| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13页 |
| 1.2 SAR图像分割的研究现状 | 第13-15页 |
| 1.2.1 图像分割的定义 | 第14页 |
| 1.2.2 SAR图像分割方法 | 第14-15页 |
| 1.3 深度学习的研究现状 | 第15-17页 |
| 1.3.1 深度学习的起源 | 第15-16页 |
| 1.3.2 深度学习模型 | 第16-17页 |
| 1.4 论文的主要内容与安排 | 第17-19页 |
| 第二章 相关工作 | 第19-27页 |
| 2.1 Marr视觉计算理论 | 第19-20页 |
| 2.2 初始素描模型 | 第20页 |
| 2.3 SAR图像的素描模型 | 第20-22页 |
| 2.4 SAR图像的区域图 | 第22-27页 |
| 2.4.1 SAR图像聚集区域的提取方法 | 第22-23页 |
| 2.4.2 基于射线补全的区域图提取方法 | 第23-27页 |
| 第三章 基于反卷积映射推理网络的SAR图像聚集区域分割 | 第27-45页 |
| 3.1 引言 | 第27页 |
| 3.2 基于反卷积网络的SAR图像聚集区域结构特征学习 | 第27-31页 |
| 3.2.1 反卷积网络 | 第27-29页 |
| 3.2.2 算法描述 | 第29-31页 |
| 3.3 基于映射推理网络的SAR图像聚集区域结构相似性推理 | 第31-37页 |
| 3.3.1 自组织神经网络 | 第31-33页 |
| 3.3.2 映射推理网络 | 第33-35页 |
| 3.3.3 算法描述 | 第35-37页 |
| 3.4 本章算法描述 | 第37-39页 |
| 3.5 实验仿真与分析 | 第39-43页 |
| 3.6 本章小结 | 第43-45页 |
| 第四章 基于反卷积映射推理网络和谱聚类的SAR图像分割 | 第45-59页 |
| 4.1 引言 | 第45-47页 |
| 4.2 基于灰度特征和谱聚类的SAR图像匀质区域分割 | 第47-52页 |
| 4.2.1 SAR图像的灰度特征 | 第47页 |
| 4.2.2 谱聚类 | 第47-49页 |
| 4.2.3 算法描述 | 第49-50页 |
| 4.2.4 实验仿真与分析 | 第50-52页 |
| 4.3 SAR图像结构区域的分割以及各区域分割结果的整合 | 第52-53页 |
| 4.4 本章算法描述 | 第53-54页 |
| 4.5 实验仿真与分析 | 第54-56页 |
| 4.6 对比实验与分析 | 第56-57页 |
| 4.7 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 工作总结 | 第59-60页 |
| 5.2 未来工作展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 作者简介 | 第67-68页 |
