| 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11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 SAR图像分割的现状 | 第15-17页 |
| 1.2.1 SAR图像分割的含义 | 第15页 |
| 1.2.2 SAR图像分割方法 | 第15-17页 |
| 1.3 深度学习理论的研究现状 | 第17-19页 |
| 1.3.1 深度学习常用模型 | 第17-19页 |
| 1.4 自适应共振网络的研究现状 | 第19页 |
| 1.5 论文的主要内容和安排 | 第19-22页 |
| 第二章 基于补全素描模型的SAR图像区域提取 | 第22-32页 |
| 2.1 视觉计算理论 | 第22-24页 |
| 2.2 基于视觉计算的SAR图像素描模型 | 第24-29页 |
| 2.2.1 基于视觉计算的初始素描模型 | 第24-27页 |
| 2.2.2 SAR图像中的边缘检测 | 第27页 |
| 2.2.3 基于视觉计算的SAR图像素描模型 | 第27-28页 |
| 2.2.4 SAR图像素描线提取方法 | 第28-29页 |
| 2.3 SAR图像补全区域图的提取 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 基于反卷积网络和自适应推理网络的SAR图像区域分割 | 第32-48页 |
| 3.1 引言 | 第32-33页 |
| 3.2 反卷积神经网络 | 第33-34页 |
| 3.2.1 反卷积网络 | 第33页 |
| 3.2.2 反卷积网络训练方法 | 第33-34页 |
| 3.3 自适应推理网络 | 第34-39页 |
| 3.3.1 自适应推理网络结构 | 第36-38页 |
| 3.3.2 相似性计算方法 | 第38-39页 |
| 3.4 基于反卷积网络和自适应推理网络的SAR图像区域分割 | 第39-42页 |
| 3.4.1 基于反卷积网络的SAR图像结构特征提取 | 第39-40页 |
| 3.4.2 基于自适应推理网络的SAR图像聚集区域分割 | 第40页 |
| 3.4.3 基于自适应推理网络的SAR图像匀质区域分割 | 第40-41页 |
| 3.4.4 本章算法描述 | 第41-42页 |
| 3.5 实验与结果分析 | 第42-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第四章 基于灰度特征和反卷积网络的SAR图像区域分割 | 第48-54页 |
| 4.1 引言 | 第48页 |
| 4.2 SAR图像匀质区域分割 | 第48-50页 |
| 4.3.1 SAR图像匀质区域分割方法 | 第48-49页 |
| 4.3.2 实验与结果分析 | 第49页 |
| 4.3.3 参数分析 | 第49-50页 |
| 4.3 SAR图像结构区域分割 | 第50-52页 |
| 4.4 本章算法描述 | 第52页 |
| 4.5 SAR图像分割结果比较 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-58页 |
| 5.1 论文工作总结 | 第54-55页 |
| 5.2 展望 | 第55-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 作者简介 | 第64-65页 |
