| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 研究背景与研究意义 | 第15-16页 |
| 1.2 极化SAR分类的发展与面临的问题 | 第16-17页 |
| 1.3 极化SAR散射理论 | 第17-23页 |
| 1.3.1 电磁波的极化状态 | 第17-18页 |
| 1.3.2 极化SAR数据的表征 | 第18-21页 |
| 1.3.3 极化散射机理 | 第21-22页 |
| 1.3.4 本节小结 | 第22-23页 |
| 1.4 本文主要内容与安排 | 第23-25页 |
| 第二章 基于多层SVM和超像素稀疏编码的极化SAR图像分类 | 第25-39页 |
| 2.1 多层SVM | 第25-28页 |
| 2.1.1 SVM分类模型 | 第25-27页 |
| 2.1.2 多层SVM分类模型 | 第27-28页 |
| 2.2 超像素分割 | 第28-29页 |
| 2.3 稀疏编码分类器 | 第29-30页 |
| 2.4 基于多层SVM和超像素稀疏编码的极化SAR图像分类 | 第30-31页 |
| 2.4.1 算法简介 | 第30页 |
| 2.4.2 算法实现的具体步骤 | 第30-31页 |
| 2.5 实验结果与分析 | 第31-37页 |
| 2.5.1 实验环境与数据 | 第31页 |
| 2.5.2 Flevoland的实验结果 | 第31-33页 |
| 2.5.3 Germany的实验结果 | 第33-35页 |
| 2.5.4 San Francisco的实验结果 | 第35-37页 |
| 2.6 本章小结 | 第37-39页 |
| 第三章 基于深度Directionlet网络的极化SAR图像分类 | 第39-55页 |
| 3.1 卷积神经网络理论基础 | 第39-42页 |
| 3.1.1 神经网络 | 第39-40页 |
| 3.1.2 卷积神经网络 | 第40-42页 |
| 3.2 Directionlet理论基础 | 第42-45页 |
| 3.2.1 基于整数格的陪集分解 | 第42-43页 |
| 3.2.2 二维各向异性小波变换 | 第43-44页 |
| 3.2.3 Directionlet变换 | 第44-45页 |
| 3.3 基于深度Directionlet网络的极化SAR图像分类方法 | 第45-47页 |
| 3.3.1 算法简介 | 第45页 |
| 3.3.2 算法实现的具体步骤 | 第45-47页 |
| 3.4 实验结果与分析 | 第47-54页 |
| 3.4.1 实验环境与数据 | 第47页 |
| 3.4.2 Flevoland的实验结果 | 第47-50页 |
| 3.4.3 Germany的实验结果 | 第50-51页 |
| 3.4.4 San Francisco的实验结果 | 第51-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 基于多尺度深度Directionlet网络的极化SAR图像分类 | 第55-67页 |
| 4.1 多尺度卷积神经网络理论基础 | 第55页 |
| 4.2 基于多尺度深度方向波网络的极化SAR图像分类 | 第55-58页 |
| 4.2.1 算法简介 | 第55-56页 |
| 4.2.2 算法实现的具体步骤 | 第56-58页 |
| 4.3 实验结果与分析 | 第58-65页 |
| 4.3.1 实验环境与数据 | 第58页 |
| 4.3.2 Flevoland的实验结果 | 第58-61页 |
| 4.3.3 Germany的实验结果 | 第61-63页 |
| 4.3.4 San Francisco的实验结果 | 第63-65页 |
| 4.4 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 本文总结 | 第67页 |
| 5.2 展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 作者简介 | 第75-76页 |
