| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景与意义 | 第16页 |
| 1.2 极化SAR图像相关理论基础 | 第16-20页 |
| 1.2.1 极化SAR成像 | 第17-18页 |
| 1.2.2 极化SAR图像的散射特性 | 第18-20页 |
| 1.3 极化SAR图像分类的研究现状 | 第20-21页 |
| 1.4 研究内容与创新点 | 第21-22页 |
| 1.5 论文架构与内容安排 | 第22-24页 |
| 第二章 基于空间点域K近邻的增量式小样本分类 | 第24-44页 |
| 2.1 引言 | 第24页 |
| 2.2 DI-KNN分类方法 | 第24-28页 |
| 2.2.1 空间邻域和点域距离 | 第24-25页 |
| 2.2.2 空间点域K近邻应用于极化SAR图像地物分类 | 第25-28页 |
| 2.3 实验结果与分析 | 第28-42页 |
| 2.3.1 荷兰Flevoland图像的实验结果与分析 | 第28-31页 |
| 2.3.2 美国San Francisco Bay图像的实验结果与分析 | 第31-33页 |
| 2.3.3 德国ESAR图像的实验结果与分析 | 第33-35页 |
| 2.3.4 西安图像的实验结果与分析 | 第35-37页 |
| 2.3.5 荷兰Flevoland1图像的实验结果与分析 | 第37-40页 |
| 2.3.6 KNN、DKNN与DI-KNN的实验结果与分析 | 第40-42页 |
| 2.3.7 邻域大小对方法性能的影响 | 第42页 |
| 2.4 本章小结 | 第42-44页 |
| 第三章 基于双通道低秩与空间极化距离的小样本分类 | 第44-64页 |
| 3.1 引言 | 第44-45页 |
| 3.2 DLSPN分类方法 | 第45-48页 |
| 3.2.1 低秩矩阵分解 | 第45页 |
| 3.2.2 DLSPN应用于极化SAR图像地物分类 | 第45-48页 |
| 3.3 实验结果与分析 | 第48-62页 |
| 3.3.1 荷兰Flevoland图像的实验结果与分析 | 第49-51页 |
| 3.3.2 美国San Francisco Bay图像的实验结果与分析 | 第51-54页 |
| 3.3.3 德国ESAR图像的实验结果与分析 | 第54-56页 |
| 3.3.4 西安图像的实验结果与分析 | 第56-58页 |
| 3.3.5 荷兰Flevoland1图像的实验结果与分析 | 第58-60页 |
| 3.3.6 DPN、DLPN与DLSPN的实验结果与分析 | 第60-62页 |
| 3.3.7 近邻数目对方法性能的影响 | 第62页 |
| 3.4 本章小结 | 第62-64页 |
| 第四章 基于空间极化奖赏的强化学习小样本分类 | 第64-82页 |
| 4.1 引言 | 第64-65页 |
| 4.2 SPRL分类方法 | 第65-68页 |
| 4.2.1 强化学习应用于极化SAR图像地物分类 | 第65-66页 |
| 4.2.2 空间极化奖赏 | 第66-68页 |
| 4.3 实验结果与分析 | 第68-81页 |
| 4.3.1 荷兰Flevoland图像的实验结果与分析 | 第69-71页 |
| 4.3.2 美国San Francisco Bay图像的实验结果与分析 | 第71-73页 |
| 4.3.3 德国ESAR图像的实验结果与分析 | 第73-76页 |
| 4.3.4 西安图像的实验结果与分析 | 第76-78页 |
| 4.3.5 荷兰Flevoland1图像的实验结果与分析 | 第78-80页 |
| 4.3.6 训练样本比例对方法性能的影响 | 第80-81页 |
| 4.4 本章小结 | 第81-82页 |
| 第五章 总结与展望 | 第82-84页 |
| 参考文献 | 第84-90页 |
| 致谢 | 第90-92页 |
| 作者简介 | 第92-93页 |
