| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景和意义 | 第15页 |
| 1.2 研究现状 | 第15-16页 |
| 1.3 研究方法以及现存问题 | 第16-18页 |
| 1.3.1 主要研究方法 | 第16-17页 |
| 1.3.2 存在的主要问题 | 第17-18页 |
| 1.4 论文架构和内容安排 | 第18-21页 |
| 第二章 SAR图像变化检测与无监督分类方法 | 第21-31页 |
| 2.1 SAR图像变化检测问题描述 | 第21-22页 |
| 2.2 SAR图像变化检测数据集 | 第22-25页 |
| 2.3 SAR图像变化检测评价标准 | 第25-26页 |
| 2.4 深度学习理论 | 第26-30页 |
| 2.4.1 深度学习思想 | 第26页 |
| 2.4.2 深度学习与神经网络 | 第26-27页 |
| 2.4.3 深度学习训练过程 | 第27-28页 |
| 2.4.4 深度学习模型——Auto Encoder自动编码器 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于深度学习的SAR图像变化检测 | 第31-53页 |
| 3.1 限制性波尔兹曼机 (Restricted Boltzmann Machines) 的原理及使用 | 第31-35页 |
| 3.1.1 能量模型 | 第31-33页 |
| 3.1.2 Gibbs抽样和CD算法 | 第33-34页 |
| 3.1.3 RBMs使用方法 | 第34-35页 |
| 3.1.4 RBMs一般用途 | 第35页 |
| 3.2 FCM联合分类算法 | 第35-37页 |
| 3.3 基于深度学习的SAR图像变化检测算法 | 第37-42页 |
| 3.3.1 样本选择 | 第38-39页 |
| 3.3.2 深度网络构造 | 第39-42页 |
| 3.4 实验结果与参数分析 | 第42-52页 |
| 3.4.1 预训练与样本选择的性能 | 第42-44页 |
| 3.4.2 深度学习方法的性能 | 第44-47页 |
| 3.4.3 深度学习算法的灵活性 | 第47-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于改进邻域比及广义高斯K&I阈值分割的SAR图像变化检测 | 第53-71页 |
| 4.1 邻域比算子 | 第53-54页 |
| 4.2 广义高斯K&I阈值算法 | 第54-58页 |
| 4.3 基于WNR和修正的K&I阈值分割的SAR图像变化检测算法 | 第58-60页 |
| 4.3.1 加权邻域比算子 | 第58-59页 |
| 4.3.2 修正的广义K&I阈值分割算法 | 第59-60页 |
| 4.4 实验结果与分析 | 第60-69页 |
| 4.4.1 实验设置 | 第61页 |
| 4.4.2 参数分析 | 第61页 |
| 4.4.3 渥太华数据集实验结果 | 第61-66页 |
| 4.4.4 伯尔尼数据集实验结果 | 第66-69页 |
| 4.5 本章小结 | 第69-71页 |
| 第五章 基于多尺度小波分解的SAR图像变化检测 | 第71-77页 |
| 5.1 水平集原理 | 第71-73页 |
| 5.2 基于多尺度小波分解的SAR图像变化检测 | 第73-74页 |
| 5.3 实验结果与分析 | 第74-76页 |
| 5.3.1 渥太华数据集实验结果 | 第74-75页 |
| 5.3.2 伯尔尼数据集实验结果 | 第75页 |
| 5.3.3 黄河稻田D数据集实验结果 | 第75-76页 |
| 5.4 本章小结 | 第76-77页 |
| 第六章 结论和展望 | 第77-79页 |
| 6.1 研究结论 | 第77-78页 |
| 6.2 研究展望 | 第78-79页 |
| 参考文献 | 第79-85页 |
| 致谢 | 第85-87页 |
| 作者简介 | 第87-88页 |
