SAR图像舰船检测与分类方法研究
| 致谢 | 第6-7页 |
| 摘要 | 第7-8页 |
| ABSTRACT | 第8页 |
| 第一章 绪论 | 第14-23页 |
| 1.1 舰船检测与分类的研究背景与意义 | 第14-16页 |
| 1.2 研究现状 | 第16-22页 |
| 1.2.1 SAR舰船检测研究现状 | 第16-20页 |
| 1.2.2 SAR舰船分类研究现状 | 第20-22页 |
| 1.3 论文研究内容及安排 | 第22-23页 |
| 第二章 预处理和目标特征提取 | 第23-46页 |
| 2.1 SAR图像成像机理 | 第23-26页 |
| 2.1.1 SAR图像成像模型 | 第23-24页 |
| 2.1.2 SAR图像成像分辨率 | 第24-26页 |
| 2.2 SAR图像预处理 | 第26-33页 |
| 2.2.1 SAR图像Lee滤波 | 第26-28页 |
| 2.2.2 SAR图像入射角校正 | 第28-30页 |
| 2.2.3 SAR图像几何校正 | 第30-33页 |
| 2.3 舰船目标样本制作 | 第33-40页 |
| 2.3.1 基于灰度直方图迭代的船海分离技术 | 第33-36页 |
| 2.3.2 舰船目标样本提取 | 第36-40页 |
| 2.4 常用舰船特征提取算法 | 第40-44页 |
| 2.4.1 几何结构特征 | 第41-42页 |
| 2.4.2 后向散射特征 | 第42-43页 |
| 2.4.3 灰度分布特征 | 第43-44页 |
| 2.4.4 变换域特征 | 第44页 |
| 2.5 本章小结 | 第44-46页 |
| 第三章 基于深度学习的舰船目标检测方法 | 第46-58页 |
| 3.1 从浅层学习到深度学习 | 第46-48页 |
| 3.1.1 浅层学习 | 第46-47页 |
| 3.1.2 深度学习 | 第47-48页 |
| 3.2 常用深度学习方法 | 第48-52页 |
| 3.2.1 卷积神经网络 | 第48-50页 |
| 3.2.2 深度置信网络 | 第50-52页 |
| 3.3 基于深度神经网络的舰船目标检测算法 | 第52-54页 |
| 3.3.1 算法流程 | 第52-53页 |
| 3.3.2 堆栈降噪自编码器结构搭建 | 第53-54页 |
| 3.3.3 特征融合 | 第54页 |
| 3.4 实验结果与分析 | 第54-57页 |
| 3.5 本章小结 | 第57-58页 |
| 第四章 基于上层建筑散射特征的舰船目标分类方法 | 第58-68页 |
| 4.1 上层建筑散射特征分析 | 第58-60页 |
| 4.1.1 油船 | 第58-59页 |
| 4.1.2 散装货船 | 第59-60页 |
| 4.1.3 集装箱船 | 第60页 |
| 4.2 基于维度比的舰船目标分类 | 第60-65页 |
| 4.2.1 算法流程 | 第60-61页 |
| 4.2.2 维度比特征 | 第61-65页 |
| 4.3 实验结果与分析 | 第65-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第五章 工作总结及展望 | 第68-70页 |
| 5.1 工作总结 | 第68-69页 |
| 5.2 工作展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第76-77页 |
