| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 背景介绍 | 第16-17页 |
| 1.2 课题研究的目的和意义 | 第17-18页 |
| 1.3 本文的主要研究内容及论文的结构 | 第18-20页 |
| 第二章 SAR成像原理及SAR图像分割技术 | 第20-24页 |
| 2.1 SAR成像原理和图像特点 | 第20-22页 |
| 2.1.1 SAR成像原理 | 第20-21页 |
| 2.1.2 SAR图像特点 | 第21-22页 |
| 2.2 图像分割技术及研究现状 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 基于自适应窗频域信息和模糊聚类的SAR图像分割 | 第24-40页 |
| 3.1 引言 | 第24页 |
| 3.2 基于方向波的频域信息提取 | 第24-27页 |
| 3.3 基于自适应窗频域信息和改进的FCM的SAR图像分割 | 第27-32页 |
| 3.3.1 自适应窗.的频域信息提取 | 第27-28页 |
| 3.3.2 基于形态相似距离的FCM聚类算法实现 | 第28-31页 |
| 3.3.3 算法实现步骤 | 第31-32页 |
| 3.4 实验结果与分析 | 第32-38页 |
| 3.4.1 人工合成图像实验 | 第32-34页 |
| 3.4.2 真实SAR图像实验 | 第34-37页 |
| 3.4.3 算法的性能提升分析 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于非局部频域信息和支持向量机的SAR图像分割 | 第40-54页 |
| 4.1 引言 | 第40-41页 |
| 4.2 基于凸壳性质的支持向量机的图像分割 | 第41-45页 |
| 4.2.1 支持向量机图像分割 | 第41-43页 |
| 4.2.2 基于凸壳性质选取训练集的支持向量机方法 | 第43-45页 |
| 4.3 基于非局部频域信息和支持向量机的SAR图像分割 | 第45-47页 |
| 4.3.1 基于非局部思想的Pearson相关系数相似性度量 | 第45-47页 |
| 4.3.2 算法实现步骤 | 第47页 |
| 4.4 实验结果与分析 | 第47-53页 |
| 4.4.1 人工合成纹理图像实验 | 第48-50页 |
| 4.4.2 真实SAR图像实验 | 第50-51页 |
| 4.4.3 算法的性能提升分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 基于超像素和正交PSO修正深度学习的SAR图像分割 | 第54-70页 |
| 5.1 引言 | 第54页 |
| 5.2 深度学习网络算法的图像分割 | 第54-59页 |
| 5.2.1 深度学习网络 | 第54-57页 |
| 5.2.2 CNN卷积神经网络算法的图像分割 | 第57-59页 |
| 5.3 PSO粒子群算法优化卷积神经网络 | 第59-61页 |
| 5.3.1 粒子群优化算法理论 | 第59-60页 |
| 5.3.2 基于正交试验设计的PSO网络优化 | 第60-61页 |
| 5.4 基于超像素和正交PSO优化的CNN的SAR图像分割 | 第61-64页 |
| 5.4.1 算法实现步骤 | 第61页 |
| 5.4.2 不同图像的网络参数调整 | 第61-64页 |
| 5.5 实验结果与分析 | 第64-68页 |
| 5.5.1 人工合成纹理图像实验 | 第64-66页 |
| 5.5.2 真实SAR图像实验 | 第66-68页 |
| 5.6 本章小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 全文总结 | 第70-71页 |
| 6.2 研究展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-79页 |
