第1章 绪论
1.1 研究背景及研究意义
1.2 国内外研究现状
1.3 本书内容介绍
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
2.1 算法概述
2.2 局部保持投影算法
2.3 基于LPP-GMD算法的SAR图像目标识别
2.3.1 基于混合高斯分布的似然函数建模
2.3.2 基于局部保持特性的先验函数建模
2.3.3 参数估计
2.4 试验结果与分析
2.5 本章小结
第3章 基于局部保持特性和Gamma分布的SAR图像目标识别
3.1 算法概述
3.2 SAR图像的乘性相干斑模型
3.3 基于LPP-Gamma算法的SAR图像目标识别
3.3.1 基于Gamma分布构建似然函数
3.3.2 基于局部保持特性构建先验函数
3.3.3 参数估计
3.4 试验结果与分析
3.4.1 SAR图像目标识别结果
3.4.2 修正相似度矩阵的有效性验证
3.5 本章小结
第4章 基于结构保持投影的SAR图像目标识别
4.1 算法概述
4.2 基于CDSPP算法的SAR图像目标识别
4.2.1 CDSPP算法
4.2.2 差异度矩阵分析
4.3 试验结果与分析
4.3.1 目标的类别识别
4.3.2 目标的型号识别
4.3.3 构建差异度矩阵的优势
4.4 本章小结
第5章 基于类别稀疏表示的SAR图像目标识别
5.1 算法概述
5.2 SAR图像的稀疏表示模型
5.3 SAR图像的类别稀疏表示模型
5.3.1 方位角敏感特性
5.3.2 测试样本建模
5.3.3 稀疏向量求解
5.4 基于LSR算法的SAR图像目标识别
5.5 试验结果与分析
5.5.1 目标的类别识别
5.5.2 目标的型号识别
5.6 本章小结
第6章 基于乘性稀疏表示和Gamma分布的SAR图像目标识别
6.1 算法概述
6.2 乘性稀疏表示算法
6.3 试验结果与分析
6.3.1 目标的类别识别
6.3.2 目标的型号识别
6.4 本章小结
第7章 基于判别统计字典学习的SAR图像目标识别
7.1 算法概述
7.2 基于判别统计字典学习（DSDL）的SAR图像目标识别
7.2.1 统计字典学习（SDL）算法
7.2.2 融入判别因子字典
7.2.3 算法的计算复杂度分析
7.3 试验结果与分析
7.3.1 目标的类别识别
7.3.2 目标的型号识别
7.4 本章小结
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
8.1 算法概述
8.2 Dempster-Shafer证据理论
8.3 基于Dempster-Shafer证据理论的融合算法
8.3.1 SAR图像的多稀疏表示
8.3.2 基本概率分配函数的推导
8.4 试验结果与分析
8.5 本章小结
第9章 基于Dempster-Shafer证据理论和稀疏表示的SAR图像目标识别
9.1 算法概述
9.2 基于Dempster-Shafer证据理论的融合算法
9.2.1 构建基于稀疏表示的基本概率分配函数
9.2.2 融合算法
9.3 试验结果与分析
9.3.1 目标的类别识别
9.3.2 目标的型号识别
9.4 本章小结
第10章 基于两阶段稀疏结构表示的SAR图像目标识别
10.1 算法概述
10.2 基于两阶段稀疏结构表示（TSSR）的算法
10.2.1 第一阶段（训练阶段）的结构保持
10.2.2 第二阶段（测试阶段）的结构保持
10.3 试验结果与分析
10.3.1 目标的类别识别
10.3.2 目标的型号识别
10.4 本章小结
第11章 总结与展望
11.1 全书总结
11.2 工作展望
参考文献
展开
