| 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15-19页 |
| 1.1 研究背景和意义 | 第15页 |
| 1.2 合成孔径雷达简介 | 第15-18页 |
| 1.2.1 合成孔径雷达原理 | 第15-16页 |
| 1.2.2 合成孔径雷达特点 | 第16-17页 |
| 1.2.3 SAR图像变化检测研究现状 | 第17页 |
| 1.2.4 SAR图像变化检测存在的问题 | 第17-18页 |
| 1.3 本文的主要工作与内容安排 | 第18-19页 |
| 第二章 SAR图像变化检测与深度神经网络 | 第19-35页 |
| 2.1 SAR图像变化检测 | 第19-26页 |
| 2.1.1 SAR图像变化检测 | 第19-22页 |
| 2.1.2 SAR图像变化检测数据集 | 第22-24页 |
| 2.1.3 SAR图像变化检测评价标准 | 第24-26页 |
| 2.2 深度神经网络 | 第26-34页 |
| 2.2.1 神经网络 | 第27-30页 |
| 2.2.2 深度信念网络（DBN） | 第30-31页 |
| 2.2.3 稀疏自编码器（SAE） | 第31-33页 |
| 2.2.4 卷积神经网络（CNN） | 第33-34页 |
| 2.3 深度神经网络在变化检测中的应用 | 第34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于SAE和CNN的SAR图像特征学习和变化检测 | 第35-51页 |
| 3.1 基于深度神经网络的SAR图像特征学习和变化检测 | 第35-40页 |
| 3.1.1 算法介绍 | 第35-36页 |
| 3.1.2 基于SAE的特征学习 | 第36-37页 |
| 3.1.3 基于FCM的特征聚类 | 第37-38页 |
| 3.1.4 基于CNN的特征分类 | 第38-40页 |
| 3.2 实验结果与参数分析 | 第40-48页 |
| 3.2.1 参数分析 | 第40-43页 |
| 3.2.2 深度学习方法的抗噪性能分析 | 第43-44页 |
| 3.2.3 深度学习方法性能分析 | 第44-48页 |
| 3.3 本章小结 | 第48-51页 |
| 第四章 基于SAE特征提取的判断SAR图像变化检测阈值的方法 | 第51-65页 |
| 4.1 Kittler & Illingworth算法(KI) | 第51-55页 |
| 4.1.1 基于广义高斯分布的KI（GGKI）算法 | 第51-54页 |
| 4.1.2 Double thresholding KI (DTKI)算法 | 第54-55页 |
| 4.2 基于SAE特征提取的判断SAR图像变化检测阈值的方法 | 第55-60页 |
| 4.2.1 算法介绍 | 第55-57页 |
| 4.2.2 KI算法后验概率替换 | 第57-60页 |
| 4.3 实验结果及分析 | 第60-63页 |
| 4.3.1 渥太华数据集 | 第60-61页 |
| 4.3.2 伯尔尼数据集 | 第61-62页 |
| 4.3.3 黄河数据集 | 第62-63页 |
| 4.3.4 旧金山数据集 | 第63页 |
| 4.4 基于SAE和CNN的变化检测方法与改进的KI算法对比 | 第63-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 总结和展望 | 第65-67页 |
| 5.1 研究结论 | 第65-66页 |
| 5.2 研究展望 | 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 |
