| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 研究技术简介 | 第11-15页 |
| 1.2.1 光学遥感图像船舶目标检测国内外研究现状 | 第11-14页 |
| 1.2.2 光学遥感图像船舶检测中存在的问题 | 第14页 |
| 1.2.3 单分类支持向量机的国内外研究现状 | 第14-15页 |
| 1.3 论文的主要工作与结构安排 | 第15-19页 |
| 1.3.1 本论文的主要工作 | 第15-16页 |
| 1.3.2 研究框架和论文结构 | 第16-19页 |
| 第2章 基分类器—单类支持向量机概述 | 第19-39页 |
| 2.1 引言 | 第19页 |
| 2.2 统计学习理论 | 第19-22页 |
| 2.2.1 学习问题的表示 | 第19-20页 |
| 2.2.2 期望风险最小化与经验风险最小化 | 第20-21页 |
| 2.2.3 VC维和结构风险最小化 | 第21-22页 |
| 2.3 支持向量机简介 | 第22-26页 |
| 2.3.1 广义最优分类超平面 | 第22-23页 |
| 2.3.2 线性可分支持向量机 | 第23-24页 |
| 2.3.3 近似线性可分支持向量机 | 第24-25页 |
| 2.3.4 非线性可分支持向量机 | 第25-26页 |
| 2.4 单类支持向量分类机 | 第26-31页 |
| 2.4.1 SVDD模型 | 第26-28页 |
| 2.4.2 OC-SVM模型 | 第28-29页 |
| 2.4.3 核函数 | 第29-30页 |
| 2.4.4 OC-SVM与SVDD之间的关系 | 第30-31页 |
| 2.5 实验结果与分析 | 第31-37页 |
| 2.5.1 实验的数据及性能评价指标 | 第31-32页 |
| 2.5.2 RBF核函数下分类器性能分析 | 第32-35页 |
| 2.5.3 OC-SVM算法性能分析 | 第35-37页 |
| 2.6 本章小结 | 第37-39页 |
| 第3章 基于光学遥感图像的船舶目标预检测 | 第39-53页 |
| 3.1 引言 | 第39页 |
| 3.2 图像预处理 | 第39-42页 |
| 3.2.1 去噪处理 | 第39-40页 |
| 3.2.2 海陆分离 | 第40-42页 |
| 3.3 基于顶帽变换的CFAR船舶目标预检测 | 第42-46页 |
| 3.3.1 基于顶帽变换的疑似目标初提取 | 第42-43页 |
| 3.3.2 基于双参数CFAR的疑似目标再判别 | 第43-44页 |
| 3.3.3 实验结果与分析 | 第44-46页 |
| 3.4 候选区域目标特征描述 | 第46-52页 |
| 3.4.1 形状特征提取 | 第46-48页 |
| 3.4.2 灰度统计特征 | 第48-49页 |
| 3.4.3 纹理特征 | 第49-50页 |
| 3.4.4 改进的HOG特征 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 基于层次化堆叠分类器架构的遥感图像船舶检测 | 第53-71页 |
| 4.1 引言 | 第53页 |
| 4.2 层次化堆叠分类器架构设计 | 第53-65页 |
| 4.2.1 问题描述与解决方法 | 第53-56页 |
| 4.2.2 层次化堆叠分类器架构设计 | 第56-64页 |
| 4.2.3 基于层次化堆叠分类器架构的船舶目标检测 | 第64-65页 |
| 4.3 实验结果与分析 | 第65-69页 |
| 4.3.1 实验的数据集与评价指标 | 第65页 |
| 4.3.2 实验设计与结果分析 | 第65-69页 |
| 4.4 本章小结 | 第69-71页 |
| 结论 | 第71-75页 |
| 研究内容总结 | 第71-72页 |
| 本文创新点 | 第72-73页 |
| 论文下一步研究方向 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 攻读学位期间发表论文与研究成果清单 | 第81-82页 |
| 致谢 | 第82页 |
