| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 引言 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.3 本文研究内容以及文章结构安排 | 第19-22页 |
| 第二章 PolSAR相关原理 | 第22-28页 |
| 2.1 引言 | 第22页 |
| 2.2 电磁波极化介绍 | 第22-26页 |
| 2.2.1 极化散射矩阵 | 第23-25页 |
| 2.2.2 协方差矩阵与相干矩阵 | 第25-26页 |
| 2.3 海面与舰船的散射机理 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于相关峭度的舰船检测方法研究 | 第28-46页 |
| 3.1 引言 | 第28页 |
| 3.2 基于协方差矩阵的常用舰船检测算法 | 第28-35页 |
| 3.2.1 基于海杂波统计模型的双参数恒虚警检测 | 第28-32页 |
| 3.2.2 基于SPAN-Wishart (SPWH)的舰船检测算法 | 第32-35页 |
| 3.3 基于相关峭度(Relative Kurtosis, RK)的舰船检测方法 | 第35-44页 |
| 3.3.1 非高斯K-Wishart模型 | 第35-37页 |
| 3.3.2 相关峭度(Relative Kurtosis, RK)数据 | 第37-39页 |
| 3.3.3 Canny检测算子研究 | 第39-40页 |
| 3.3.4 实验结果及其分析 | 第40-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 基于卷积神经网络的舰船检测算法研究 | 第46-64页 |
| 4.1 引言 | 第46-47页 |
| 4.2 卷积神经网络提取特征 | 第47-55页 |
| 4.2.1 图像预处理 | 第47-48页 |
| 4.2.2 网络结构 | 第48-50页 |
| 4.2.3 网络训练 | 第50-55页 |
| 4.3 TS-CNN舰船检测算法 | 第55-58页 |
| 4.3.1 第一次CNN处理 | 第56-57页 |
| 4.3.2 第二次CNN处理 | 第57-58页 |
| 4.4 实验结果及其分析 | 第58-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 结论 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-74页 |
| 作者简介 | 第74-75页 |
