| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 SAR图像的分类方法 | 第15-16页 |
| 1.3 深度学习发展概况 | 第16-17页 |
| 1.4 本文的主要工作及结构安排 | 第17-20页 |
| 1.4.1 本文的主要工作 | 第17-18页 |
| 1.4.2 本文的结构安排 | 第18-20页 |
| 第二章 基于Gamma分布的异质超像素SAR图像预分割方法 | 第20-31页 |
| 2.1 引言 | 第20页 |
| 2.2 超像素生成算法 | 第20-21页 |
| 2.3 Turbopixels超像素生成算法 | 第21-23页 |
| 2.4 Turbopixels超像素对SAR图像生成结果和结果分析 | 第23-24页 |
| 2.5 Gamma分布 | 第24-25页 |
| 2.6 参数估计方法和部分超像素异质性参数估计结果 | 第25-27页 |
| 2.6.1 参数估计方法 | 第25-26页 |
| 2.6.2 部分超像素异质性估计结果 | 第26-27页 |
| 2.7 K均值算法 | 第27-28页 |
| 2.8 实验步骤 | 第28页 |
| 2.9 实验结果对比与分析 | 第28-30页 |
| 2.10 本章小结 | 第30-31页 |
| 第三章 基于自适应堆叠自编码器的SAR图像分类算法 | 第31-48页 |
| 3.1 引言 | 第31页 |
| 3.2 基于自适应堆叠自编码器的SAR图像分类算法 | 第31-41页 |
| 3.2.1 自适应稀疏自编码器结构在SAR图像中输入特征的构建 | 第31-32页 |
| 3.2.2 PCA降维 | 第32页 |
| 3.2.3 自编码器 | 第32-35页 |
| 3.2.4 反向传播算法 | 第35-37页 |
| 3.2.5 SVM分类器 | 第37-40页 |
| 3.2.6 分类算法流程 | 第40-41页 |
| 3.3 实验结果与分析 | 第41-46页 |
| 3.4 本章小结 | 第46-48页 |
| 第四章 基于异质超像素分割和自适应多尺度稀疏自编码器分类方法 | 第48-58页 |
| 4.1 引言 | 第48页 |
| 4.2 多尺度特征提取和融合 | 第48-49页 |
| 4.3 KNN算法 | 第49-50页 |
| 4.4 实验步骤 | 第50-51页 |
| 4.5 实验结果与分析 | 第51-56页 |
| 4.6 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-62页 |
| 5.1 本文的创新之处 | 第58-59页 |
| 5.2 SAR图像分类研究热点与难点 | 第59-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |
