基于深度学习的极化SAR图像分类
| 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11-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 引言 | 第15-16页 |
| 1.2 研究现状 | 第16-19页 |
| 1.2.1 极化SAR分类的研究现状 | 第16-18页 |
| 1.2.2 深度学习的研究现状 | 第18-19页 |
| 1.3 现有方法的不足之处 | 第19-20页 |
| 1.4 本文的研究内容和章节安排 | 第20-23页 |
| 第二章 极化SAR基础知识 | 第23-45页 |
| 2.1 引言 | 第23页 |
| 2.2 极化波的表征 | 第23-25页 |
| 2.2.1 完全极化波的表征 | 第23-24页 |
| 2.2.2 部分极化波的表征 | 第24-25页 |
| 2.2.3 Poincare球 | 第25页 |
| 2.3 散射体的极化描述 | 第25-30页 |
| 2.3.1 极化散射矩阵 | 第26页 |
| 2.3.2 Stokes矩阵 | 第26-28页 |
| 2.3.3 极化协方差矩阵与极化相干矩阵 | 第28-30页 |
| 2.4 极化SAR数据的统计特性 | 第30-31页 |
| 2.4.1 高斯分布 | 第30页 |
| 2.4.2 Wishart分布 | 第30-31页 |
| 2.4.3 其他分布 | 第31页 |
| 2.5 极化SAR的散射机制 | 第31-34页 |
| 2.5.1 表面散射 | 第32页 |
| 2.5.2 漫散射 | 第32-33页 |
| 2.5.3 二次散射 | 第33-34页 |
| 2.5.4 体散射 | 第34页 |
| 2.6 极化SAR目标分解理论 | 第34-43页 |
| 2.6.1 Pauli分解 | 第35-36页 |
| 2.6.2 SDH分解 | 第36-37页 |
| 2.6.3 Cameron分解 | 第37页 |
| 2.6.4 Huynen分解 | 第37-38页 |
| 2.6.5 Freeman-Durden分解 | 第38-40页 |
| 2.6.6 Yamaguchi分解 | 第40-41页 |
| 2.6.7 Cloude分解 | 第41-43页 |
| 2.6.8 Holm分解 | 第43页 |
| 2.7 本章小结 | 第43-45页 |
| 第三章 结合空间信息和DBN的极化SAR分类 | 第45-61页 |
| 3.1 引言 | 第45页 |
| 3.2 深度学习简介 | 第45-47页 |
| 3.2.1 深度学习的结构 | 第45-46页 |
| 3.2.2 深度学习的训练机制 | 第46页 |
| 3.2.3 深度学习的分类 | 第46-47页 |
| 3.3 深度置信网络模型 | 第47-51页 |
| 3.3.1 受限玻尔兹曼机 | 第48-49页 |
| 3.3.2 高斯受限玻尔兹曼机 | 第49-50页 |
| 3.3.3 RBM的学习算法 | 第50-51页 |
| 3.4 极化分解特征和纹理特征的提取 | 第51-56页 |
| 3.4.1 极化后向散射矩阵特征的提取 | 第52页 |
| 3.4.2 基于极化分解的特征提取 | 第52-54页 |
| 3.4.3 基于灰度共生矩阵的纹理特征提取 | 第54-55页 |
| 3.4.4 算法实现步骤 | 第55-56页 |
| 3.5 实验结果和分析 | 第56-60页 |
| 3.6 本章小结 | 第60-61页 |
| 第四章 基于张量和DBN相结合的极化SAR分类 | 第61-73页 |
| 4.1 张量的研究现状及意义 | 第61-62页 |
| 4.2 张量代数 | 第62-68页 |
| 4.2.1 张量纤维和张量展开 | 第63-64页 |
| 4.2.2 张量与矩阵的n模乘积 | 第64-65页 |
| 4.2.3 张量的数学运算 | 第65-66页 |
| 4.2.4 秩一张量 | 第66页 |
| 4.2.5 张量分解 | 第66-67页 |
| 4.2.6 极化SAR数据的张量建模 | 第67-68页 |
| 4.3 基于张量的多线性主元分析方法 | 第68-69页 |
| 4.4 本章算法实现步骤 | 第69-70页 |
| 4.5 实验结果及分析 | 第70-72页 |
| 4.6 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-77页 |
| 5.1 本文算法创新 | 第73-74页 |
| 5.2 未来发展方向 | 第74-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 作者简介 | 第83-84页 |
