| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 合成孔径雷达简介 | 第15-16页 |
| 1.2 极化SAR图像分类简介 | 第16-17页 |
| 1.2.1 极化SAR | 第16页 |
| 1.2.2 极化SAR图像的分类 | 第16-17页 |
| 1.3 深度学习 | 第17-19页 |
| 1.3.1 从传统的机器学习到深度学习 | 第17-19页 |
| 1.3.2 将深度学习引入极化SAR图像分类存在的问题 | 第19页 |
| 1.4 论文的研究内容和各章安排 | 第19-21页 |
| 第二章 基于超像素与栈式稀疏自编码器的极化SAR图像分类方法 | 第21-39页 |
| 2.1 极化SAR数据 | 第21-23页 |
| 2.1.1 极化散射矩阵[S] | 第21-22页 |
| 2.1.2 极化协方差矩阵[C]和极化相干矩阵[T] | 第22-23页 |
| 2.1.3 PauliRGB伪彩图 | 第23页 |
| 2.2 超像素分割算法 | 第23-25页 |
| 2.3 栈式稀疏自编码器的相关理论 | 第25-29页 |
| 2.3.1 栈式稀疏自编码器 | 第25-26页 |
| 2.3.2 softmax分类器 | 第26-28页 |
| 2.3.3 反向传播算法 | 第28-29页 |
| 2.4 基于超像素与栈式稀疏自编码器的极化SAR图像分类方法 | 第29-30页 |
| 2.5 实验结果与分析 | 第30-38页 |
| 2.5.1 实验参数设置及对比算法 | 第30页 |
| 2.5.2 实验数据 | 第30-31页 |
| 2.5.3 实验结果 | 第31-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第三章 基于半监督与集成学习的极化SAR图像分类方法 | 第39-57页 |
| 3.1 极化SAR图像的常见特征 | 第39-45页 |
| 3.1.1 原始特征 | 第39-40页 |
| 3.1.2 极化目标分解特征 | 第40-43页 |
| 3.1.3 纹理特征 | 第43-45页 |
| 3.2 半监督学习 | 第45-46页 |
| 3.3 集成学习 | 第46-48页 |
| 3.4 基于半监督与集成学习的极化SAR图像分类方法 | 第48-50页 |
| 3.5 实验结果与分析 | 第50-56页 |
| 3.5.1 实验参数设置及对比算法 | 第50-51页 |
| 3.5.2 实验数据 | 第51页 |
| 3.5.3 实验结果 | 第51-56页 |
| 3.6 本章小结 | 第56-57页 |
| 第四章 基于超像素与卷积神经网络的极化SAR图像分类方法 | 第57-67页 |
| 4.1 卷积神经网络的相关理论 | 第57-60页 |
| 4.1.1 综述 | 第57-58页 |
| 4.1.2 卷积与池化 | 第58-59页 |
| 4.1.3 结构 | 第59-60页 |
| 4.2 基于超像素与卷积神经网络的极化SAR图像分类方法 | 第60页 |
| 4.3 实验结果与分析 | 第60-66页 |
| 4.3.1 实验参数设置及对比算法 | 第60-61页 |
| 4.3.2 实验数据 | 第61页 |
| 4.3.3 实验结果 | 第61-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 作者简介 | 第75-76页 |
