| 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11-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.1.1 SAR图像分割的研究背景 | 第15页 |
| 1.1.2 SAR图像分割的研究意义 | 第15-16页 |
| 1.2 SAR图像分割的研究现状 | 第16-17页 |
| 1.2.1 图像分割 | 第16页 |
| 1.2.2 SAR图像分割 | 第16-17页 |
| 1.3 SAR图像语义分割 | 第17-18页 |
| 1.3.1 自然图像的语义分割 | 第17-18页 |
| 1.3.2 SAR图像的语义分割 | 第18页 |
| 1.4 贝叶斯机器学习的研究现状 | 第18-20页 |
| 1.4.1 贝叶斯机器学习 | 第18-19页 |
| 1.4.2 贝叶斯模型的推理方法 | 第19-20页 |
| 1.5 论文的主要内容与安排 | 第20-23页 |
| 第二章 相关工作 | 第23-29页 |
| 2.1 层次视觉语义模型的理论基础 | 第23-24页 |
| 2.1.1 Marr视觉计算理论 | 第23-24页 |
| 2.1.2 初始素描模型 | 第24页 |
| 2.2 SAR图像的层次视觉语义空间 | 第24-26页 |
| 2.2.1 SAR图像的素描模型 | 第24-25页 |
| 2.2.2 SAR图像的区域图 | 第25-26页 |
| 2.3 SAR图像的像素子空间 | 第26-29页 |
| 第三章 基于素描约束和贝叶斯模型的极不匀质区域特征学习 | 第29-49页 |
| 3.1 引言 | 第29页 |
| 3.2 贝叶斯学习理论 | 第29-30页 |
| 3.3 基于素描约束的随机梯度变分贝叶斯网络模型 | 第30-37页 |
| 3.3.1 随机梯度变分贝叶斯网络模型 | 第30-33页 |
| 3.3.2 基于素描约束的随机梯度变分贝叶斯网络模型 | 第33-37页 |
| 3.4 极不匀质区域的统计建模 | 第37-39页 |
| 3.4.1 SAR图像的统计模型 | 第37-38页 |
| 3.4.2 极不匀质区域的G0分布参数估计 | 第38-39页 |
| 3.5 基于素描约束的随机梯度变分贝叶斯特征学习方法 | 第39-46页 |
| 3.5.1 贝叶斯网络的权值初始化 | 第40-41页 |
| 3.5.2 基于素描约束和随机梯度变分贝叶斯网络的特征学习 | 第41-43页 |
| 3.5.3 实验仿真与分析 | 第43-46页 |
| 3.6 本章小结 | 第46-49页 |
| 第四章 基于素描特性和超像素的匀质像素子空间分割 | 第49-63页 |
| 4.1 引言 | 第49页 |
| 4.2 基于素描特性和超像素分割的匀质区域划分 | 第49-54页 |
| 4.2.1 超像素分割 | 第49-50页 |
| 4.2.2 参考素描线和种子超像素的选取 | 第50-52页 |
| 4.2.3 基于素描特性和超像素分割的匀质区域划分算法 | 第52-54页 |
| 4.3 基于超像素区域和灰度共生矩阵的匀质像素子空间分割 | 第54-58页 |
| 4.3.1 灰度共生矩阵 | 第55-58页 |
| 4.3.2 基于灰度共生矩阵和层次聚类的匀质像素子空间分割 | 第58页 |
| 4.4 实验仿真与分析 | 第58-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第五章 基于素描特性和贝叶斯特征学习的SAR图像语义分割 | 第63-73页 |
| 5.1 引言 | 第63页 |
| 5.2 基于特征学习和最大值汇聚编码的的混合像素子空间无监督分割 | 第63-67页 |
| 5.2.1 基于最大值汇聚的极不匀质区域结构特征编码 | 第63-65页 |
| 5.2.2 基于特征学习和层次聚类的混合像素子空间无监督分割 | 第65页 |
| 5.2.3 实验结果与分析 | 第65-67页 |
| 5.3 基于素描信息和超像素的结构像素子空间分割 | 第67-68页 |
| 5.4 匀质像素子空间的分割以及各个子空间分割结果的融合 | 第68-69页 |
| 5.5 实验仿真与分析 | 第69-71页 |
| 5.6 本章小结 | 第71-73页 |
| 第六章 总结与展望 | 第73-77页 |
| 6.1 工作总结 | 第73-74页 |
| 6.2 未来工作展望 | 第74-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 作者简介 | 第83-84页 |
