| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-20页 |
| ·论文的研究背景及意义 | 第10-13页 |
| ·国内外研究现状和发展趋势 | 第13-17页 |
| ·极化 SAR 的研究现状和发展趋势 | 第13-14页 |
| ·极化 SAR 图像识别的研究现状和发展趋势 | 第14-17页 |
| ·论文主要工作和结构 | 第17-20页 |
| 第2章 雷达极化的基本理论 | 第20-30页 |
| ·电磁波的极化特性 | 第20-24页 |
| ·极化椭圆 | 第20-22页 |
| ·电磁波的极化表示和 Poincare 球 | 第22-24页 |
| ·雷达目标的极化特性 | 第24-28页 |
| ·相干散射矩阵和协方差矩阵 | 第24-27页 |
| ·Mueller 矩阵和 Stokes 矩阵 | 第27-28页 |
| ·本章小结 | 第28-30页 |
| 第3章 目标的极化分解理论 | 第30-46页 |
| ·基于极化散射矩阵的分解理论 | 第30-33页 |
| ·Pauli 分解 | 第30-31页 |
| ·Krogager 分解 | 第31-33页 |
| ·基于相干矩阵的极化分解 | 第33-38页 |
| ·Cloude-Pottier 分解 | 第33-38页 |
| ·基于目标极化分解理论的非监督分类 | 第38-45页 |
| ·复 Wishart 分类算法和复 Wishart H / α /A非监督分类 | 第38-41页 |
| ·实验验证与分析 | 第41-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 基于 SVM 的极化 SAR 图像分类 | 第46-66页 |
| ·支持向量机分类器 | 第46-53页 |
| ·支持向量机(SVM)理论 | 第46-49页 |
| ·SVM 的核函数 | 第49-51页 |
| ·多类目标识别方法 | 第51-53页 |
| ·基于加权 K 近邻的 SVM 训练样本优化算法和实验分析 | 第53-59页 |
| ·加权 K 近邻训练样本优化算法 | 第53-57页 |
| ·实验与分析 | 第57-59页 |
| ·基于 SVM 的极化 SAR 图像目标分类 | 第59-64页 |
| ·SVM 分类器的特征提取 | 第59-61页 |
| ·实验结果和分析 | 第61-64页 |
| ·本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第74-76页 |
| 致谢 | 第76页 |