| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-21页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 极化SAR影像分类研究现状 | 第16-17页 |
| 1.2.2 基于深度学习的SAR影像分类研究现状 | 第17-19页 |
| 1.3 论文研究内容与组织结构 | 第19-21页 |
| 第2章 极化SAR基本原理与ResNet模型概述 | 第21-37页 |
| 2.1 极化SAR机理分析 | 第21-24页 |
| 2.1.1. 电磁波的极化表征 | 第21-22页 |
| 2.1.2. 极化散射矩阵 | 第22-24页 |
| 2.2 ResNet模型概述 | 第24-33页 |
| 2.2.1 引言 | 第24-26页 |
| 2.2.2 ResNet模型构建 | 第26-32页 |
| 2.2.3 ResNet模型应用 | 第32-33页 |
| 2.3 TensorFlow深度学习框架 | 第33-35页 |
| 2.3.1 环境搭建 | 第34页 |
| 2.3.2 计算图模型 | 第34-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第3章 极化SAR影像目标分解与特征选取 | 第37-51页 |
| 3.1 PolSAR影像目标分解 | 第37-44页 |
| 3.1.1 基于Kennaugh矩阵的目标分解 | 第37-39页 |
| 3.1.2 基于特征矢量的目标分解 | 第39-42页 |
| 3.1.3 基于散射模型的目标分解 | 第42-43页 |
| 3.1.4 相干目标分解 | 第43-44页 |
| 3.2 不同雷达植被指数对比 | 第44-48页 |
| 3.2.1 实验数据介绍 | 第45页 |
| 3.2.2 RVI计算 | 第45-46页 |
| 3.2.3 不同RVI对比 | 第46-48页 |
| 3.3 分类特征集优化 | 第48-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第4章 基于ResNet模型的全极化SAR影像分类 | 第51-59页 |
| 4.1 引言 | 第51页 |
| 4.2 基于ResNet模型的PolSAR影像分类应用 | 第51-55页 |
| 4.2.1 实验数据介绍与预处理 | 第51-54页 |
| 4.2.3 基于像素的ResNet模型PolSAR数据分类 | 第54-55页 |
| 4.3 实验结果与分析 | 第55-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 基于超像素与ResNet模型的全极化SAR影像分类 | 第59-65页 |
| 5.1 SLIC算法简介 | 第59-61页 |
| 5.2 基于SLIC分割与ResNet模型的全极化SAR影像分类 | 第61-62页 |
| 5.3 实验结果与分析 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 论文总结与展望 | 第65-67页 |
| 6.1 工作总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72页 |
