| 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15-21页 |
| 1.1 图像配准的研究背景、意义和研究现状 | 第15-17页 |
| 1.1.1 研究背景、意义 | 第15-16页 |
| 1.1.2 国内外研究现状 | 第16-17页 |
| 1.2 深度学习研究与发展 | 第17-18页 |
| 1.3 本文主要工作及安排 | 第18-21页 |
| 第二章 图像配准方法简介 | 第21-33页 |
| 2.1 数据特性分析 | 第21-22页 |
| 2.1.1 可见光图像 | 第21页 |
| 2.1.2 SAR图像 | 第21-22页 |
| 2.2 图像配准基础知识 | 第22-30页 |
| 2.2.1 图像配准的定义 | 第22-23页 |
| 2.2.2 图像配准方法 | 第23-24页 |
| 2.2.3 图像配准方法的分类 | 第24-28页 |
| 2.2.4 图像配准中常用的几何变换模型 | 第28-30页 |
| 2.2.5 图像重采样 | 第30页 |
| 2.3 图像配准方法评价准则 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于栈式自编码提取特征的SAR图像配准方法 | 第33-55页 |
| 3.1 引言 | 第33-34页 |
| 3.2 SIFT特征检测和匹配算法 | 第34-42页 |
| 3.2.1 SIFT简介 | 第35-38页 |
| 3.2.2 SIFT相关实验分析 | 第38-42页 |
| 3.3 基于栈式自编码网络无监督提取特征的配准方法 | 第42-46页 |
| 3.3.1 自编码网络结构 | 第42-43页 |
| 3.3.2 栈式自编码 | 第43页 |
| 3.3.3 基于栈式自编码网络无监督提取特征 | 第43-46页 |
| 3.4 实验结果及分析 | 第46-53页 |
| 3.4.1 实验数据说明 | 第46-47页 |
| 3.4.2 实验结果及分析 | 第47-53页 |
| 3.5 本章总结 | 第53-55页 |
| 第四章 基于自编码网络的有监督图像配准方法 | 第55-67页 |
| 4.1 引言 | 第55-56页 |
| 4.2 基于自编码网络有监督实现特征匹配 | 第56-61页 |
| 4.2.1 网络训练数据 | 第56-58页 |
| 4.2.2 有监督自编码网络结构 | 第58-59页 |
| 4.2.3 网络预训练和迁移学习 | 第59-60页 |
| 4.2.4 网络用于测试图像 | 第60-61页 |
| 4.3 实验结果及分析 | 第61-65页 |
| 4.4 本章总结 | 第65-67页 |
| 第五章 基于自编码网络的联合优化匹配方法 | 第67-79页 |
| 5.1 引言 | 第67页 |
| 5.2 联合优化整体训练 | 第67-70页 |
| 5.2.1 网络训练数据 | 第67-68页 |
| 5.2.2 整体优化训练方式 | 第68-70页 |
| 5.2.3 网络用于测试图像 | 第70页 |
| 5.3 实验结果及分析 | 第70-76页 |
| 5.4 本章总结 | 第76-79页 |
| 第六章 总结与展望 | 第79-83页 |
| 6.1 总结 | 第79-80页 |
| 6.2 展望 | 第80-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87-89页 |
| 作者简介 | 第89-90页 |