| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-19页 |
| 第一章 绪论 | 第19-39页 |
| 1.1 研究背景和意义 | 第19-24页 |
| 1.1.1 国外SAR系统发展 | 第20-23页 |
| 1.1.2 国内SAR系统发展 | 第23-24页 |
| 1.2 极化SAR理论基础 | 第24-27页 |
| 1.2.2 散射矩阵 | 第24-26页 |
| 1.2.3 双站散射情况 | 第26-27页 |
| 1.2.4 单站散射情况 | 第27页 |
| 1.3 极化SAR图像分类研究现状及难点分析 | 第27-31页 |
| 1.3.1 极化SAR图像分类现状 | 第27-30页 |
| 1.3.2 极化SAR图像分类难点分析 | 第30-31页 |
| 1.4 判别性特征学习 | 第31-35页 |
| 1.4.1 判别性特征学习简介 | 第31-33页 |
| 1.4.2 基于判别性特征学习的机器学习算法 | 第33-35页 |
| 1.5 论文的研究内容和章节安排 | 第35-39页 |
| 第二章 基于高概率选择和自适应MRF的极化SAR图像分类 | 第39-63页 |
| 2.1 引言 | 第39-40页 |
| 2.2 背景介绍 | 第40-44页 |
| 2.2.1 概率输出的支撑矢量机 | 第40-41页 |
| 2.2.2 Wishart分类器 | 第41-43页 |
| 2.2.3 边缘检测方法简介 | 第43-44页 |
| 2.3 高概率选择和自适应MRF的极化SAR图像分类方法 | 第44-49页 |
| 2.3.1 精确边缘获取 | 第45页 |
| 2.3.2 自适应的马尔科夫随机场 | 第45-49页 |
| 2.4 实验与结果分析 | 第49-61页 |
| 2.4.1 Flevoland极化SAR图像分类 | 第49-54页 |
| 2.4.2 西安渭河地区极化SAR图像分类 | 第54-56页 |
| 2.4.3 德国ESAR图像分类 | 第56-59页 |
| 2.4.4 西安京昆高速极化SAR图像分类 | 第59-61页 |
| 2.5 本章小结 | 第61-63页 |
| 第三章 基于稀疏自编码器和边缘保持的Wishart马尔科夫随机场的极化SAR图像分类 | 第63-83页 |
| 3.1 引言 | 第63-64页 |
| 3.2 SSAE和WMRF简要回顾 | 第64-67页 |
| 3.2.1 稀疏堆叠自编码 | 第64-66页 |
| 3.2.2 Wishart-马尔科夫随机场 | 第66-67页 |
| 3.3 稀疏自编码器和边缘保持的Wishart马尔科夫随机场对极化SAR图像分类 | 第67-71页 |
| 3.3.1 边缘保持的Wishart马尔科夫随机场 | 第68-69页 |
| 3.3.2 边缘保持的Wishart马尔科夫随机场的纠错策略 | 第69-71页 |
| 3.4 实验与结果分析 | 第71-81页 |
| 3.4.1 Flevoland极化SAR图像分类 | 第71-76页 |
| 3.4.2 西安渭河地区极化SAR图像分类 | 第76-78页 |
| 3.4.3 San Francisco极化SAR图像分类 | 第78-81页 |
| 3.5 本章小结 | 第81-83页 |
| 第四章 基于上下文的最大间隔方法的极化SAR图像分类 | 第83-101页 |
| 4.1 引言 | 第83-84页 |
| 4.2 基于上下文的间隔最大化 | 第84-87页 |
| 4.2.1 间隔最大化的极化SAR分类问题 | 第84-86页 |
| 4.2.2 极化SAR图像分类的条件随机场模型 | 第86-87页 |
| 4.3 基于上下文的最大间隔方法的极化SAR分类 | 第87-91页 |
| 4.3.1 散射项简介 | 第89页 |
| 4.3.2 空间项简介 | 第89-91页 |
| 4.4 实验与结果分析 | 第91-98页 |
| 4.4.1 数据简介及参数设置 | 第91页 |
| 4.4.2 Flevoland极化SAR图像分类 | 第91-95页 |
| 4.4.3 京昆高速公路极化SAR图像分类 | 第95-97页 |
| 4.4.4 San Francisco极化SAR图像分类 | 第97-98页 |
| 4.5 本章小结 | 第98-101页 |
| 第五章 基于递归卷积神经网络的极化SAR图像分类 | 第101-119页 |
| 5.1 引言 | 第101-102页 |
| 5.2 卷积神经网络结构简介 | 第102-106页 |
| 5.2.1 卷积层 | 第103-105页 |
| 5.2.2 池化层 | 第105页 |
| 5.2.3 全连接层 | 第105-106页 |
| 5.3 CNN用于极化SAR图像分类的基本流程 | 第106-107页 |
| 5.4 递归CNN模型用于极化SAR图像分类 | 第107-110页 |
| 5.4.1 RCNN模型介绍 | 第107-109页 |
| 5.4.2 两种样本重要性采样策略 | 第109-110页 |
| 5.5 实验与结果分析 | 第110-116页 |
| 5.5.1 Flevoland极化SAR图像分类 | 第110-113页 |
| 5.5.2 西安渭河地区极化SAR图像分类 | 第113-115页 |
| 5.5.3 德国ESAR图像分类 | 第115-116页 |
| 5.6 本章小结 | 第116-119页 |
| 第六章 总结与展望 | 第119-123页 |
| 6.1 总结 | 第119-120页 |
| 6.2 展望 | 第120-123页 |
| 参考文献 | 第123-139页 |
| 致谢 | 第139-141页 |
| 作者简介 | 第141-143页 |
