| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 遥感场景分类的研究现状 | 第12-14页 |
| 1.3 舰船识别的研究现状 | 第14-16页 |
| 1.4 论文内容与组织结构 | 第16-18页 |
| 第二章 图像特征学习 | 第18-28页 |
| 2.1 全局特征 | 第18-22页 |
| 2.1.1 Gabor滤波器 | 第18-19页 |
| 2.1.2 局部二值模式 | 第19-20页 |
| 2.1.3 完全局部二值模式 | 第20-22页 |
| 2.2 局部特征 | 第22-25页 |
| 2.2.1 视觉词袋模型 | 第22-23页 |
| 2.2.2 空间金字塔匹配模型 | 第23-24页 |
| 2.2.3 费舍尔向量特征表示 | 第24-25页 |
| 2.3 本章小结 | 第25-28页 |
| 第三章 基于MS-CLBP和FV特征学习的场景图像分类 | 第28-42页 |
| 3.1 基于MS-CLBP和FV的特征提取算法 | 第28-32页 |
| 3.1.1 多尺度的CLBP | 第28-29页 |
| 3.1.2 基于分块的MS-CLBP特征提取 | 第29-31页 |
| 3.1.3 费舍尔核函数表示 | 第31-32页 |
| 3.2 实验内容和分析 | 第32-40页 |
| 3.2.1 实验数据介绍 | 第32-34页 |
| 3.2.2 参数调节优化 | 第34-36页 |
| 3.2.3 FV表示与BOVW模型的对比 | 第36-37页 |
| 3.2.4 实验结果与分析 | 第37-40页 |
| 3.3 本章小结 | 第40-42页 |
| 第四章 基于多特征学习的光学图像的舰船识别 | 第42-60页 |
| 4.1 多特征学习方法 | 第42-47页 |
| 4.1.1 特征提取 | 第44-46页 |
| 4.1.2 特征级融合 | 第46-47页 |
| 4.1.3 决策级融合 | 第47页 |
| 4.2 实验内容和分析 | 第47-58页 |
| 4.2.1 数据集介绍 | 第48-49页 |
| 4.2.2 参数调节 | 第49-52页 |
| 4.2.3 BCCT200-resize数据实验结果 | 第52-55页 |
| 4.2.4 VAIS数据实验结果 | 第55-58页 |
| 4.3 本章小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 研究成果及发表的学术论文 | 第70-72页 |
| 作者和导师简介 | 第72-74页 |
| 附件 | 第74-75页 |