基于目标分解和SVM的POL-SAR图像分类方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-16页 |
| ·课题背景及研究的意义 | 第8-9页 |
| ·国内外研究现状及分析 | 第9-15页 |
| ·POL-SAR系统的发展现状 | 第9-10页 |
| ·POL-SAR图像信息提取 | 第10-12页 |
| ·SVM研究发展现状 | 第12-15页 |
| ·本文主要工作及结构安排 | 第15-16页 |
| 第2章 SVM理论基础 | 第16-27页 |
| ·机器学习的模型 | 第16-18页 |
| ·经验风险最小化原则 | 第17页 |
| ·学习的复杂性和推广能力 | 第17-18页 |
| ·统计学习理论 | 第18-22页 |
| ·学习机器的VC维 | 第19页 |
| ·学习机器推广性的界 | 第19-20页 |
| ·结构风险最小化原则 | 第20-22页 |
| ·SVM方法概述 | 第22-26页 |
| ·最优分类超平面 | 第22-24页 |
| ·广义的最优分类超平面 | 第24-25页 |
| ·核函数的运用 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 POL-SAR图像特征提取 | 第27-44页 |
| ·目标极化散射特性的表示方法 | 第27-29页 |
| ·极化散射矩阵 | 第27-28页 |
| ·极化协方差矩阵 | 第28-29页 |
| ·几种基本极化散射机理 | 第29-31页 |
| ·奇次散射 | 第29页 |
| ·偶散射 | 第29-30页 |
| ·体散射 | 第30页 |
| ·漫散射 | 第30-31页 |
| ·基于相干目标分解的散射特征提取 | 第31-34页 |
| ·Cameron分解 | 第31页 |
| ·SSCM分解 | 第31-32页 |
| ·实验数据 | 第32-33页 |
| ·分解结果及分析 | 第33-34页 |
| ·基于部分相干目标分解的散射特征提取 | 第34-40页 |
| ·Freeman分解 | 第35-36页 |
| ·H/A/alpha分解 | 第36页 |
| ·OEC分解 | 第36-39页 |
| ·分解结果及分析 | 第39-40页 |
| ·基于灰度共生矩阵的纹理特征提取 | 第40-43页 |
| ·灰度共生矩阵 | 第41页 |
| ·灰度共生矩阵的特征参数 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 基于SVM的特征选择和分类 | 第44-56页 |
| ·SVM模型的建立 | 第44-48页 |
| ·SVM的核函数 | 第45-46页 |
| ·SVM的训练算法 | 第46-47页 |
| ·SVM学习算法的步骤 | 第47页 |
| ·SVM多分类器算法 | 第47-48页 |
| ·基于SVM的特征选择和分类 | 第48-52页 |
| ·训练和测试样本的选择 | 第48-49页 |
| ·SVM参数的选择 | 第49-51页 |
| ·基于SVM的POL-SAR图像分类 | 第51-52页 |
| ·几种不同分类方法的比较 | 第52-55页 |
| ·Cameron 分类 | 第52页 |
| ·H/alpha 分类 | 第52-54页 |
| ·人工神经网络分类 | 第54-55页 |
| ·几种分类结果的比较 | 第55页 |
| ·本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 攻读学位期间发表的学术论文 | 第62-64页 |
| 致谢 | 第64页 |
