| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 极化SAR地物分类的研究现状及存在问题 | 第15-16页 |
| 1.3 深度学习的研究进展及存在问题 | 第16-17页 |
| 1.4 论文内容与安排 | 第17-19页 |
| 第二章 极化SAR和深度学习的基础理论 | 第19-31页 |
| 2.1 极化SAR的机理分析 | 第19-26页 |
| 2.1.1 电磁波的极化表征 | 第19-23页 |
| 2.1.2 极化散射特性的表示方法 | 第23-26页 |
| 2.2 经典的深度网络学习方法 | 第26-31页 |
| 2.2.1 深度信念网络 | 第26-28页 |
| 2.2.2 自编码器 | 第28页 |
| 2.2.3 卷积神经网络 | 第28-31页 |
| 第三章 基于稀疏极化DBN的极化SAR地物分类 | 第31-43页 |
| 3.1 引言 | 第31页 |
| 3.2 极化SAR数据的极化特征提取 | 第31-33页 |
| 3.3 基于稀疏极化DBN的极化SAR地物分类模型 | 第33-35页 |
| 3.3.1 稀疏极化DBN模型的构建 | 第33页 |
| 3.3.2 稀疏极化DBN的学习 | 第33-35页 |
| 3.4 对比实验结果与分析 | 第35-41页 |
| 3.4.1 Flevoland农田数据实验的结果 | 第35-37页 |
| 3.4.2 Germany数据实验的结果 | 第37-39页 |
| 3.4.3 San Fransical数据的实验结果 | 第39-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 基于稀疏极化自编码网络的极化SAR地物分类 | 第43-51页 |
| 4.1 引言 | 第43页 |
| 4.2 稀疏自编码器 | 第43-45页 |
| 4.2.1 自编码器 | 第43-44页 |
| 4.2.2 稀疏自编码器 | 第44-45页 |
| 4.3 基于稀疏极化自编码网络的极化SAR地物分类模型 | 第45-46页 |
| 4.3.1 稀疏极化自编码网络模型的构建 | 第45-46页 |
| 4.3.2 稀疏极化自编码网络的学习 | 第46页 |
| 4.4 对比实验结果与分析 | 第46-50页 |
| 4.4.1 Flevoland农田数据实验的结果 | 第46-48页 |
| 4.4.2 Germany数据实验的结果 | 第48-49页 |
| 4.4.3 San Francisco数据的实验结果 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 基于SLIC分割和稀疏极化自编码网络的极化SAR地物分类 | 第51-59页 |
| 5.1 引言 | 第51页 |
| 5.2 图像分割算法 | 第51-54页 |
| 5.2.1 图像分割 | 第51-53页 |
| 5.2.2 SLIC算法 | 第53-54页 |
| 5.3 基于SLIC分割和稀疏极化自编码网络的极化SAR地物分类模型 | 第54-55页 |
| 5.4 对比实验结果与分析 | 第55-58页 |
| 5.4.0 Flevoland农田数据实验的结果 | 第55-56页 |
| 5.4.1 Germany数据实验的结果 | 第56-57页 |
| 5.4.2 San Francisco数据的实验结果 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 论文总结与展望 | 第59-61页 |
| 6.1 论文总结 | 第59-60页 |
| 6.2 后期工作与展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 作者简介 | 第67-68页 |
