| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 1 绪论 | 第7-9页 |
| ·研究目的及意义 | 第7页 |
| ·研究现状与发展趋势 | 第7-8页 |
| ·论文的主要工作及内容安排 | 第8-9页 |
| 2 支持向量机 | 第9-27页 |
| ·机器学习的基本问题和方法 | 第9-11页 |
| ·机器学习问题的描述 | 第9-10页 |
| ·经验风险最小化原则 | 第10-11页 |
| ·统计学习理论 | 第11-14页 |
| ·学习过程一致性的条件 | 第11页 |
| ·函数集的VC 维 | 第11-12页 |
| ·泛化性的界 | 第12-13页 |
| ·结构风险最小化原则 | 第13-14页 |
| ·支持向量机方法 | 第14-21页 |
| ·线性可分的最优分类面 | 第15-18页 |
| ·线性不可分的最优分类面 | 第18-19页 |
| ·支持向量机 | 第19-21页 |
| ·支持向量机算法 | 第21-25页 |
| ·支持向量机新算法 | 第21-22页 |
| ·支持向量机实现算法 | 第22-24页 |
| ·支持向量机模型选择 | 第24-25页 |
| ·支持向量机方法的特点 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 3 图像分割 | 第27-35页 |
| ·SAR 图像简介 | 第27-28页 |
| ·图像分割定义 | 第28-29页 |
| ·图像分割方法介绍 | 第29-33页 |
| ·基于区域的图像分割 | 第29-31页 |
| ·基于边缘的图像分割 | 第31-33页 |
| ·边缘与区域相结合的图像分割 | 第33页 |
| ·多尺度图像分割 | 第33页 |
| ·实验结果及分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 4 基于支持向量机的单目标SAR 图像分割设计与实现 | 第35-42页 |
| ·分割样本图 | 第35页 |
| ·特征提取 | 第35-38页 |
| ·特征归一化 | 第38页 |
| ·训练样本的选取 | 第38-39页 |
| ·建模 | 第39页 |
| ·实验结果及分析 | 第39-40页 |
| ·分割评价 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 5 基于支持向量机的多目标SAR 图像分割设计与实现 | 第42-49页 |
| ·多类问题的支持向量机方法 | 第42-43页 |
| ·改进的一对一方法 | 第43-44页 |
| ·多目标图像分割实现过程 | 第44-46页 |
| ·样本选取 | 第44-45页 |
| ·特征提取及归一化 | 第45-46页 |
| ·建模 | 第46页 |
| ·多目标分类 | 第46页 |
| ·实验结果及分析 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 6 结论 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 附录 | 第54页 |