| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 研究的背景与意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.3 本文的主要研究内容 | 第19-20页 |
| 第二章 超分辨重建方法介绍 | 第20-28页 |
| 2.1 超分辨重建原理 | 第20-21页 |
| 2.2 超分辨方法介绍 | 第21-25页 |
| 2.2.1 基于插值的方法 | 第21-22页 |
| 2.2.2 基于重建的方法 | 第22-23页 |
| 2.2.3 基于学习的方法 | 第23-25页 |
| 2.3 图像超分辨评价标准 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于卷积网络的SAR图像超分辨重建方法 | 第28-48页 |
| 3.1 SAR图像介绍 | 第28-29页 |
| 3.2 卷积神经网络 | 第29-34页 |
| 3.2.1 常用卷积网络构成 | 第30-31页 |
| 3.2.2 神经网络的训练 | 第31-34页 |
| 3.3 模型改进 | 第34-36页 |
| 3.3.1 残差块 | 第34-35页 |
| 3.3.2 感知损失 | 第35-36页 |
| 3.4 基于多尺度卷积和感知损失的SAR图像超分辨模型 | 第36-38页 |
| 3.4.1 模型结构 | 第36-38页 |
| 3.5 实验分析 | 第38-47页 |
| 3.5.1 实验数据介绍 | 第38-39页 |
| 3.5.2 实验设置 | 第39页 |
| 3.5.3 实验结果 | 第39-46页 |
| 3.5.4 性能分析 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 基于辅助分类信息的生成对抗网络SAR图像超分辨重建方法 | 第48-60页 |
| 4.1 生成对抗网络 | 第48-52页 |
| 4.1.1 GAN网络基本原理和结构 | 第48-49页 |
| 4.1.2 数学模型 | 第49-52页 |
| 4.2 基于辅助信息的生成对抗图像超分辨网络 | 第52-54页 |
| 4.2.1 模型结构 | 第52-54页 |
| 4.3 实验分析 | 第54-59页 |
| 4.3.1 实验数据介绍 | 第54-55页 |
| 4.3.2 实验参数设置 | 第55-56页 |
| 4.3.3 实验结果分析 | 第56-58页 |
| 4.3.4 性能分析 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 基于深度集成学习的图像超分辨重建方法 | 第60-74页 |
| 5.1 集成学习概述 | 第60页 |
| 5.2 集成学习理论 | 第60-61页 |
| 5.3 常见类型的的集成方法 | 第61-62页 |
| 5.3.1 Bagging | 第61页 |
| 5.3.2 Boosting | 第61页 |
| 5.3.3 Bucket of models | 第61-62页 |
| 5.3.4 Stacking | 第62页 |
| 5.4 集成学习的一般规则 | 第62-63页 |
| 5.5 本章实验方案 | 第63-66页 |
| 5.6 实验分析 | 第66-72页 |
| 5.6.1 实验数据介绍 | 第66页 |
| 5.6.2 实验设置 | 第66-67页 |
| 5.6.3 实验结果 | 第67-71页 |
| 5.6.4 实验性能分析 | 第71-72页 |
| 5.7 本章小结 | 第72-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74页 |
| 6.2 展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |