| 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12-15页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.1.1 SAR图像分割与解译的研究背景 | 第15页 |
| 1.1.2 SAR图像分割与解译的研究意义 | 第15-16页 |
| 1.2 图像分割的研究现状 | 第16-20页 |
| 1.2.1 光学图像分割 | 第16-18页 |
| 1.2.2 SAR图像分割 | 第18页 |
| 1.2.3 光学图像语义分割 | 第18-19页 |
| 1.2.4 SAR图像语义分割 | 第19-20页 |
| 1.3 层次视觉语义模型的理论基础 | 第20-21页 |
| 1.3.1 Marr视觉计算理论框架 | 第20页 |
| 1.3.2 初始素描模型 | 第20-21页 |
| 1.4 SAR图像的层次视觉语义模型 | 第21-23页 |
| 1.4.1 SAR图像的素描模型 | 第21页 |
| 1.4.2 SAR图像的区域图 | 第21-22页 |
| 1.4.3 SAR图像像素子空间的划分 | 第22-23页 |
| 1.5 论文的主要内容安排 | 第23-25页 |
| 第二章 基于素描结构聚类的图像块选择策略的SAR图像语义分割 | 第25-47页 |
| 2.1 引言 | 第25页 |
| 2.2 聚类算法 | 第25-27页 |
| 2.2.1 k-means算法 | 第26页 |
| 2.2.2 距离计算 | 第26-27页 |
| 2.3 基于素描结构的聚类方法 | 第27-37页 |
| 2.3.1 基于素描结构的距离度量 | 第27-32页 |
| 2.3.2 基于空间位置的聚类中心集合构建 | 第32-37页 |
| 2.4 深度学习研究现状 | 第37-39页 |
| 2.4.1 深度学习的发展 | 第37-38页 |
| 2.4.2 深度学习模型 | 第38页 |
| 2.4.3 G0分布的随机梯度变分贝叶斯模型 | 第38-39页 |
| 2.5 实验仿真及分析 | 第39-45页 |
| 2.5.1 基于欧式距离聚类与基于素描结构距离聚类的对比实验 | 第39-41页 |
| 2.5.2 SAR图像分割结果 | 第41-45页 |
| 2.6 本章小结 | 第45-47页 |
| 第三章 基于超像素分割和素描线段的图像块选择策略的SAR图像语义分割 | 第47-57页 |
| 3.1 引言 | 第47页 |
| 3.2 基于超像素分割的SAR图像阴影区域提取 | 第47-50页 |
| 3.2.1 超像素分割 | 第47-48页 |
| 3.2.2 阴影区域提取 | 第48-50页 |
| 3.3 基于素描线段的SAR图像地物结构提取 | 第50-55页 |
| 3.3.1 素描线段筛选 | 第50-52页 |
| 3.3.2 地物结构提取 | 第52-55页 |
| 3.4 实验仿真及分析 | 第55-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 基于素描线段双侧聚集特性的图像块选择策略的SAR图像语义分割 | 第57-65页 |
| 4.1 引言 | 第57页 |
| 4.2 基于素描线段语义信息的地物结构提取 | 第57-62页 |
| 4.2.1 素描线段的语义信息 | 第57-59页 |
| 4.2.2 地物结构提取 | 第59-62页 |
| 4.2.3 样本集扩充 | 第62页 |
| 4.3 实验仿真及分析 | 第62-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第五章 工作总结与展望 | 第65-67页 |
| 5.1 本文工作总结 | 第65-66页 |
| 5.2 未来工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |
