| 致谢 | 第7-8页 |
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第16-26页 |
| 1.1 研究背景及意义 | 第16-19页 |
| 1.1.1 合成孔径雷达概述 | 第16-17页 |
| 1.1.2 合成孔径雷达发展历程 | 第17-19页 |
| 1.2 SAR图像分类方法 | 第19-24页 |
| 1.2.1 图像分类简述 | 第20-22页 |
| 1.2.2 SAR图像分类发展现状 | 第22-24页 |
| 1.3 论文的主要工作及结构安排 | 第24-26页 |
| 第二章 SAR图像特性 | 第26-32页 |
| 2.1 SAR工作原理 | 第26-27页 |
| 2.2 SAR图像特征 | 第27-28页 |
| 2.2.1 灰度特征 | 第27页 |
| 2.2.2 纹理特征 | 第27-28页 |
| 2.2.3 几何特征 | 第28页 |
| 2.3 SAR图像噪声 | 第28-30页 |
| 2.3.1 相干斑特性 | 第28-30页 |
| 2.3.2 SAR图像降噪 | 第30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 基于深度学习的SAR图像分类算法噪声干扰性研究 | 第32-42页 |
| 3.1 引言 | 第32-33页 |
| 3.2 深度学习模型 | 第33-35页 |
| 3.2.1 卷积神经网络 | 第33-34页 |
| 3.2.2 堆栈自编码网络 | 第34页 |
| 3.2.3 循环神经网络 | 第34-35页 |
| 3.3 算法实现 | 第35-38页 |
| 3.3.1 深度置信网络 | 第36-37页 |
| 3.3.2 算法流程 | 第37-38页 |
| 3.4 噪声干扰性分析 | 第38-41页 |
| 3.4.1 实验数据集 | 第38-39页 |
| 3.4.2 参数设置 | 第39页 |
| 3.4.3 实验结果分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于区域滤波和深度置信网络的SAR图像分类算法 | 第42-54页 |
| 4.1 引言 | 第42页 |
| 4.2 算法实现 | 第42-48页 |
| 4.2.1 区域滤波 | 第43-46页 |
| 4.2.2 网络训练 | 第46-47页 |
| 4.2.3 算法流程 | 第47-48页 |
| 4.3 实验结果与分析 | 第48-53页 |
| 4.3.1 实验参数 | 第48页 |
| 4.3.2 仿真SAR图像 | 第48-51页 |
| 4.3.3 真实SAR图像 | 第51-53页 |
| 4.4 本章总结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 现有工作总结 | 第54-55页 |
| 5.2 后续研究工作展望 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间的学术活动及成果 | 第61-62页 |