| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 极化SAR图像分类的研究现状和成果 | 第15-17页 |
| 1.3 贝叶斯理论概述 | 第17-18页 |
| 1.4 本文的研究内容 | 第18-20页 |
| 第二章 基于稀疏表示和Wishart距离的极化SAR地物分类 | 第20-32页 |
| 2.1 引言 | 第20页 |
| 2.2 稀疏表示和稀疏系数的求解 | 第20-24页 |
| 2.2.1 稀疏表示模型 | 第21-22页 |
| 2.2.2 字典学习算法 | 第22-23页 |
| 2.2.3 稀疏系数求解方法 | 第23-24页 |
| 2.3 基于稀疏表示和Wishart距离的极化SAR影像地物分类 | 第24-29页 |
| 2.3.1 Wishart距离修正SLIC | 第24-25页 |
| 2.3.2 特征提取过程 | 第25-28页 |
| 2.3.3 本文方法的具体实现步骤 | 第28-29页 |
| 2.4 实验结果与分析 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 基于贝叶斯正则的RBM的极化SAR影像地物分类 | 第32-48页 |
| 3.1 引言 | 第32页 |
| 3.2 RBM和几种经典的学习算法 | 第32-37页 |
| 3.2.1 限制波尔兹曼机简介 | 第32-35页 |
| 3.2.2 训练RBM的方法 | 第35-37页 |
| 3.3 贝叶斯正则下的RBM模型 | 第37-42页 |
| 3.3.1 贝叶斯正则 | 第37-39页 |
| 3.3.2 改进的RBM | 第39-40页 |
| 3.3.3 深度学习网的构建 | 第40-41页 |
| 3.3.4 Softmax分类器 | 第41-42页 |
| 3.3.5 实验步骤 | 第42页 |
| 3.4 实验结果和分析 | 第42-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 基于多特征融合和贝叶斯正则下DBN的极化SAR影像地物分类 | 第48-58页 |
| 4.1 引言 | 第48页 |
| 4.2 特征提取 | 第48-52页 |
| 4.2.1 对极化散射矩阵进行代数运算的得到特征 | 第48-49页 |
| 4.2.2 纹理特征的提取 | 第49-52页 |
| 4.3 基于多特征融合和贝叶斯正则下的DBN的极化SAR影像地物分类 | 第52-53页 |
| 4.4 实验与分析 | 第53-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文的创新点 | 第58-59页 |
| 5.2 极化SAR影像分类研究展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 作者简介 | 第66-67页 |
