| 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14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 遥感领域研究现状与存在问题 | 第15-16页 |
| 1.3 深度卷积神经网络的具体应用以及存在问题 | 第16页 |
| 1.4 论文的主要创新点以及章节安排 | 第16-20页 |
| 第二章 遥感图像理论基础 | 第20-28页 |
| 2.1 极化SAR图像理论基础 | 第20-24页 |
| 2.1.1 测量数据简单变换和组合的特征 | 第21-23页 |
| 2.1.2 目标分解的特征 | 第23-24页 |
| 2.2 多源遥感图像理论基础 | 第24-28页 |
| 2.2.1 多源遥感图像概述 | 第24-25页 |
| 2.2.2 现有的多源遥感图像融合算法 | 第25页 |
| 2.2.3 对现有的多源遥感图像融合算法的改进思路 | 第25-28页 |
| 第三章 基于非下采样轮廓波卷积神经网络的极化SAR图像分类 | 第28-42页 |
| 3.1 深度卷积神经网络理论基础 | 第28-29页 |
| 3.2 非下采样轮廓波变换理论基础 | 第29-31页 |
| 3.3 非下采样轮廓波卷积神经网络的框架设计及数学推导公式 | 第31-33页 |
| 3.3.1 非下采样轮廓波卷积神经网络的框架设计 | 第31-33页 |
| 3.3.2 非下采样轮廓波卷积神经网络的数学推导公式 | 第33页 |
| 3.4 基于非下采样轮廓波卷积神经网络的极化SAR图像分类步骤 | 第33-34页 |
| 3.5 实验条件以及实验结果分析 | 第34-40页 |
| 3.5.1 弗莱福兰（荷兰）地区 | 第34-36页 |
| 3.5.2 旧金山海湾地区 | 第36-38页 |
| 3.5.3 德国地区 | 第38-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第四章 基于Contourlet-CNN的多源遥感图像分类 | 第42-58页 |
| 4.1 多尺度深度滤波器理论基础 | 第42-43页 |
| 4.1.1 Gabor滤波器 | 第42页 |
| 4.1.2 多尺度深度轮廓波滤波器组 | 第42-43页 |
| 4.2 Contourlet-CNN的框架设计及数学推导公式 | 第43-46页 |
| 4.2.1 Contourlet-CNN的框架设计 | 第43-44页 |
| 4.2.2 Contourlet-CNN的数学推导公式 | 第44-46页 |
| 4.3 基于Contourlet-CNN的多源遥感图像分类步骤 | 第46-47页 |
| 4.4 实验条件以及实验结果分析 | 第47-55页 |
| 4.4.1 2016 IEEE遥感数据融合竞赛_图像 1 | 第47-49页 |
| 4.4.2 2016 IEEE遥感数据融合竞赛_图像 2 | 第49-51页 |
| 4.4.3 西安地区_图像 3 | 第51-53页 |
| 4.4.4 西安地区_图像 4 | 第53-55页 |
| 4.5 本章小结 | 第55-58页 |
| 第五章 基于复数轮廓波卷积神经网络的极化SAR图像分类 | 第58-72页 |
| 5.1 复数卷积神经网络 | 第58-60页 |
| 5.2 复数轮廓波卷积神经网络的框架设计及数学推导公式 | 第60-64页 |
| 5.2.1 复数轮廓波卷积神经网络的框架设计 | 第60-61页 |
| 5.2.2 复数轮廓波卷积神经网络的数学推导公式 | 第61-64页 |
| 5.3 基于复数轮廓波卷积神经网络的极化SAR图像分类步骤 | 第64-65页 |
| 5.4 实验条件以及实验结果分析 | 第65-70页 |
| 5.4.1 弗莱福兰（荷兰）地区 | 第66-68页 |
| 5.4.2 旧金山海湾地区 | 第68-69页 |
| 5.4.3 德国地区 | 第69-70页 |
| 5.5 本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 全文工作总结 | 第72-73页 |
| 6.2 工作展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 作者简介 | 第80-82页 |
