| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景 | 第16-17页 |
| 1.2 极化SAR图像分类发展现状 | 第17-19页 |
| 1.3 深度学习发展现状 | 第19-20页 |
| 1.4 本文主要内容以及章节安排 | 第20-22页 |
| 第二章 极化SAR基础理论 | 第22-36页 |
| 2.1 电磁波的极化表征 | 第22-25页 |
| 2.1.1 完全极化电磁波及其Jones矢量 | 第22页 |
| 2.1.2 极化椭圆 | 第22-23页 |
| 2.1.3 Stokes矢量 | 第23-25页 |
| 2.1.4 Poincare球 | 第25页 |
| 2.2 散射目标的极化表示 | 第25-28页 |
| 2.2.1 极化散射矩阵 | 第26页 |
| 2.2.2 Muller矩阵 | 第26-27页 |
| 2.2.3 极化数据的相干矩阵和协方差矩阵 | 第27-28页 |
| 2.3 电磁波的散射机理 | 第28-30页 |
| 2.3.1 平面散射模型 | 第28-29页 |
| 2.3.2 偶次散射模型 | 第29页 |
| 2.3.3 体散射模型 | 第29页 |
| 2.3.4 螺旋散射模型 | 第29-30页 |
| 2.3.5 线散射模型 | 第30页 |
| 2.4 极化分解理论 | 第30-34页 |
| 2.4.1 Pauli分解 | 第31页 |
| 2.4.2 Krogager分解 | 第31-32页 |
| 2.4.3 Cloude分解 | 第32-33页 |
| 2.4.4 Yamaguchi分解 | 第33页 |
| 2.4.5 Freeman分解 | 第33-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第三章 基于多特征融合和DBNs的极化SAR图像分类 | 第36-50页 |
| 3.1 引言 | 第36-37页 |
| 3.2 受限波尔兹曼机及深度置信网 | 第37-42页 |
| 3.2.1 受限波尔兹曼机简介 | 第37-38页 |
| 3.2.2 基于对比散度的RBM快速学习算法 | 第38-40页 |
| 3.2.3 深度置信网 | 第40-41页 |
| 3.2.4 softmax分类器 | 第41-42页 |
| 3.3 基于多特征融合和DBNS的极化SAR图像分类 | 第42-47页 |
| 3.3.1 原始散射特征的提取 | 第43页 |
| 3.3.2 H a 分解的参数特征 | 第43-44页 |
| 3.3.3 灰度共生矩阵纹理分析法 | 第44-45页 |
| 3.3.4 颜色特征的提取 | 第45页 |
| 3.3.5 本方法的具体实现步骤 | 第45-47页 |
| 3.4 实验与分析 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于特征自学习和DBNs的极化SAR图像分类 | 第50-62页 |
| 4.1 引言 | 第50-51页 |
| 4.2 基于特征自学习和DBNs的极化SAR图像分类 | 第51-53页 |
| 4.2.1 获取9维极化SAR数据 | 第51-52页 |
| 4.2.2 使用RBM学习特征 | 第52页 |
| 4.2.3 训练一个DBNs网络 | 第52-53页 |
| 4.3 实验与分析 | 第53-60页 |
| 4.3.1 Flevoland农田子数据图实验 | 第54-57页 |
| 4.3.2 Flevoland全地区数据图的实验 | 第57-58页 |
| 4.3.3 德国Oberpfaffenhofen地区的极化SAR数据实验 | 第58-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 本文的创新之处 | 第62-63页 |
| 5.2 极化SAR图像分类研究热点与难点 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 作者简介 | 第68-69页 |
| 1.基本情况 | 第68页 |
| 2.教育背景 | 第68页 |
| 3.攻读硕士学位期间的研究成果 | 第68-69页 |
