| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景和意义 | 第15页 |
| 1.2 SAR图像变化检测研究现状 | 第15-16页 |
| 1.3 SAR图像变化检测存在的主要问题 | 第16-17页 |
| 1.4 论文主要内容与结构安排 | 第17-19页 |
| 第二章 SAR图像变化检测与无监督神经网络 | 第19-35页 |
| 2.1 SAR图像变化检测 | 第19-25页 |
| 2.1.1 SAR图像变化检测定义 | 第19页 |
| 2.1.2 SAR图像变化检测流程 | 第19-22页 |
| 2.1.3 SAR图像变化检测数据集 | 第22-23页 |
| 2.1.4 SAR图像变化检测评价标准 | 第23-25页 |
| 2.2 无监督神经网络 | 第25-33页 |
| 2.2.1 神经网络介绍 | 第25-26页 |
| 2.2.2 无监督神经网络 | 第26-27页 |
| 2.2.3 限制性玻尔兹曼机(RBM) | 第27-29页 |
| 2.2.4 自动编码器(AE) | 第29-33页 |
| 2.3 本章小结 | 第33-35页 |
| 第三章 基于SDAE特征提取的谱聚类在SAR图像变化检测上的应用 | 第35-49页 |
| 3.1 谱聚类算法 | 第35-37页 |
| 3.2 基于SDAE特征提取的谱聚类在SAR图像变化检测上的应用 | 第37-44页 |
| 3.2.1 算法整体介绍 | 第37-38页 |
| 3.2.2 基于SDAE特征学习的相似度计算 | 第38-40页 |
| 3.2.3 基于邻域信息的谱聚类 | 第40-44页 |
| 3.3 实验结果与分析 | 第44-48页 |
| 3.3.1 渥太华数据集实验结果分析 | 第44-45页 |
| 3.3.2 伯尔尼数据集实验结果分析 | 第45-46页 |
| 3.3.3 黄河稻田地数据集实验结果分析 | 第46-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于SAE多尺度联合特征与FLICM的SAR图像变化检测 | 第49-65页 |
| 4.1 多尺度思想以及图像融合 | 第49-51页 |
| 4.1.1 多尺度思想 | 第49-50页 |
| 4.1.2 图像融合 | 第50-51页 |
| 4.2 基于SAE多尺度联合特征与FLICM的SAR图像变化检测算法 | 第51-55页 |
| 4.2.1 算法整体介绍 | 第51-53页 |
| 4.2.2 SAE输入窗口高斯加权 | 第53-54页 |
| 4.2.3 SAE多尺度特征联合表示 | 第54-55页 |
| 4.3 实验结果与分析 | 第55-64页 |
| 4.3.1 实验设置 | 第55-56页 |
| 4.3.2 SAE不同输入窗口尺度分析 | 第56-57页 |
| 4.3.3 SAE输入窗口高斯加权分析 | 第57-60页 |
| 4.3.4 算法性能分析 | 第60-64页 |
| 4.4 改进谱聚类与基于SAE多尺度联合特征的变化检测方法对比 | 第64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 研究结论 | 第65页 |
| 5.2 研究展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |
