| 作者简历 | 第5-6页 |
| 摘要 | 第6-8页 |
| abstract | 第8-10页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状与发展趋势 | 第14-16页 |
| 1.2.1 极化SAR统计模型 | 第14-15页 |
| 1.2.2 利用统计信息的极化SAR图像分割 | 第15页 |
| 1.2.3 利用统计信息的极化SAR图像分类 | 第15-16页 |
| 1.3 论文主要工作及结构 | 第16-19页 |
| 第二章 极化SAR图像的统计描述 | 第19-31页 |
| 2.1 极化SAR图像数据表示 | 第19-21页 |
| 2.1.1 散射矩阵 | 第19-20页 |
| 2.1.2 相干矩阵和协方差矩阵 | 第20-21页 |
| 2.2 极化SAR图像统计模型 | 第21-24页 |
| 2.2.1 SAR图像相干斑模型 | 第21-22页 |
| 2.2.2 Wishart统计模型 | 第22-23页 |
| 2.2.3 极化SAR乘积模型 | 第23-24页 |
| 2.3 K分布参数估计 | 第24-28页 |
| 2.3.1 等效视数的估计 | 第25-26页 |
| 2.3.2 形状参数的估计 | 第26-28页 |
| 2.4 极化SAR统计模型的选择 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 选择利用Wishart和K分布的极化SAR图像FNEA分割 | 第31-52页 |
| 3.1 基于FNEA的极化SAR分割模型 | 第32-35页 |
| 3.1.1 分形网络演化分割算法 | 第32-33页 |
| 3.1.2 利用统计特性的极化SAR分割模型 | 第33-35页 |
| 3.2 Wishart和K统计描述的选择 | 第35-36页 |
| 3.3 利用SLIC算法的预分割 | 第36-37页 |
| 3.4 选择利用Wishart和K分布的FNEA分割方法流程 | 第37-42页 |
| 3.4.1 异质度指标阈值的确定 | 第39页 |
| 3.4.2 超像素大小设置 | 第39-40页 |
| 3.4.3 分割权重设置 | 第40-42页 |
| 3.5 实验结果与分析 | 第42-51页 |
| 3.5.1 模拟极化SAR图像分割 | 第42-44页 |
| 3.5.2 真实极化SAR图像分割 | 第44-49页 |
| 3.5.3 实验分析 | 第49-51页 |
| 3.6 本章小结 | 第51-52页 |
| 第四章 利用K分布和空间邻域信息的极化SAR图像对象化分类 | 第52-70页 |
| 4.1 面向对象的概率松弛算法 | 第53-55页 |
| 4.2 综合K分布和空间邻域信息的SEM分类算法 | 第55-58页 |
| 4.2.1 有限混合模型 | 第55页 |
| 4.2.2 随机期望最大算法 | 第55-57页 |
| 4.2.3 分类方法流程 | 第57-58页 |
| 4.3 实验结果与分析 | 第58-69页 |
| 4.3.1 模拟极化SAR图像分类 | 第59-61页 |
| 4.3.2 真实极化SAR图像分类 | 第61-64页 |
| 4.3.3 实验分析 | 第64-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-73页 |
| 5.1 论文主要工作 | 第70-71页 |
| 5.2 创新点 | 第71页 |
| 5.3 展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-79页 |
