| 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14-22页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 研究现状和发展趋势 | 第15-19页 |
| 1.2.1 SAR图像统计特性 | 第15-16页 |
| 1.2.2 SAR图像分类方法 | 第16-17页 |
| 1.2.3 深度学习发展概况 | 第17-19页 |
| 1.3 论文主要工作及内容安排 | 第19-22页 |
| 1.3.1 本文主要工作 | 第19页 |
| 1.3.2 本文结构安排 | 第19-22页 |
| 第二章 SAR图像分类的基础理论 | 第22-34页 |
| 2.1 引言 | 第22页 |
| 2.2 SAR图像的统计特性 | 第22-24页 |
| 2.2.1 对数正态分布 | 第23页 |
| 2.2.2 K分布 | 第23-24页 |
| 2.2.3 威布尔分布 | 第24页 |
| 2.2.4 伽马分布 | 第24页 |
| 2.3 基于传统方法的SAR图像分类 | 第24-31页 |
| 2.3.1 几种常见的底层特征 | 第25-28页 |
| 2.3.2 常见分类器 | 第28-31页 |
| 2.4 超像素算法 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 基于伽马分布的深度置信网的SAR图像分类 | 第34-52页 |
| 3.1 引言 | 第34页 |
| 3.2 传统的受限玻尔兹曼机及深度置信网络 | 第34-39页 |
| 3.2.1 传统受限玻尔兹曼机 | 第34-36页 |
| 3.2.2 对比散度算法 | 第36-38页 |
| 3.2.3 深度置信网 | 第38-39页 |
| 3.3 新型的受限玻尔兹曼机 | 第39-42页 |
| 3.4 基于GARBM构成DBN的SAR图像分类 | 第42-45页 |
| 3.4.1 初始特征的提取 | 第42-43页 |
| 3.4.2 本方法的实现步骤 | 第43-45页 |
| 3.5 实验与分析 | 第45-49页 |
| 3.5.1 相关参数分析 | 第45-46页 |
| 3.5.2 模拟SAR图像的分类结果与分析 | 第46-48页 |
| 3.5.3 真实SAR图像的分类结果与分析 | 第48-49页 |
| 3.6 本章小结 | 第49-52页 |
| 第四章 基于超像素分割与最大比例校正算法的SAR图像分类 | 第52-64页 |
| 4.1 引言 | 第52页 |
| 4.2 基于超像素分割与最大比例校正算法的SAR图像分类 | 第52-55页 |
| 4.2.1 SLIC超像素分割算法 | 第52-53页 |
| 4.2.2 最大比例校正算法 | 第53页 |
| 4.2.3 本方法的实验步骤 | 第53-55页 |
| 4.2.4 相关参数分析 | 第55页 |
| 4.3 模拟SAR图像的分类结果与分析 | 第55-59页 |
| 4.4 真实SAR图像的分类结果与分析 | 第59-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第五章 总结与展望 | 第64-68页 |
| 5.1 本文的创新之处 | 第64-65页 |
| 5.2 SAR图像分类的研究热点与难点 | 第65-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 作者简介 | 第74-75页 |