| 论文创新点 | 第5-12页 |
| 缩写索引 | 第12-14页 |
| 摘要 | 第14-16页 |
| ABSTRACT | 第16-17页 |
| 第一章 引言 | 第18-27页 |
| 1.1 研究背景和研究意义 | 第18-19页 |
| 1.2 研究现状及存在的问题 | 第19-25页 |
| 1.2.1 极化SAR影像分类 | 第19-21页 |
| 1.2.2 极化SAR影像分割 | 第21-25页 |
| 1.3 本文研究目的与主要内容 | 第25-26页 |
| 1.3.1 研究目的 | 第25页 |
| 1.3.2 主要内容 | 第25-26页 |
| 1.4 章节安排 | 第26-27页 |
| 第二章 极化SAR基本理论 | 第27-60页 |
| 2.1 极化电磁波的表征 | 第27-31页 |
| 2.1.1 极化椭圆 | 第27-30页 |
| 2.1.2 Jones矢量 | 第30页 |
| 2.1.3 Stokes矢量 | 第30-31页 |
| 2.2 极化SAR数据的矩阵描述 | 第31-37页 |
| 2.2.1 极化散射矩阵 | 第31-32页 |
| 2.2.2 协方差矩阵与相干矩阵 | 第32-35页 |
| 2.2.3 Mueller矩阵 | 第35-36页 |
| 2.2.4 Stokes矩阵 | 第36-37页 |
| 2.3 极化合成 | 第37-38页 |
| 2.4 极化SAR数据的统计特性 | 第38-45页 |
| 2.4.1 单极化SAR数据统计特性 | 第39-42页 |
| 2.4.2 全极化SAR数据统计特性 | 第42-45页 |
| 2.5 极化目标分解 | 第45-59页 |
| 2.5.1 基本散射机制 | 第46-53页 |
| 2.5.2 Pauli分解 | 第53-54页 |
| 2.5.3 Cloude-Pottier分解 | 第54-57页 |
| 2.5.4 Freeman-Durden三分量分解 | 第57-59页 |
| 2.6 本章小结 | 第59-60页 |
| 第三章 极化SAR影像超像素分割 | 第60-90页 |
| 3.1 常用的超像素分割方法 | 第61-70页 |
| 3.1.1 Ncut分割 | 第61-65页 |
| 3.1.2 GBMS分割 | 第65-70页 |
| 3.2 PolSLIC超像素分割 | 第70-79页 |
| 3.2.1 SLIC算法 | 第71-73页 |
| 3.2.2 Po1SLIC算法 | 第73-79页 |
| 3.3 实验数据及其预处理 | 第79-82页 |
| 3.4 分割效果评价 | 第82-88页 |
| 3.4.1 与原始SLIC算法的比较 | 第82-84页 |
| 3.4.2 与Ncut和GBMS算法的比较 | 第84-88页 |
| 3.5 实验结论 | 第88-89页 |
| 3.6 本章小结 | 第89-90页 |
| 第四章 面向对象的极化SAR影像分类 | 第90-112页 |
| 4.1 常用的极化SAR分类器 | 第90-93页 |
| 4.1.1 Wishart最大似然分类器 | 第91-92页 |
| 4.1.2 随机森林(RF) | 第92-93页 |
| 4.2 集成学习基本思想 | 第93-96页 |
| 4.2.1 Bagging方法 | 第94-95页 |
| 4.2.2 Boosting方法 | 第95-96页 |
| 4.3 极化SAR RBM-AdaBoost分类算法 | 第96-101页 |
| 4.3.1 受限玻尔兹曼机(RBM) | 第96-99页 |
| 4.3.2 自适应提升框架 | 第99-100页 |
| 4.3.3 RBM-AdaBost算法 | 第100-101页 |
| 4.4 实验数据及其预处理 | 第101-103页 |
| 4.5 实验结果分析 | 第103-110页 |
| 4.5.1 评价指标 | 第103页 |
| 4.5.2 RBM分类效果分析 | 第103-107页 |
| 4.5.3 与其它方法的比较 | 第107-110页 |
| 4.6 实验结论 | 第110-111页 |
| 4.7 本章小结 | 第111-112页 |
| 第五章 总结与展望 | 第112-114页 |
| 5.1 主要成果及创新点 | 第112页 |
| 5.2 下一步研究方向 | 第112-114页 |
| 参考文献 | 第114-131页 |
| 攻博期间取得的学术成果 | 第131-134页 |
| 致谢 | 第134-135页 |