| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题研究背景、目的及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 偏振图像的处理国外研究现状 | 第9-10页 |
| 1.2.2 偏振图像的处理国内研究现状 | 第10-12页 |
| 1.3 文章内容安排 | 第12-13页 |
| 第二章 预处理及常见分类方法简介 | 第13-28页 |
| 2.1 偏振图像的配准处理 | 第13-19页 |
| 2.1.1 几种常见的配准方法 | 第14-18页 |
| 2.1.2 偏振图像的配准实验 | 第18-19页 |
| 2.2 常用分类方法简介 | 第19-27页 |
| 2.2.1 支持向量机的分类方法 | 第20-22页 |
| 2.2.2 基于稀疏表示的分类方法 | 第22-24页 |
| 2.2.3 基于深度学习-卷积神经网络的分类方法 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于改进支持向量机的分类方法研究 | 第28-35页 |
| 3.1 改进的基于支持向量机的分类方法研究 | 第28-31页 |
| 3.1.1 三维离散小波变换 | 第29页 |
| 3.1.2 概率支持向量机 | 第29-30页 |
| 3.1.3 马尔科夫随机场 | 第30-31页 |
| 3.2 综合改进的支持向量机偏振图像分类实验 | 第31-34页 |
| 3.2.1 实验数据说明 | 第31页 |
| 3.2.2 实验结果及分析 | 第31-34页 |
| 3.3 本章总结 | 第34-35页 |
| 第四章 基于深度学习的偏振图像分类研究 | 第35-49页 |
| 4.1 2D-CNN+MRF的分类实验 | 第35-40页 |
| 4.1.1 算法原理及流程 | 第35-37页 |
| 4.1.2 实验结果与分析 | 第37-40页 |
| 4.2 1D+2D+3D-CNN-MRF的分类实验研究 | 第40-48页 |
| 4.2.1 算法原理及流程 | 第40-42页 |
| 4.2.2 实验结果与多种方法对比分析 | 第42-48页 |
| 4.3 本章总结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 工作总结 | 第49-50页 |
| 5.2 工作展望 | 第50-51页 |
| 参考文献 | 第51-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间发表的学术论文 | 第59页 |