| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 背景介绍 | 第14-16页 |
| 1.2 极化SAR数据分类发展现状 | 第16-19页 |
| 1.3 传统极化SAR数据分类方法存在的问题 | 第19-21页 |
| 1.4 论文内容与安排 | 第21-22页 |
| 第二章 极化SAR理论基础 | 第22-38页 |
| 2.1 极化的表征 | 第22-24页 |
| 2.1.1 极化椭圆和Jones矢量 | 第22-23页 |
| 2.1.2 Stokes矢量和Poincare球 | 第23-24页 |
| 2.2 散射体的极化描述 | 第24-27页 |
| 2.2.1 极化散射矩阵 | 第24页 |
| 2.2.2 Muller矩阵 | 第24-25页 |
| 2.2.3 极化相干矩阵与极化协方差矩阵 | 第25-27页 |
| 2.3 微波成像的散射机理 | 第27-29页 |
| 2.3.1 表面散射 | 第27页 |
| 2.3.2 漫散射 | 第27-28页 |
| 2.3.3 偶次散射 | 第28-29页 |
| 2.3.4 体散射 | 第29页 |
| 2.4 极化目标分解 | 第29-34页 |
| 2.4.1 Puali分解 | 第30页 |
| 2.4.2 SDH分解 | 第30页 |
| 2.4.3 Cloude分解 | 第30-31页 |
| 2.4.4 Freeman-Durden分解 | 第31-32页 |
| 2.4.5 Yamaguchi分解与Holm分解 | 第32-34页 |
| 2.5 极化SAR统计建模 | 第34-36页 |
| 2.5.1 单极化SAR数据统计建模 | 第34-35页 |
| 2.5.2 极化SAR数据统计建模 | 第35-36页 |
| 2.6 本章小结 | 第36-38页 |
| 第三章 张量与稀疏自编码器 | 第38-52页 |
| 3.1 张量与张量代数 | 第38-44页 |
| 3.1.1 张量d阶展开 | 第39页 |
| 3.1.2 张量外积 | 第39-40页 |
| 3.1.3 张量的内积，范数和距离 | 第40页 |
| 3.1.4 张量缩并 | 第40-41页 |
| 3.1.5 张量的d维度乘积 | 第41-42页 |
| 3.1.6 张量分解 | 第42-43页 |
| 3.1.7 张量计算工具 | 第43页 |
| 3.1.8 本文提出的对极化SAR数据的张量表示 | 第43-44页 |
| 3.2 稀疏自编码器 | 第44-50页 |
| 3.2.1 浅层学习与深度学习 | 第44-45页 |
| 3.2.2 深度学习的训练过程 | 第45页 |
| 3.2.3 稀疏自编码器 | 第45-47页 |
| 3.2.4 实验结果与分析 | 第47-50页 |
| 3.3 本章小结 | 第50-52页 |
| 第四章 基于张量和稀疏自编码器的极化SAR图像分类 | 第52-66页 |
| 4.1 基于极化分解和复WISHART分类器的极化SAR图像分类 | 第52-53页 |
| 4.2 基于保持极化散射特性的地物分类方法 | 第53-54页 |
| 4.3 基于张量和稀疏自编码器的极化SAR图像分类 | 第54-58页 |
| 4.3.1 传统分类方法的不足 | 第54页 |
| 4.3.2 基于张量和稀疏自编码器的极化SAR图像分类 | 第54-58页 |
| 4.4 实验结果与分析 | 第58-64页 |
| 4.4.1 实验数据 | 第58-59页 |
| 4.4.2 实验结果与分析 | 第59-64页 |
| 4.5 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-70页 |
| 5.1 本文的创新之处 | 第66页 |
| 5.2 进一步的研究方向 | 第66-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-79页 |
