| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第15-31页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-25页 |
| 1.2.1 基于极化分解参数的检测算法 | 第16-20页 |
| 1.2.2 极化通道融合检测算法 | 第20-21页 |
| 1.2.3 极化滤波检测算法 | 第21-22页 |
| 1.2.4 基于矩阵稀疏性的算法 | 第22-23页 |
| 1.2.5 基于极化分解参数的检测算法 | 第23-25页 |
| 1.3 采用数据介绍 | 第25-29页 |
| 1.3.1 RADARSAT-2数据 | 第25-26页 |
| 1.3.2 高分三号数据 | 第26-29页 |
| 1.4 论文的主要内容与章节安排 | 第29-31页 |
| 第2章 极化SAR图像船舶检测基础理论 | 第31-47页 |
| 2.1 目标散射特性表示 | 第31-34页 |
| 2.1.1 极化散射矩阵 | 第31-33页 |
| 2.1.2 协方差矩阵与相干矩阵 | 第33-34页 |
| 2.2 极化SAR图像上船舶与海面的特征 | 第34-41页 |
| 2.2.1 船舶在SAR图像上的特征 | 第34-35页 |
| 2.2.2 海面在SAR图像上的特征 | 第35-36页 |
| 2.2.3 船舶在不同极化通道中的特征分析 | 第36-38页 |
| 2.2.4 船舶的散射机制分析 | 第38-41页 |
| 2.3 船舶检测干扰分析 | 第41-45页 |
| 2.3.1 海面杂波干扰 | 第41-42页 |
| 2.3.2 方位向模糊 | 第42-43页 |
| 2.3.3 强散射系统噪声 | 第43-44页 |
| 2.3.4 船舶旁瓣干扰 | 第44-45页 |
| 2.4 本章小结 | 第45-47页 |
| 第3章 基于改进香农熵的极化SAR图像船舶检测 | 第47-79页 |
| 3.1 香农熵 | 第47-49页 |
| 3.1.1 香农熵特征 | 第47-48页 |
| 3.1.2 基于香农熵的船舶检测方法 | 第48-49页 |
| 3.2 基于改进香农熵的检测方法 | 第49-58页 |
| 3.2.1 极化协方差差值矩阵 | 第49-51页 |
| 3.2.2 改进的香农熵特征参数 | 第51-54页 |
| 3.2.3 方法与流程 | 第54-58页 |
| 3.3 实验及分析 | 第58-76页 |
| 3.3.1 实验一及分析 | 第61-64页 |
| 3.3.2 实验二及分析 | 第64-67页 |
| 3.3.3 实验三及分析 | 第67-71页 |
| 3.3.4 实验四及分析 | 第71-74页 |
| 3.3.5 实验总结 | 第74-76页 |
| 3.4 本章小结 | 第76-79页 |
| 第4章 基于深度学习的极化SAR图像船舶检测研究 | 第79-103页 |
| 4.1 深度学习目标检测理论基础 | 第80-86页 |
| 4.1.1 深度学习介绍 | 第80-82页 |
| 4.1.2 卷积神经网络 | 第82-86页 |
| 4.2 基于FasterR-CNN的极化SAR船舶检测 | 第86-93页 |
| 4.2.1 FasterR-CNN算法 | 第86-89页 |
| 4.2.2 基于FasterR-CNN的船舶检测算法 | 第89-93页 |
| 4.2.2.1 数据预处理 | 第90页 |
| 4.2.2.2 建立数据集 | 第90-91页 |
| 4.2.2.3 训练模型 | 第91-92页 |
| 4.2.2.4 参数设置 | 第92-93页 |
| 4.3 实验与分析 | 第93-100页 |
| 4.3.1 检测结果评价标准 | 第93页 |
| 4.3.2 检测结果与分析 | 第93-96页 |
| 4.3.3 实验总结 | 第96-100页 |
| 4.3.3.1 开阔海域影像检测结果 | 第96-99页 |
| 4.3.3.2 含有陆地海岸影像检测结果 | 第99-100页 |
| 4.4 本章小节 | 第100-103页 |
| 第5章 总结与展望 | 第103-107页 |
| 5.1 总结 | 第103-104页 |
| 5.1.1 本文主要研究工作 | 第103-104页 |
| 5.1.2 成果与创新 | 第104页 |
| 5.2 研究展望 | 第104-107页 |
| 参考文献 | 第107-115页 |
| 致谢 | 第115-117页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第117页 |