| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究历史与现状 | 第11-12页 |
| 1.3 极化SAR图像分类技术发展 | 第12-13页 |
| 1.4 本论文的主要研究内容 | 第13-15页 |
| 第二章 极化SAR基础理论 | 第15-26页 |
| 2.1 引言 | 第15页 |
| 2.2 电磁波的极化表征 | 第15-18页 |
| 2.2.1 极化椭圆 | 第15-16页 |
| 2.2.2 Jones矢量 | 第16-17页 |
| 2.2.3 Stokes矢量 | 第17-18页 |
| 2.3 极化SAR数据描述方法 | 第18-21页 |
| 2.3.1 极化散射矩阵 | 第18-19页 |
| 2.3.2 Mueller矩阵 | 第19页 |
| 2.3.3 极化相干矩阵T与协方差矩阵C | 第19-21页 |
| 2.4 极化目标分解理论 | 第21-25页 |
| 2.4.1 相干目标分解 | 第21-23页 |
| 2.4.1.1 Pauli分解 | 第21-22页 |
| 2.4.1.2 Krogager分解 | 第22-23页 |
| 2.4.2 非相干目标分解 | 第23-25页 |
| 2.4.2.1 Cloude分解 | 第23-24页 |
| 2.4.2.2 Freeman分解 | 第24-25页 |
| 2.4.2.3 四成分分解 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 面向对象的极化SAR图像分类 | 第26-48页 |
| 3.1 引言 | 第26页 |
| 3.2 统计区域合并算法 | 第26-27页 |
| 3.3 引入改进的纹理信息的极化SAR图像分割算法 | 第27-34页 |
| 3.3.1 基本的LBP算子及其改进算子 | 第27-29页 |
| 3.3.2 RHLBP算子 | 第29-34页 |
| 3.3.3 基于纹理信息的分割算法合并准则 | 第34页 |
| 3.4 引入颜色信息的面向对象极化SAR图像分类算法 | 第34-36页 |
| 3.4.1 分类中使用的极化特征以及颜色信息的引入 | 第34-35页 |
| 3.4.2 基于SVM的面向对象极化SAR图像分类算法 | 第35-36页 |
| 3.5 实验结果及分析 | 第36-47页 |
| 3.5.1 Flevoland数据 | 第36-44页 |
| 3.5.2 San Francisco数据 | 第44-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 基于稀疏表示的极化SAR图像分类 | 第48-71页 |
| 4.1 引言 | 第48页 |
| 4.2 稀疏表示理论基础 | 第48-52页 |
| 4.2.1 稀疏表示 | 第48-50页 |
| 4.2.2 稀疏表示系数求解算法 | 第50-52页 |
| 4.2.2.1 贪婪算法 | 第50-52页 |
| 4.2.2.2 最优化算法 | 第52页 |
| 4.3 基于原始数据的字典更新算法 | 第52-56页 |
| 4.4 基于稀疏表示的面向对象极化SAR图像分类算法 | 第56-70页 |
| 4.4.1 基于SRC的面向对象极化SAR图像分类算法 | 第56-58页 |
| 4.4.2 基于联合稀疏表示的面向对象极化SAR图像分类算法 | 第58-62页 |
| 4.4.3 实验结果与分析 | 第62-70页 |
| 4.4.3.1 Flevoland数据 | 第62-67页 |
| 4.4.3.2 Foulum数据 | 第67-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 全文总结与展望 | 第71-73页 |
| 5.1 全文总结 | 第71-72页 |
| 5.2 后续工作展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 攻硕期间取得的研究成果 | 第80-81页 |
