| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 SAR图像分类研究现状 | 第16-20页 |
| 1.3 论文的结构安排 | 第20-23页 |
| 第二章 子模性、图模型与字典学习相关理论 | 第23-33页 |
| 2.1 子模性相关理论 | 第23-25页 |
| 2.1.1 离散最优化问题 | 第23-24页 |
| 2.1.2 NP难问题 | 第24页 |
| 2.1.3 子模函数的定义及性质 | 第24页 |
| 2.1.4 贪心算法概述 | 第24-25页 |
| 2.2 图模型概述 | 第25-26页 |
| 2.3 字典学习方法研究 | 第26-33页 |
| 2.3.1 K-SVD算法 | 第26-27页 |
| 2.3.2 D-KSVD算法 | 第27-29页 |
| 2.3.3 LC-KSVD算法 | 第29-33页 |
| 第三章 基于子模聚类的SAR图像分割方法 | 第33-41页 |
| 3.1 引言 | 第33页 |
| 3.2 超像素分割算法概述 | 第33-35页 |
| 3.2.1 Turbopixels算法 | 第34页 |
| 3.2.2 SLIC算法 | 第34-35页 |
| 3.3 构造图模型 | 第35页 |
| 3.4 子模目标函数 | 第35-37页 |
| 3.4.1 随机游走熵率 | 第35-36页 |
| 3.4.2 平衡项 | 第36-37页 |
| 3.4.3 子模目标函数 | 第37页 |
| 3.5 贪心算法求解最大化的子模函数 | 第37页 |
| 3.6 算法实施步骤 | 第37-38页 |
| 3.7 实验结果与分析 | 第38-39页 |
| 3.7.1 实验结果比较 | 第38-39页 |
| 3.7.2 实验结果分析 | 第39页 |
| 3.8 本章小结 | 第39-41页 |
| 第四章 基于改进的空间金字塔特征和SVM的SAR图像分类 | 第41-55页 |
| 4.1 引言 | 第41页 |
| 4.2 支持向量机SVM | 第41-44页 |
| 4.2.1 分类原理 | 第41-42页 |
| 4.2.2 线性SVM | 第42-43页 |
| 4.2.3 非线性SVM | 第43页 |
| 4.2.4 SVM性能分析 | 第43-44页 |
| 4.3 基于BOF模型的空间金字塔特征 | 第44-48页 |
| 4.3.1 尺度不变特征变换 | 第44-47页 |
| 4.3.2 计算空间金字塔特征 | 第47-48页 |
| 4.4 基于稀疏表示的空间金字塔特征 | 第48-49页 |
| 4.4.1 与BOF模型的关系 | 第48页 |
| 4.4.2 算法基本步骤 | 第48-49页 |
| 4.5 基于子模稀疏表示的空间金字塔特征 | 第49-50页 |
| 4.5.1 与传统基于稀疏编码的空间金字塔特征的关系 | 第49页 |
| 4.5.2 算法基本步骤 | 第49-50页 |
| 4.6 实验结果与分析 | 第50-53页 |
| 4.6.1 实验结果比较 | 第50-52页 |
| 4.6.2 实验结果分析 | 第52-53页 |
| 4.7 本章小结 | 第53-55页 |
| 第五章 基于改进的空间金字塔特征和子模字典学习的SAR图像分类 | 第55-69页 |
| 5.1 引言 | 第55页 |
| 5.2 子模目标函数 | 第55-57页 |
| 5.2.1 判别项 | 第55-56页 |
| 5.2.2 子模目标函数 | 第56-57页 |
| 5.3 贪心算法求解及改进的字典构造方法 | 第57-58页 |
| 5.3.1 贪心算法优化 | 第57-58页 |
| 5.3.2 字典构建 | 第58页 |
| 5.4 算法具体实施步骤 | 第58-59页 |
| 5.5 实验结果与分析 | 第59-66页 |
| 5.5.1 实验结果比较 | 第59-65页 |
| 5.5.2 实验结果分析 | 第65-66页 |
| 5.6 本章小结 | 第66-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |
