| 摘要 | 第1-7页 |
| ABSTRACT | 第7-14页 |
| 符号对照表 | 第14-16页 |
| 缩略语对照表 | 第16-22页 |
| 第一章 绪论 | 第22-34页 |
| ·研究的背景及意义 | 第22-24页 |
| ·极化SAR系统的发展 | 第24-25页 |
| ·极化SAR分类的研究现状及难点 | 第25-30页 |
| ·极化SAR分类方法的研究现状 | 第26-29页 |
| ·极化SAR分类方法存在的问题 | 第29-30页 |
| ·论文内容安排 | 第30-34页 |
| 第二章 极化SAR分类的理论基础 | 第34-48页 |
| ·极化的表征 | 第34-38页 |
| ·散射体的极化描述 | 第38-42页 |
| ·极化散射矩阵及矢量化 | 第38-39页 |
| ·Muller矩阵 | 第39-40页 |
| ·Stockes矩阵 | 第40-41页 |
| ·协方差矩阵和相干矩阵 | 第41-42页 |
| ·极化SAR图像的特征提取方法研究现状 | 第42-46页 |
| ·基于极化目标分解的特征提取方法 | 第42-46页 |
| ·其它极化特征 | 第46页 |
| ·本章小结 | 第46-48页 |
| 第三章 基于联合相似性测度和谱聚类集成的极化SAR图像分类 | 第48-70页 |
| ·引言 | 第48-49页 |
| ·谱聚类算法的基本思想 | 第49-54页 |
| ·谱图划分准则 | 第49-51页 |
| ·经典谱聚类算法 | 第51-54页 |
| ·基于空域和极化域的联合相似性测度 | 第54-58页 |
| ·极化SAR数据的空域距离测度 | 第54-55页 |
| ·极化域的特征测度 | 第55-56页 |
| ·联合域的相似性度量 | 第56-58页 |
| ·基于Nystr?m逼近的谱聚类集成策略 | 第58-61页 |
| ·多样性聚类成员的构造 | 第59页 |
| ·共识函数的设计 | 第59-60页 |
| ·谱聚类结果合并的评价准则 | 第60-61页 |
| ·本章方法步骤 | 第61-62页 |
| ·实验结果和分析 | 第62-69页 |
| ·AIRSAR系统L波段Flevoland地区分类结果 | 第62-64页 |
| ·AIRSAR系统L波段旧金山地区分类结果 | 第64-65页 |
| ·ESAR系统L波段Oberpfaffenhofen地区分类结果 | 第65-66页 |
| ·RADARSAT-2 系统C波段西安地区分类结果 | 第66-67页 |
| ·RADARSAT-2 系统C波段Lelystad地区分类结果 | 第67-68页 |
| ·参数敏感性分析 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第四章 基于字典学习和谱聚类集成的极化SAR图像分类 | 第70-86页 |
| ·引言 | 第70页 |
| ·极化SAR图像的特征提取 | 第70-73页 |
| ·极化特征的提取 | 第71页 |
| ·图像纹理特征的提取 | 第71-73页 |
| ·基于拉普拉斯特征映射的维数约简 | 第73-75页 |
| ·基于K-SVD字典学习的Nystr?m逼近 | 第75-78页 |
| ·本章方法步骤 | 第78-79页 |
| ·实验结果及分析 | 第79-85页 |
| ·AIRSAR系统L波段Flevoland地区分类结果 | 第79-81页 |
| ·AIRSAR系统L波段旧金山地区分类结果 | 第81-82页 |
| ·ESAR系统L波段Oberpfaffenhofen地区分类结果 | 第82-83页 |
| ·RADARSAT-2 系统C波段西安地区分类结果 | 第83-84页 |
| ·RADARSAT-2 系统C波段Lelystad地区分类结果 | 第84-85页 |
| ·本章小结 | 第85-86页 |
| 第五章 基于免疫克隆谱聚类的极化SAR图像分类 | 第86-100页 |
| ·引言 | 第86-87页 |
| ·免疫克隆算法 | 第87-90页 |
| ·克隆操作 | 第88页 |
| ·变异操作 | 第88-89页 |
| ·克隆选择操作 | 第89-90页 |
| ·基于免疫克隆的聚类算法 | 第90页 |
| ·基于免疫克隆谱聚类的极化SAR图像分类 | 第90-92页 |
| ·自适应抗体编码 | 第90-91页 |
| ·抗体亲和度 | 第91-92页 |
| ·本章方法步骤 | 第92-93页 |
| ·实验结果及分析 | 第93-99页 |
| ·AIRSAR系统L波段Flevoland地区分类结果 | 第93-95页 |
| ·AIRSAR系统L波段旧金山地区分类结果 | 第95-96页 |
| ·ESAR系统L波段Oberpfaffenhofen地区分类结果 | 第96-98页 |
| ·RADARSAT-2 系统C波段西安地区分类结果 | 第98页 |
| ·RADARSAT-2 系统C波段Lelystad地区分类结果 | 第98-99页 |
| ·ICSC收敛性分析 | 第99页 |
| ·本章小结 | 第99-100页 |
| 第六章 基于流形近邻传播聚类的极化SAR图像分类 | 第100-122页 |
| ·引言 | 第100页 |
| ·基于TurboPixels的超像素分割 | 第100-103页 |
| ·近邻传播聚类方法 | 第103-107页 |
| ·近邻传播聚类 | 第103-107页 |
| ·近邻传播聚类的优点 | 第107页 |
| ·基于流形距离的联合域近邻传播聚类 | 第107-110页 |
| ·流形距离测度 | 第107-108页 |
| ·联合域的相似性矩阵构造 | 第108-110页 |
| ·本章方法步骤 | 第110-111页 |
| ·实验结果及分析 | 第111-120页 |
| ·AIRSAR系统L波段Flevoland地区分类结果 | 第111-115页 |
| ·AIRSAR系统L波段旧金山地区分类结果 | 第115-116页 |
| ·ESAR系统L波段Oberpfaffenhofen地区分类结果 | 第116-118页 |
| ·RADARSAT-2 系统C波段西安地区分类结果 | 第118-119页 |
| ·RADARSAT-2 系统C波段Lelystad地区分类结果 | 第119-120页 |
| ·本章小结 | 第120-122页 |
| 第七章 基于联合域字典学习和稀疏表示的极化SAR图像分类 | 第122-140页 |
| ·引言 | 第122-123页 |
| ·稀疏表示的数学模型和分解算法 | 第123-127页 |
| ·稀疏表示的数学描述 | 第123-125页 |
| ·稀疏分解算法 | 第125-127页 |
| ·稀疏表示的分类模型 | 第127页 |
| ·基于联合域近邻传播聚类的字典学习 | 第127-130页 |
| ·字典学习方法 | 第127-129页 |
| ·基于近邻传播聚类的字典学习 | 第129-130页 |
| ·极化SAR图像的稀疏编码 | 第130-132页 |
| ·本章方法步骤 | 第132页 |
| ·实验结果及分析 | 第132-139页 |
| ·AIRSAR系统L波段Flevoland地区分类结果 | 第132-136页 |
| ·ESAR系统L波段Oberpfaffenhofen地区分类结果 | 第136-138页 |
| ·CDL-SRC的参数敏感性分析 | 第138-139页 |
| ·本章小结 | 第139-140页 |
| 第八章 总结和展望 | 第140-144页 |
| ·工作总结 | 第140-141页 |
| ·展望 | 第141-144页 |
| 参考文献 | 第144-162页 |
| 致谢 | 第162-164页 |
| 作者简介 | 第164-166页 |
