| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13页 |
| 1.2 SAR图像分割的研究现状 | 第13-15页 |
| 1.2.1 SAR图像分割的含义 | 第14页 |
| 1.2.2 SAR图像分割方法分类 | 第14-15页 |
| 1.3 深度学习理论的研究现状 | 第15-17页 |
| 1.3.1 深度学习的动机 | 第15-16页 |
| 1.3.2 经典的深度学习模型 | 第16-17页 |
| 1.3.3 深度学习前沿模型 | 第17页 |
| 1.4 稀疏分类 | 第17页 |
| 1.5 论文的主要内容与安排 | 第17-21页 |
| 第二章 相关工作 | 第21-29页 |
| 2.1 Marr视觉计算理论 | 第21页 |
| 2.2 初始素描模型 | 第21-22页 |
| 2.3 SAR图像素描模型 | 第22-23页 |
| 2.4 划分SAR图像为不同的语义区域 | 第23-26页 |
| 2.4.1 素描线的语义信息 | 第24页 |
| 2.4.2 基于SAR图像素描图和素描线语义信息的聚集区域提取 | 第24-25页 |
| 2.4.3 基于射线补全的区域提取 | 第25-26页 |
| 2.5 脊波冗余字典和Curvelet冗余字典 | 第26-27页 |
| 2.5.1 脊波冗余字典 | 第26-27页 |
| 2.5.2 Curvelet冗余字典 | 第27页 |
| 2.6 本章小结 | 第27-29页 |
| 第三章 基于脊波反卷积网络的SAR图像分割 | 第29-47页 |
| 3.1 引言 | 第29-30页 |
| 3.2 脊波反卷积网络 | 第30-37页 |
| 3.2.1 反卷积网络 | 第30-31页 |
| 3.2.2 脊波反卷积网络模型 | 第31-34页 |
| 3.2.3 脊波反卷积网络的训练过程 | 第34-37页 |
| 3.3 基于脊波反卷积网络的SAR图像聚集区域结构特征学习方法 | 第37-41页 |
| 3.3.1 算法描述 | 第38-39页 |
| 3.3.2 实验仿真与分析 | 第39-41页 |
| 3.4 基于脊波反卷积网络的SAR图像分割 | 第41-46页 |
| 3.4.1 基于区域特征和稀疏分类的聚集区域和匀质区域分割 | 第41-43页 |
| 3.4.2 基于分水岭的SAR图像结构区域分割 | 第43页 |
| 3.4.3 SAR图像聚集区域、匀质区域和结构区域分割结果整合 | 第43-44页 |
| 3.4.4 算法描述 | 第44页 |
| 3.4.5 实验仿真与分析 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于脊波反卷积网络和灰度共生矩阵的SAR图像分割 | 第47-57页 |
| 4.1 引言 | 第47-48页 |
| 4.2 基于脊波反卷积和灰度共生矩阵的SAR图像分割 | 第48-52页 |
| 4.2.1 灰度共生矩阵 | 第48-51页 |
| 4.2.2 基于灰度共生矩阵和层次聚类的SAR图像匀质区域分割 | 第51-52页 |
| 4.3 算法描述 | 第52-53页 |
| 4.4 实验仿真与分析 | 第53-55页 |
| 4.4.1 本章方法实验仿真 | 第53-54页 |
| 4.4.2 对比实验 | 第54-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 论文工作总结 | 第57-58页 |
| 5.2 未来工作展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 作者简介 | 第65-66页 |
