第１章　绪论１ 

１.１　极化ＳＡＲ成像系统１ 

１.２　极化ＳＡＲ目标分解４ 

１.３　地物分类与图像分割６ 

１.４　目标检测与目标识别７ 

１.４.１　目标检测８ 

１.４.２　目标识别９ 

１.５　本书安排１１ 

参考文献１２ 

第２章　极化雷达的基本理论２０ 

２.１　引言２０ 

２.２　散射波的极化２０ 

２.２.１　极化椭圆２０ 

２.２.２　极化基的变换２２ 

２.２.３　极化波的描述算子２３ 

２.２.４　波的极化维度２６ 

２.３　目标的极化测量２６ 

２.３.１　散射矩阵２６ 

２.３.２　散射矩阵和极化基变换２８ 

２.３.３　极化ｓｉｇｎａｔｕｒｅ ２９ 

２.３.４　目标的极化描述算子３３ 

２.３.５　目标散射矩阵的旋转３５ 

２.３.６　目标的极化维度３７ 

２.４　小结３７ 

参考文献３７ 

第３章　目标分解与极化特征提取３８ 

３.１　Ｈｕｙｎｅｎ非相干分解及特征参数提取３８ 

３.１.２　Ｈｕｙｎｅｎ分解４０ 

３.１.３　杨分解４１ 

３.１.４　游分解方法４３ 

３.２　Ｋｒｏｇａｇｅｒ分解与Ｃａｍｅｒｏｎ分解４６ 

３.２.１　Ｋｒｏｇａｇｅｒ分解４６ 

３.２.２　Ｃａｍｅｒｏｎ分解４７ 

３.３　几种典型的分解方法５１ 

３.３.２　Ｙａｍａｇｕｃｈｉ四成分分解５３ 

３.３.３　稳定三成分分解５５ 

３.３.４　Ｃｌｏｕｄｅ－Ｐｏｔｔｉｅｒ分解５７ 

３.４　目标相似性参数５９ 

３.４.１　单视数据的相似性参数５９ 

３.４.２　多视数据的相似性参数６１ 

３.５　基于去定向共极化比的目标分解６２ 

参考文献６８ 

第４章　极化ＳＡＲ杂波建模７２ 

４.１　引言７２ 

４.２.１　Ｇａｍｍａ分布７３ 

４.２.２　对数正态分布７４ 

４.２.３　混合对数正态分布７５ 

４.２.４　Ｋ分布７６ 

４.２.５　α稳定分布７７ 

４.３　基于Ｐａｒｚｅｎ窗非参数化杂波分布模型７９ 

４.４　极化白化滤波８１ 

４.４.１　极化ＳＡＲ数据的概率分布模型８１ 

４.４.２　极化白化滤波器８２ 

４.５　杂波建模的评价方法８３ 

４.６　杂波建模的结果８４ 

４.６.１　Ｃ波段仿真数据ＰＷＦ杂波建模８４ 

４.６.２　Ｘ波段仿真数据ＰＷＦ杂波建模８７ 

４.６.３　杂波建模的结论８９ 

４.７　小结８９ 

参考文献９０ 

第５章　基于恒虚警检测器的舰船检测方法９２ 

５.１　恒虚警舰船检测方法９２ 

５.１.２　海杂波极化交叉熵的统计分布９４ 

５.１.３　基于极化交叉熵的恒虚警检测算法９７ 

５.１.４　检测结果及讨论９７ 

５.２　迭代恒虚警舰船检测方法９８ 

５.２.１　迭代检测９９ 

５.２.２　计算量的讨论１０２ 

５.２.３　实验与讨论１０３ 

５.３　小结１０７ 

参考文献１０８ 

第６章　基于变分贝叶斯推断的舰船检测方法１１０ 

６.１　引言１１０ 

６.２.１　单极化ＳＡＲ图像的舰船检测概率模型１１０ 

６.２.２　变分贝叶斯推断１１２ 

６.２.３　算法实现１１５ 

６.２.４　实验结果１１５ 

６.３　极化ＳＡＲ舰船检测１１８ 

６.３.１　极化ＳＡＲ图像的表达１１８ 

６.３.２　极化ＳＡＲ图像的舰船检测概率模型１１９ 

６.３.３　变分贝叶斯推断１２１ 

６.３.４　算法实现１２３ 

６.３.５　实验结果１２４ 

６.４　小结１２８ 

附录６.１　改进的概率模型中隐变量的变分贝叶斯推断１２９ 

附录６.２　一些有用的期望值计算１２９ 

附录６.３　原始概率模型及变分贝叶斯推断１３０ 

附录６.３.１　先验概率分布１３１ 

附录６.３.２　变分贝叶斯更新公式１３１ 

参考文献１３３ 

第７章　基于ＭＳＨＯＧ特征与任务驱动字典学习的舰船分类１３５ !!!!

７.１　ＭＳＨＯＧ特征１３５ 

７.１.２　传统ＨＯＧ和ＳＡＲ－ＨＯＧ特征１３６ 

７.１.３　流形学习与特征降维１３９ 

７.２　非相干约束任务驱动鉴别字典学习１４２ 

７.２.１　非相干约束１４３ 

７.２.２　模型框架１４４ 

７.２.３　优化过程１４５ 

７.３.１　算法流程１４７ 

７.３.２　参数设置１４８ 

７.４　实验结果与讨论１５１ 

７.４.１　实验设置１５１ 

７.４.２　ＭＳＨＯＧ特征有效性验证１５３ 

７.４.３　ＴＤＤＬ－ＳＩＣ有效性验证１５３ 

７.４.４　分类结果比较１５５ 

７.５　小结１５６ 

参考文献１５６ 

第８章　卷积神经网络基础知识１５８ 

８.１　引言１５８ 

８.３　卷积层１５９ 

８.４　激活层１６１ 

８.５　池化层１６２ 

８.６　经典模型１６４ 

８.７　初始化１６６ 

参考文献１７０ 

第９章　基于卷积神经网络的极化ＳＡＲ舰船检测１７２ 

９.１　引言１７２ 

９.２.１　整体框架１７３ 

９.２.２　数据准备１７６ 

９.２.３　网络设计１７７ 

９.３　评价准则和误差函数１８１ 

９.４　训练细节和实验结果１８３ 

参考文献１９２ 

第１０章　基于卷积神经网络的极化ＳＡＲ城市区域地物分类１９４ !!!!

１０.１　引言１９４ 

１０.２.１　整体框架１９５ 

１０.２.２　数据准备１９６ 

１０.２.３　网络设计１９７ 

１０.３　评价准则和误差函数２００ 

１０.４　训练细节和实验结果２０１ 

参考文献２０６ 

第１１章　基于混合模型及ＭＲＦ的极化ＳＡＲ地物分类２０９ 

１１.１　引言２０９ 

１１.２.１　复高斯分布２１０ 

１１.２.２　复Ｗｉｓｈａｒｔ分布２１０ 

１１.２.３　Ｋ－Ｗｉｓｈａｒｔ分布２１１ 

１１.２.４　混合复Ｗｉｓｈａｒｔ分布２１２ 

１１.３　混合Ｗｉｓｈａｒｔ模型的建模方法２１２ 

１１.３.１　基于整幅图像的混合Ｗｉｓｈａｒｔ模型２１２ 

１１.３.２　基于单一地物类型的混合Ｗｉｓｈａｒｔ模型２１４ 

１１.４　马尔可夫随机场模型２１６ 

１１.４.１　马尔可夫随机场２１６ 

１１.４.２　自适应邻域系统２１７ 

１１.４.３　边缘惩罚参数２１７ 

１１.５　基于ＭＲＦ的极化ＳＡＲ图像分类２１９ 

１１.５.１　基于像素的极化ＳＡＲ图像分类２１９ 

１１.５.２　基于区域的极化ＳＡＲ图像分类２２０ 

１１.６.１　数据介绍２２１ 

１１.６.２　基于像素的分类２２３ 

１１.６.３　基于区域的分类２２６ 

１１.７　小结２２９ 

参考文献２３０ 

第１２章　基于ＳＬＩＣ的极化ＳＡＲ图像超像素分割２３２ 

１２.１　引言２３２ 

１２.２.１　超像素分割理论及评价准则２３２ 

１２.２.２　ＳＬＩＣ超像素分割２３５ 

１２.３　极化ＳＡＲ数据的统计距离２３７ 

１２.３.１　Ｗｉｓｈａｒｔ距离２３７ 

１２.３.２　修正的Ｗｉｓｈａｒｔ距离２３７ 

１２.３.３　ＳＮＬＬ距离２３９ 

１２.３.４　ＨＬＴ检测算子２４０ 

１２.４　极化ＳＡＲ图像的ＳＬＩＣ函数２４０ 

１２.４.１　改进的ＳＬＩＣ函数形式２４０ 

１２.４.２　距离计算的快速实现２４１ 

１２.５　极化ＳＡＲ图像的ＳＬＩＣ分割流程２４２ 

１２.５.１　基于网格的聚类方法２４２ 

１２.５.２　迭代边缘精炼２４３ 

１２.５.３　超像素分割后处理２４４ 

１２.６　基于梯度初始化的ＳＬＩＣ分割方法２４５ 

１２.６.１　极化ＳＡＲ图像梯度提取２４５ 

１２.６.２　基于分水岭的初始化方法２４６ 

１２.７　实验与分析２５０ 

１２.７.１　极化ＳＡＲ统计距离的性能分析２５０ 

１２.７.２　初始化分割的性能验证２５６ 

１２.７.３　不同ＳＬＩＣ算法的超像素分割性能评价２５９ 

１２.８　小结２６２ 

参考文献２６２