| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-18页 |
| 1.3 论文内容与安排 | 第18-20页 |
| 第二章 极化SAR理论基础 | 第20-34页 |
| 2.1 电磁矢量波和极化的表征 | 第20-24页 |
| 2.1.1 单色电磁平面波 | 第20-21页 |
| 2.1.2 极化的表征 | 第21-24页 |
| 2.2 散射体的极化描述 | 第24-27页 |
| 2.3 极化目标分解 | 第27-30页 |
| 2.4 经典的极化SAR图像的分类方法 | 第30-32页 |
| 2.4.1 基于Cloude分解的极化SAR图像无监督分类方法 | 第30-31页 |
| 2.4.2 H/α/Wishart的极化SAR图像分类方法 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 基于多层特征学习和空间信息的极化SAR图像半监督分类方法 | 第34-52页 |
| 3.1 引言 | 第34-36页 |
| 3.2 栈式稀疏自编码器的相关理论 | 第36-38页 |
| 3.2.1 单层稀疏自编码 | 第36-37页 |
| 3.2.2 栈式稀疏自编码器 | 第37页 |
| 3.2.3 微调和分类 | 第37-38页 |
| 3.3 Turbopixel超像素算法 | 第38-39页 |
| 3.4 基于多层特征学习和空间信息的极化SAR图像半监督分类方法 | 第39-40页 |
| 3.5 本章算法实现 | 第40-41页 |
| 3.6 实验结果及分析 | 第41-46页 |
| 3.7 本章小结 | 第46-52页 |
| 第四章 基于最小生成森林的极化SAR图像分类方法 | 第52-64页 |
| 4.1 引言 | 第52页 |
| 4.2 种子点的选取 | 第52-53页 |
| 4.3 基于最小生成森林的极化SAR图像分类 | 第53-55页 |
| 4.3.1 相似度的度量 | 第53页 |
| 4.3.2 最小生成森林的构建 | 第53-55页 |
| 4.4 本章算法实现 | 第55-56页 |
| 4.5 实验结果及分析 | 第56-59页 |
| 4.6 本章小结 | 第59-64页 |
| 第五章 基于快速密度峰值寻找与发现的极化SAR图像分类方法 | 第64-76页 |
| 5.1 引言 | 第64-65页 |
| 5.2 快速密度峰值寻找与发现的聚类算法相关理论 | 第65-66页 |
| 5.2.1 决策图的构建 | 第65-66页 |
| 5.2.2 聚类过程 | 第66页 |
| 5.3 基于快速密度峰值寻找与发现的极化SAR图像分类方法 | 第66-67页 |
| 5.3.1 距离的度量 | 第66页 |
| 5.3.2 后处理 | 第66-67页 |
| 5.4 本章算法实现 | 第67-68页 |
| 5.5 实验结果及分析 | 第68-71页 |
| 5.6 本章小结 | 第71-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 本文的研究成果 | 第76-77页 |
| 6.2 进一步研究方向 | 第77-78页 |
| 参考文献 | 第78-84页 |
| 致谢 | 第84-86页 |
| 作者简介 | 第86-87页 |
