| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外研究现状及分析 | 第10-16页 |
| 1.2.1 PolSAR图象特征提取 | 第10-11页 |
| 1.2.2 PolSAR图象地物分类 | 第11-13页 |
| 1.2.3 集成学习理论 | 第13-14页 |
| 1.2.4 选择性集成 | 第14-16页 |
| 1.3 主要研究内容及论文结构 | 第16-17页 |
| 第2章 PolSAR图象的特征提取 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 PolSAR图象特性的表征 | 第17-20页 |
| 2.2.1 极化散射矩阵 | 第17-18页 |
| 2.2.2 相干矩阵和协方差矩阵 | 第18-19页 |
| 2.2.3 实验数据介绍 | 第19-20页 |
| 2.3 极化SAR图象特征提取 | 第20-27页 |
| 2.3.1 基本散射机理 | 第20-22页 |
| 2.3.2 基于目标分解的PolSAR图象特征提取 | 第22-25页 |
| 2.3.3 PolSAR图象纹理特征提取 | 第25-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 选择性集成理论及基分类器构造 | 第29-43页 |
| 3.1 引言 | 第29页 |
| 3.2 集成学习算法的理论基础 | 第29-31页 |
| 3.2.1 集成学习的基本概念 | 第29-30页 |
| 3.2.2 集成学习的作用 | 第30-31页 |
| 3.3 选择性集成理论 | 第31-33页 |
| 3.3.1 选择性集成 | 第31-32页 |
| 3.3.2 理论基础 | 第32-33页 |
| 3.4 基分类器构造 | 第33-37页 |
| 3.4.1 支持向量机分类器 (SVM) | 第33-35页 |
| 3.4.2 神经网络分类器(NN) | 第35-37页 |
| 3.5 PolSAR图象基分类器构造 | 第37-42页 |
| 3.5.1 基于支持向量机的PolSAR图象分类 | 第37-40页 |
| 3.5.2 基于神经网络的PolSAR图象分类 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于选择性集成的PolSAR图象分类 | 第43-56页 |
| 4.1 引言 | 第43页 |
| 4.2 基于模糊C均值聚类的选择性集成PolSAR图象分类 | 第43-49页 |
| 4.2.1 模糊C均值聚类算法 | 第43-44页 |
| 4.2.2 基于模糊C均值聚类的选择性集成模型 | 第44-45页 |
| 4.2.3 基于模糊C均值聚类的选择性集成PolSAR图象分类 | 第45-49页 |
| 4.3 基于遗传算法的选择性集成PolSAR图象分类 | 第49-55页 |
| 4.3.1 遗传算法 | 第49-50页 |
| 4.3.2 基于遗传算法的选择性集成模型 | 第50-52页 |
| 4.3.3 基于遗传算法的选择性集成PolSAR图象分类 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64-66页 |
| 致谢 | 第66页 |
