线段交点的几何不变描述 |
| 4.4.3 直线方向的不确定性建模 |
| 4.4.4 基于模糊粗糙集的不确定性表达 |
| 4.5 实验结果与分析 |
| 4.5.1 简单背景的SAR图像直线特征匹配实验 |
| 4.5.2 复杂场景的SAR图像直线特征匹配实验 |
| 4.6 小结 |
| 第五章 稳健的SAR图像点特征匹配 |
| 5.1 引言 |
| 5.2 SAR图像显着性边缘点集匹配 |
| 5.2.1 边缘点集匹配的特点分析 |
| 5.2.2 基于像素迁移的图像匹配 |
| 5.2.3 联合相似度构建 |
| 5.2.4 仿射变换模型及参数分解 |
| 5.2.5 遗传算法优化寻优方法的改进 |
| 5.2.6 性能分析 |
| 5.2.7 实验结果与分析 |
| 5.3 SAR图像SIFT特征匹配 |
| 5.3.1 引言 |
| 5.3.2 SIFT特征匹配 |
| 5.3.3 SIFT算子分析 |
| 5.4 基于边缘点的SAR图像SIFT特征匹配优化 |
| 5.4.1 联合匹配算法框架 |
| 5.4.2 实验结果与分析 |
| 5.5 小结 |
| 第六章 结论与展望 |
| 6.1 主要贡献及结论 |
| 6.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（10）基于LiDAR点云与影像的海岸线提取和地物分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1. 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 技术手段的发展 |
| 1.2.2 联合点云数据和影像的海岸线提取研究现状 |
| 1.2.3 联合点云数据与遥感影像的海岸带地物分类 |
| 1.3 研究内容与目标 |
| 1.4 论文的组织结构 |
| 2. 点云预处理、组织与多特征滤波 |
| 2.1 引言 |
| 2.2 点云预处理 |
| 2.2.1 LiDAR点云数据特点 |
| 2.2.2 错误点剔除 |
| 2.2.3 航带重叠点剔除 |
| 2.3 点云数据组织 |
| 2.3.1 现有点云数据组织方法 |
| 2.3.2 基于Hilbert排列码与R树的海量LiDAR点云索引 |
| 2.4 点云数据滤波 |
| 2.4.1 现有滤波方法 |
| 2.4.2 多特征滤波 |
| 2.5 实验与分析 |
| 2.6 本章小结 |
| 3. 联合LiDAR点云与遥感影像的海岸线提取 |
| 3.1 引言 |
| 3.2 融合点云与影像的海域提取 |
| 3.2.1 现有方法概述 |
| 3.2.2 基于Mean Shift算法的影像分割 |
| 3.2.3 融合点云与影像特征的海域提取 |
| 3.3 瞬时水边线的提取 |
| 3.3.1 初始水边线的提取 |
| 3.3.2 顾及点云强度和地形特征的海岸线的精化 |
| 3.3.3 海岸线的平滑 |
| 3.4 实验与分析 |
| 3.4.1 实验数据介绍 |
| 3.4.2 融合点云与影像的水体提取 |
| 3.4.3 瞬时水边线提取 |
| 3.5 本章小结 |
| 4. 融合点云与影像的地物分类 |
| 4.1 引言 |
| 4.2 利用随机森林的机载LiDAR数据特征选择与分类 |
| 4.2.1 机载LiDAR数据对象特征提取 |
| 4.2.2 基于随机森林的特征选择 |
| 4.2.3 实验 |
| 4.3 基于影像和LiDAR点云的决策融合分类 |
| 4.3.1 马氏距离模糊分类 |
| 4.3.2 DSM和影像隶属度融合 |
| 4.3.3 实验 |
| 4.4 本章小结 |
| 5. 总结与展望 |
| 5.1 本文主要工作和贡献 |
| 5.2 展望与设想 |
| 参考文献 |
| 攻博期间发表的科研成果目录 |
| 致谢 |
四、SAR图像弱反射地物边缘提取方法（论文参考文献）
- [1]SAR图像相干斑抑制及边缘检测算法研究[D]. 蔡飞飞. 西安工程大学, 2018(02)
- [2]顾及先验地理信息的极化SAR影像洪水范围提取[D]. 安凯强. 武汉大学, 2018(06)
- [3]基于稀疏表示和流形学习的SAR图像分类算法研究[D]. 任博. 西安电子科技大学, 2017(01)
- [4]基于改进ASIFT算法的SAR图像匹配研究[D]. 李玥. 西安电子科技大学, 2017(04)
- [5]基于改进SIFT-Like算法的SAR图像特征匹配[D]. 刘瑞红. 西安电子科技大学, 2015(03)
- [6]一种新的高分辨率SAR图像道路提取算法[J]. 肖红光,文俊,陈立福,史长琼. 计算机工程与应用, 2016(15)
- [7]基于高分辨率SAR图像的道路和河流提取方法研究[D]. 文俊. 长沙理工大学, 2015(04)
- [8]基于相关匹配的SAR图像配准和目标识别[D]. 张迪. 西安电子科技大学, 2014(03)
- [9]SAR图像结构特征匹配方法研究[D]. 陈天泽. 国防科学技术大学, 2014(02)
- [10]基于LiDAR点云与影像的海岸线提取和地物分类研究[D]. 赖祖龙. 武汉大学, 2013(01)