| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8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 |
| 1.2 极化SAR图像数据 | 第16-19页 |
| 1.2.1 极化SAR数据表示 | 第16-18页 |
| 1.2.2 极化SAR数据的统计分布 | 第18-19页 |
| 1.3 极化SAR图像分类算法研究现状和存在的问题 | 第19-22页 |
| 1.3.1 极化SAR图像分类算法研究现状 | 第19-21页 |
| 1.3.2 极化SAR图像分类算法存在的问题 | 第21-22页 |
| 1.4 本文的主要内容及结构安排 | 第22-25页 |
| 第二章 基于散射能量和堆栈自编码的极化SAR图像分类 | 第25-45页 |
| 2.1 引言 | 第25页 |
| 2.2 基于散射能量和堆栈自编码的极化SAR图像分类算法 | 第25-34页 |
| 2.2.1 散射能量特征 | 第26页 |
| 2.2.2 去取向理论 | 第26-30页 |
| 2.2.3 局部空间信息 | 第30-31页 |
| 2.2.4 堆栈自编码网络 | 第31-33页 |
| 2.2.5 算法实现步骤 | 第33-34页 |
| 2.3 实验分析 | 第34-43页 |
| 2.3.1 Flevoland极化SAR图像实验分析 | 第35-38页 |
| 2.3.2 San Francisco Bay极化SAR图像实验分析 | 第38-40页 |
| 2.3.3 Scattering SSAE算法分析 | 第40-43页 |
| 2.4 本章小结 | 第43-45页 |
| 第三章 基于faster Wishart的卷积网络极化SAR图像分类 | 第45-63页 |
| 3.1 引言 | 第45页 |
| 3.2 基于faster Wishart的卷积网络极化SAR图像分类算法 | 第45-54页 |
| 3.2.1 Faster Wishart | 第45-50页 |
| 3.2.2 Wishart CNN | 第50-51页 |
| 3.2.3 深度Wishart CNN网络(W-CNN) | 第51-52页 |
| 3.2.4 网络训练 | 第52-54页 |
| 3.3 实验分析 | 第54-60页 |
| 3.3.1 验证faster Wishart | 第54-55页 |
| 3.3.2 Flevoland极化SAR图像实验分析 | 第55-57页 |
| 3.3.3 San Francisco Bay地区的极化SAR图像实验分析 | 第57-59页 |
| 3.3.4 W-DSN算法分析 | 第59-60页 |
| 3.4 本章小结 | 第60-63页 |
| 第四章 基于闭合U形语义分割网络和Wishart分布的极化SAR图像分类 | 第63-85页 |
| 4.1 引言 | 第63-65页 |
| 4.2 图像语义分割网络 | 第65-68页 |
| 4.2.1 U-net | 第66-68页 |
| 4.3 基于闭合U形语义分割网络和Wishart的极化SAR分类算法 | 第68-75页 |
| 4.3.1 极化SAR数据处理 | 第68-70页 |
| 4.3.2 闭合的U形分割网络 | 第70-73页 |
| 4.3.3 基于分割图的快速Wishart分类器 | 第73-74页 |
| 4.3.4 Close-U-net深度神经网络训练 | 第74-75页 |
| 4.4 实验结果与分析 | 第75-84页 |
| 4.4.1 实验数据 | 第75页 |
| 4.4.2 对比算法 | 第75-76页 |
| 4.4.3 San Francisco Bay地区的极化SAR图像实验分析 | 第76-78页 |
| 4.4.4 Oberpfaffenhofen地区的极化SAR图像实验分析 | 第78-80页 |
| 4.4.5 数据增强比较 | 第80-81页 |
| 4.4.6 网络层数比较 | 第81-84页 |
| 4.5 总结 | 第84-85页 |
| 第五章 总结与展望 | 第85-87页 |
| 5.1 工作总结 | 第85-86页 |
| 5.2 展望 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91-93页 |
| 作者简介 | 第93页 |
