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16-24页 |
1.1 背景介绍 | 第16-17页 |
1.2 极化SAR理论与分类技术 | 第17-20页 |
1.2.1 极化SAR理论研究 | 第17-18页 |
1.2.2 极化SAR图像分类算法 | 第18-20页 |
1.3 深度学习发展概况 | 第20-21页 |
1.4 本文的主要工作及结构安排 | 第21-24页 |
1.4.1 本文的主要工作 | 第21-22页 |
1.4.2 本文的结构安排 | 第22-24页 |
第二章 极化SAR图像理论基础 | 第24-36页 |
2.1 极化表征 | 第24-27页 |
2.1.1 极化椭圆 | 第24页 |
2.1.2 Jones矢量 | 第24-25页 |
2.1.3 Stokes矢量 | 第25-26页 |
2.1.4 Poincare球 | 第26-27页 |
2.2 目标的变极化效应 | 第27-29页 |
2.2.1 极化散射矩阵 | 第27页 |
2.2.2 Muller矩阵 | 第27-28页 |
2.2.3 极化相干矩阵与极化协方差矩阵 | 第28-29页 |
2.3 微波成像的散射机理 | 第29-32页 |
2.3.1 表面散射 | 第29-30页 |
2.3.2 漫散射 | 第30-31页 |
2.3.3 偶次散射 | 第31页 |
2.3.4 体散射 | 第31-32页 |
2.4 极化分解理论 | 第32-34页 |
2.4.1 Pauli分解 | 第32页 |
2.4.2 SDH分解 | 第32-33页 |
2.4.3 Cloude分解 | 第33页 |
2.4.4 Freeman-Durden分解 | 第33-34页 |
2.4.5 Holm分解 | 第34页 |
2.5 本章小结 | 第34-36页 |
第三章 基于多层自编码的极化SAR图像分类算法 | 第36-54页 |
3.1 引言 | 第36页 |
3.2 深度自编码结构在PolSAR图像上的输入特征的构建 | 第36页 |
3.3 传统的基于机器学习的极化SAR图像分类方法 | 第36-39页 |
3.3.1 基于传统前向反馈型神经网络的极化SAR图像分类方法 | 第37-38页 |
3.3.2 基于SVM的极化SAR图像分类方法 | 第38-39页 |
3.4 基于深度自编码结构的极化SAR图像分类方法 | 第39-46页 |
3.4.1 深度自编码结构理论 | 第39-41页 |
3.4.2 反向传播算法 | 第41-43页 |
3.4.3 Softmax分类器 | 第43-44页 |
3.4.4 分类算法流程 | 第44-46页 |
3.4.5 结构搭建的相关问题思考 | 第46页 |
3.5 实验结果与分析 | 第46-49页 |
3.5.1 农田九类实验结果 | 第47页 |
3.5.2 农田15类实验结果 | 第47-48页 |
3.5.3 德国地区实验结果 | 第48-49页 |
3.6 本章小结 | 第49-54页 |
第四章 基于超像素预分割与最近邻聚类的极化SAR图像分类后处理 | 第54-64页 |
4.1 引言 | 第54页 |
4.2 基于超像素预分割与最近邻聚类的极化SAR图像分类后处理 | 第54-58页 |
4.2.1 超像素算法 | 第54-56页 |
4.2.2 k近邻算法 | 第56-57页 |
4.2.3 实验步骤 | 第57-58页 |
4.3 实验结果与分析 | 第58-59页 |
4.4 本章小结 | 第59-64页 |
第五章 结论和展望 | 第64-68页 |
5.1 本文的创新之处 | 第64-65页 |
5.2 极化SAR图像分类研究热点与难点 | 第65-68页 |
参考文献 | 第68-72页 |
致谢 | 第72-74页 |
作者简介 | 第74-75页 |
1.基本情况 | 第74页 |
2.教育背景 | 第74页 |
3.攻读硕士学位期间的研究成果 | 第74-75页 |