基于先验信息辅助的高分辨率SAR图像分类方法研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 缩略词表 | 第11-12页 |
| 第一章 绪论 | 第12-26页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 研究现状与存在问题 | 第14-21页 |
| 1.2.1 SAR图像分类研究现状概述 | 第14-15页 |
| 1.2.2 SAR图像分类存在的关键问题 | 第15-18页 |
| 1.2.3 发展趋势与先验信息有效引入的必要性 | 第18-19页 |
| 1.2.4 基于条件随机场的先验信息建模与集成 | 第19-21页 |
| 1.3 本文主要研究工作 | 第21-23页 |
| 1.4 论文组织结构 | 第23-26页 |
| 第二章 先验信息与条件随机场模型 | 第26-44页 |
| 2.1 引言 | 第26-27页 |
| 2.2 先验信息与分类 | 第27-31页 |
| 2.2.1 分类问题的概率表示 | 第27-29页 |
| 2.2.2 先验信息在分类中的主要表现 | 第29-31页 |
| 2.3 基于条件随机场的先验信息表示 | 第31-35页 |
| 2.3.1 条件随机场定义 | 第32-34页 |
| 2.3.2 基于条件随机场的先验信息表示模型 | 第34-35页 |
| 2.4 条件随机场推理与学习 | 第35-43页 |
| 2.4.1 Mean field估计方法 | 第36-37页 |
| 2.4.2 条件随机场推理方法 | 第37-38页 |
| 2.4.3 条件随机场参数学习 | 第38-43页 |
| 2.5 本章小结 | 第43-44页 |
| 第三章 基于空间上下文信息的SAR图像分类 | 第44-64页 |
| 3.1 引言 | 第44-47页 |
| 3.2 基于条件随机场的上下文分类模型 | 第47-48页 |
| 3.2.1 全连接条件随机场 | 第47-48页 |
| 3.2.2 基于全连接条件随机场的分类模型 | 第48页 |
| 3.3 一元分类器 | 第48-50页 |
| 3.3.1 低层特征提取 | 第49-50页 |
| 3.3.2 一元分类器 | 第50页 |
| 3.4 空间上下文表示 | 第50-53页 |
| 3.4.1 局部上下文 | 第50-52页 |
| 3.4.2 全局上下文 | 第52-53页 |
| 3.5 集成空间上下文的CRFs推理与学习 | 第53-57页 |
| 3.5.1 集成空间上下文的CRFs推理方法 | 第53-55页 |
| 3.5.2 集成空间上下文的CRFs参数学习 | 第55-57页 |
| 3.6 实验分析 | 第57-63页 |
| 3.6.1 数据描述 | 第58页 |
| 3.6.2 对比实验 | 第58-60页 |
| 3.6.3 总体实验结果 | 第60页 |
| 3.6.4 局部空间上下文 | 第60-61页 |
| 3.6.5 全局类别兼容性 | 第61-63页 |
| 3.7 本章小结 | 第63-64页 |
| 第四章 基于目标结构先验的SAR图像分类 | 第64-94页 |
| 4.1 引言 | 第64-67页 |
| 4.2 目标结构先验表示 | 第67-69页 |
| 4.2.1 局部类别模式 | 第67-69页 |
| 4.2.2 局部类别模式直方图 | 第69页 |
| 4.3 基于目标结构的集成分类模型 | 第69-74页 |
| 4.3.1 模型总体结构 | 第69-71页 |
| 4.3.2 集成空间上下文的像素层CRFs | 第71-72页 |
| 4.3.3 集成目标结构的区域层CRFs | 第72-74页 |
| 4.4 集成目标结构的CRFs推理与学习 | 第74-79页 |
| 4.4.1 集成目标结构的CRFs推理方法 | 第74-77页 |
| 4.4.2 集成目标结构的CRFs参数学习 | 第77-79页 |
| 4.5 实验分析 | 第79-92页 |
| 4.5.1 实验设置 | 第79页 |
| 4.5.2 仿真图像目标提取 | 第79-85页 |
| 4.5.3 SAR图像舰船目标提取 | 第85-88页 |
| 4.5.4 SAR图像飞机目标提取 | 第88-90页 |
| 4.5.5 总体性能分析 | 第90-92页 |
| 4.6 本章小结 | 第92-94页 |
| 第五章 基于类别比例信息的SAR图像分类 | 第94-114页 |
| 5.1 引言 | 第94-96页 |
| 5.2 基于类别比例的弱监督分类框架 | 第96-97页 |
| 5.3 类别比例表示 | 第97-100页 |
| 5.3.1 基于网格的弱标注 | 第97-98页 |
| 5.3.2 集成类别比例的弱标注 | 第98-100页 |
| 5.4 基于类别比例的弱监督分类模型 | 第100-102页 |
| 5.4.1 模型描述 | 第100-102页 |
| 5.5 集成类别比例的弱监督分类推理与学习 | 第102-105页 |
| 5.5.1 集成类别比例的弱监督分类推理方法 | 第102-105页 |
| 5.6 实验分析 | 第105-112页 |
| 5.6.1 数据描述与实验设置 | 第105页 |
| 5.6.2 总体实验结果 | 第105-107页 |
| 5.6.3 分类性能随网格尺寸和迭代次数变化 | 第107-110页 |
| 5.6.4 方法对类别比例估计误差的鲁棒性 | 第110-111页 |
| 5.6.5 方法的效率和代价优势 | 第111-112页 |
| 5.7 本章小结 | 第112-114页 |
| 第六章 总结与展望 | 第114-118页 |
| 6.1 论文总结 | 第114-115页 |
| 6.2 论文贡献与创新 | 第115页 |
| 6.3 成果列表 | 第115-117页 |
| 6.4 研究展望 | 第117-118页 |
| 参考文献 | 第118-134页 |
| 致谢 | 第134-135页 |
| 攻读博士学位期间参与的科研项目 | 第135-136页 |
| 攻读博士学位期间发表或录用的论文 | 第136-139页 |
