| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 极化SAR特征提取现状 | 第12-14页 |
| 1.2.2 极化SAR影像分类的研究现状 | 第14-15页 |
| 1.2.3 特征选择寻优的研究现状 | 第15-17页 |
| 1.3 本文主要研究内容和结构 | 第17-20页 |
| 第二章 实验区及数据准备 | 第20-29页 |
| 2.1 数据源及实验区概况 | 第20-24页 |
| 2.1.1 Radarsat-2 数据 | 第20-21页 |
| 2.1.2 ALOS-PALSAR数据 | 第21-22页 |
| 2.1.3 样本数据 | 第22-24页 |
| 2.2 数据预处理 | 第24-28页 |
| 2.2.1 辐射定标和地理编码 | 第24-25页 |
| 2.2.2 SAR图像滤波 | 第25-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 极化SAR数据分类特征提取与分析 | 第29-46页 |
| 3.1 极化SAR理论基础 | 第29-33页 |
| 3.1.1 极化散射矩阵 | 第29页 |
| 3.1.2 极化散射矩阵的矢量化 | 第29-30页 |
| 3.1.3 极化协方差矩阵和极化相干矩阵 | 第30-33页 |
| 3.2 极化SAR常规极化参数提取与分析 | 第33-34页 |
| 3.3 基于目标分解理论的极化SAR特征提取 | 第34-39页 |
| 3.3.1 Cloude分解 | 第35-37页 |
| 3.3.2 Freeman分解 | 第37-39页 |
| 3.4 极化SAR数据纹理特征提取与分析 | 第39-44页 |
| 3.4.1 灰度共生矩阵 | 第39-40页 |
| 3.4.2 基于灰度共生矩阵的纹理特征提取 | 第40-44页 |
| 3.5 结论 | 第44-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 极化SAR分类方法与特征选择实现 | 第46-61页 |
| 4.1 分类算法及评价指标 | 第46-53页 |
| 4.1.1 基于支持向量机算法的监督分类 | 第47-51页 |
| 4.1.2 基于随机森林算法的监督分类 | 第51-53页 |
| 4.2 特征类别对分类效果的贡献度分析 | 第53-54页 |
| 4.3 基于遗传算法的特征选择 | 第54-60页 |
| 4.3.1 遗传算法概述 | 第54-55页 |
| 4.3.2 遗传算法特征选择实现 | 第55-58页 |
| 4.3.3 实验及结果分析 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 单极化、双极化与全极化SAR分类对比分析 | 第61-73页 |
| 5.1 分类特征提取与分析 | 第61-63页 |
| 5.1.1 全极化 | 第61-62页 |
| 5.1.2 双极化 | 第62-63页 |
| 5.1.3 单极化 | 第63页 |
| 5.2 分类流程 | 第63页 |
| 5.3 实验结果与分析 | 第63-68页 |
| 5.3.1 基于Radarsat-2 数据的分类结果定量分析 | 第63-65页 |
| 5.3.2 基于ALOS-PALSAR数据的分类结果定性分析 | 第65-68页 |
| 5.4 分析与结论 | 第68-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第六章 结论与展望 | 第73-75页 |
| 6.1 结论 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-83页 |