基于支持向量机的SAR图像增强与分类
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-14页 |
| ·研究背景及选题意义 | 第8-11页 |
| ·研究背景 | 第8-10页 |
| ·选题依据 | 第10-11页 |
| ·SAR 图像成像后处理的研究背景及现状 | 第11-12页 |
| ·本文研究内容及章节安排 | 第12-14页 |
| 2 合成孔径雷达 | 第14-22页 |
| ·合成孔径雷达的成像原理 | 第14-15页 |
| ·SAR 图像斑点 | 第15-18页 |
| ·斑点形成机理 | 第15-16页 |
| ·乘性斑点模型 | 第16-18页 |
| ·SAR 图像基本特点 | 第18-19页 |
| ·SAR 图像数据收集 | 第19-20页 |
| ·SAR 图像解译 | 第20-22页 |
| 3 图像增强与分类原理 | 第22-32页 |
| ·图像增强原理及方法 | 第22-24页 |
| ·空域方法 | 第23页 |
| ·频域增强方法 | 第23-24页 |
| ·遥感图像分类的原理及传统方法 | 第24-32页 |
| ·遥感图像分类原理 | 第24-27页 |
| ·遥感图像分类的传统方法 | 第27-30页 |
| ·模式分类设计 | 第30-32页 |
| 4 统计学习理论与支持向量机 | 第32-44页 |
| ·统计学习理论 | 第32-37页 |
| ·机器学习 | 第32-34页 |
| ·经验风险最小化 | 第34页 |
| ·复杂性和泛化能力 | 第34-35页 |
| ·SLT 基本内容 | 第35页 |
| ·VC 维和推广性的界 | 第35-37页 |
| ·核函数 | 第37-39页 |
| ·核函数理论 | 第37-38页 |
| ·核函数性质 | 第38页 |
| ·组合核函数 | 第38-39页 |
| ·支持向量机 | 第39-42页 |
| ·最优超平面 | 第39-41页 |
| ·SVC 算法 | 第41-42页 |
| ·支持向量回归机 | 第42-44页 |
| ·ε不敏感损失函数 | 第42-43页 |
| ·SVR 算法 | 第43-44页 |
| 5 基于支持向量机的SAR 图像增强与分类 | 第44-61页 |
| ·SAR 图像增强 | 第44-49页 |
| ·支持向量回归网滤波器的设计 | 第44-45页 |
| ·训练样本设计 | 第45页 |
| ·支持向量回归算法 | 第45-46页 |
| ·实验结果及对比验证 | 第46-49页 |
| ·SAR 图像分类 | 第49-61页 |
| ·基于灰度共生矩阵的纹理分析方法 | 第50-52页 |
| ·训练样本提取 | 第52-53页 |
| ·训练支持向量机文件 | 第53-56页 |
| ·实验结果及对比验证 | 第56-61页 |
| 6 结论 | 第61-62页 |
| ·总结 | 第61页 |
| ·展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录 | 第66页 |
