| 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 本课题的背景及研究意义 | 第14-15页 |
| 1.2 基于内容的图像检索技术的研究现状和进展 | 第15-17页 |
| 1.3 多类标学习方法的研究现状和进展 | 第17-20页 |
| 1.4 图像场景分类方法的研究现状和进展 | 第20页 |
| 1.5 本文的研究内容和工作安排 | 第20-22页 |
| 第二章 基于增量SVM的多类标SAR图像场景分类 | 第22-36页 |
| 2.1 算法背景和基本思想 | 第22-25页 |
| 2.1.1 SAR图像库的建立 | 第22-25页 |
| 2.1.2 多类标的标记 | 第25页 |
| 2.2 SAR图像的多尺度特征提取 | 第25-28页 |
| 2.2.1 基于Contourlet变换的多尺度特征 | 第25-27页 |
| 2.2.2 基于Gabor滤波的多尺度GIST特征 | 第27-28页 |
| 2.3 多类标增量SVM分类 | 第28-31页 |
| 2.3.1 增量迭代 | 第28-30页 |
| 2.3.2 减量迭代 | 第30页 |
| 2.3.3 类标预测 | 第30-31页 |
| 2.4 多类标评估标准的设计 | 第31-32页 |
| 2.5 基于增量SVM的多类标场景分类实验与结果分析 | 第32-36页 |
| 第三章 基于增量LDA和多类标kNN的多类标分类 | 第36-44页 |
| 3.1 算法背景和基本思想 | 第36-37页 |
| 3.2 增量LDA对SAR图像特征降维 | 第37-39页 |
| 3.3 多类标kNN分类 | 第39-41页 |
| 3.4 基于增量LDA和多类标kNN的SAR图像场景分类实验及结果分析 | 第41-44页 |
| 第四章 基于深度稀疏滤波的多类标分类 | 第44-54页 |
| 4.1 算法背景和基本思想 | 第44-48页 |
| 4.1.1 非监督特征学习 | 第44页 |
| 4.1.2 特征分布 | 第44-46页 |
| 4.1.3 稀疏滤波 | 第46-48页 |
| 4.2 深度稀疏滤波模型学习特征 | 第48-49页 |
| 4.3 多类标聚算法对图像分类 | 第49-51页 |
| 4.4 基于深度集成稀疏滤波的多类标场景分类实验及结果分析 | 第51-54页 |
| 第五章 基于联合双层锚图模型与哈希编码的SAR图像检索 | 第54-64页 |
| 5.1 算法背景和基本思想 | 第54-56页 |
| 5.2 双层锚图与哈希编码对SAR图像分类 | 第56-58页 |
| 5.3 相似度匹配准则的设计 | 第58页 |
| 5.4 基于联合双层锚图和哈希编码的检索实验及结果分析 | 第58-64页 |
| 第六章 总结和展望 | 第64-68页 |
| 6.1 论文总结 | 第64-65页 |
| 6.2 前景展望 | 第65-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 作者简介 | 第74-75页 |
