首页--工业技术论文--无线电电子学、电信技术论文--雷达论文--雷达设备、雷达站论文--雷达接收设备论文--数据、图像处理及录取论文

基于多层自编码和超像素的极化SAR图像分类

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

论文共75页,点击 下载论文
上一篇:基于邻域嵌入的图像超分辨重建方法研究
下一篇:基于信息融合与匀质区域提取的SAR图像变化检测