| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第14-16页 |
| 缩略语对照表 | 第16-21页 |
| 第一章 绪论 | 第21-33页 |
| 1.1 研究的背景和意义 | 第21-23页 |
| 1.2 国内外极化SAR分类方法的研究现状 | 第23-26页 |
| 1.3 半监督学习方法的研究现状 | 第26-29页 |
| 1.4 本文的研究内容与安排 | 第29-33页 |
| 第二章 基于类别估计的自适应无监督极化SAR图像分类方法 | 第33-49页 |
| 2.1 引言 | 第33-34页 |
| 2.2 Yamaguchi分解方法 | 第34-35页 |
| 2.3 K-Wishart分布 | 第35-36页 |
| 2.4 本章方法 | 第36-39页 |
| 2.4.1 初始划分 | 第36-37页 |
| 2.4.2 聚类 | 第37-38页 |
| 2.4.3 本章方法的整个流程 | 第38-39页 |
| 2.5 参数分析 | 第39-41页 |
| 2.5.1 滤波分析 | 第39页 |
| 2.5.2 初始分割策略分析 | 第39-40页 |
| 2.5.3 聚类策略分析 | 第40-41页 |
| 2.6 实验结果与分析 | 第41-47页 |
| 2.6.1 L波段美国旧金山地区的分类结果 | 第42-43页 |
| 2.6.2 C波段中国西安地区的分类结果 | 第43-44页 |
| 2.6.3 C波段荷兰地区的分类结果 | 第44-47页 |
| 2.7 小结 | 第47-49页 |
| 第三章 基于改进协同训练的半监督极化SAR图像分类方法 | 第49-69页 |
| 3.1 引言 | 第49-50页 |
| 3.2 极化SAR特征提取与差异性分析 | 第50-53页 |
| 3.2.1 特征提取 | 第50-52页 |
| 3.2.2 差异性分析 | 第52-53页 |
| 3.3 改进的协同训练过程 | 第53-58页 |
| 3.3.1 预选择过程 | 第54-55页 |
| 3.3.2 样本选择策略 | 第55-56页 |
| 3.3.3 选择样本的性能分析 | 第56-58页 |
| 3.4 后处理 | 第58页 |
| 3.5 参数分析 | 第58-61页 |
| 3.5.1 两组特征之间充分性和独立性分析 | 第59页 |
| 3.5.2 预选择区域分析 | 第59-60页 |
| 3.5.6 协同训练过程中迭代次数分析 | 第60-61页 |
| 3.6 实验结果与分析 | 第61-68页 |
| 3.6.1 AIRSAR L波段荷兰地区的图像分类 | 第62-64页 |
| 3.6.2 Radarsat-2 C波段荷兰地区的图像分类 | 第64-66页 |
| 3.6.3 Radarsat-2 C波段美国旧金山地区的图像分类 | 第66-68页 |
| 3.7 结论 | 第68-69页 |
| 第四章 基于改进Tri-training方法的半监督极化SAR图像分类方法 | 第69-85页 |
| 4.1 引言 | 第69-70页 |
| 4.2 提取高维极化SAR特征 | 第70-71页 |
| 4.3 基于类间离散度和类内离散度比值的序列后向特征选择方法 | 第71-72页 |
| 4.4 基于改进Tri-training方法的半监督极化SAR图像分类方法 | 第72-75页 |
| 4.4.1 建立预选择的样本集 | 第72-73页 |
| 4.4.2 基于改进Tri-training的半监督极化SAR方法的整体过程 | 第73-75页 |
| 4.5 参数分析 | 第75-77页 |
| 4.5.1 预选择区域分析 | 第75-76页 |
| 4.5.2 协同训练过程中迭代次数分析 | 第76-77页 |
| 4.6 实验结果与分析 | 第77-84页 |
| 4.6.1 AIRSAR L波段荷兰地区的图像分类 | 第77-81页 |
| 4.6.2 Radarsat-2 C波段荷兰地区的图像分类 | 第81-82页 |
| 4.6.3 Radarsat-2 C波段美国旧金山地区的图像分类 | 第82-84页 |
| 4.7 结论 | 第84-85页 |
| 第五章 基于邻域最小生成树的半监督极化SAR图像分类方法 | 第85-103页 |
| 5.1 引言 | 第85页 |
| 5.2 邻域最小生成树 | 第85-88页 |
| 5.2.1 最小生成树 | 第85-87页 |
| 5.2.2 基于像素点空间邻域信息的邻域最小生成树 | 第87-88页 |
| 5.3 基于邻域最小生成树的半监督分类方法 | 第88-91页 |
| 5.3.1 基于邻域最小生成树的样本选择方法 | 第88-89页 |
| 5.3.2 本章算法流程 | 第89-91页 |
| 5.4 参数分析 | 第91-94页 |
| 5.4.1 最近邻生成树分析 | 第91-92页 |
| 5.4.2 迭代次数分析 | 第92-93页 |
| 5.4.3 不同样本数分析 | 第93-94页 |
| 5.5 实验结果与分析 | 第94-101页 |
| 5.5.1 AIRSAR L波段荷兰地区的图像分类 | 第94-95页 |
| 5.5.2 Radarsat-2 C波段荷兰地区的图像分类 | 第95-97页 |
| 5.5.3 Radarsat-2 C波段美国旧金山地区的图像分类 | 第97-100页 |
| 5.5.4 迭代次数对实验结果的影响 | 第100-101页 |
| 5.6 结论 | 第101-103页 |
| 第六章 基于空间加权和宽度卷积网络的SAR图像分类方法 | 第103-119页 |
| 6.1 引言 | 第103-104页 |
| 6.2 基于标签传播的数据增强方法 | 第104页 |
| 6.3 卷积神经网络模型 | 第104-108页 |
| 6.3.1 卷积神经网络的卷积层 | 第105-106页 |
| 6.3.2 卷积神经网络的池化层 | 第106-107页 |
| 6.3.3 卷积神经网络的训练 | 第107-108页 |
| 6.4 基于空间加权和宽度卷积神经网络计划SAR图像分类 | 第108-110页 |
| 6.4.1 基于权值的数据预处理 | 第108-109页 |
| 6.4.2 宽度卷积神经网络模型 | 第109-110页 |
| 6.5 参数分析 | 第110-111页 |
| 6.5.1 数据增强分析 | 第110-111页 |
| 6.5.2 选择像素块的大小 | 第111页 |
| 6.6 实验结果与分析 | 第111-117页 |
| 6.6.1 AIRSAR L波段1989年荷兰地区的图像分类 | 第113-115页 |
| 6.6.2 AIRSAR L波段1991年荷兰地区的图像分类 | 第115-117页 |
| 6.7 小结 | 第117-119页 |
| 第七章 总结与展望 | 第119-123页 |
| 7.1 研究总结 | 第119-120页 |
| 7.2 工作展望 | 第120-123页 |
| 参考文献 | 第123-137页 |
| 致谢 | 第137-139页 |
| 作者简介 | 第139-141页 |
