| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 极化SAR图像分类研究背景 | 第10-11页 |
| 1.2 极化SAR图像分类研究现状 | 第11-13页 |
| 1.3 论文研究内容与组织结构 | 第13-16页 |
| 2 极化理论基础与分类算法 | 第16-34页 |
| 2.1 极化波的描述 | 第16-21页 |
| 2.1.1 极化椭圆 | 第16-18页 |
| 2.1.2 Jones矢量 | 第18页 |
| 2.1.3 Stokes矢量 | 第18-20页 |
| 2.1.4 Poincare球 | 第20-21页 |
| 2.2 极化散射特征的表征 | 第21-24页 |
| 2.2.1 极化散射矩阵及其矢量化 | 第21-22页 |
| 2.2.2 极化协方差矩阵与极化相干矩阵 | 第22页 |
| 2.2.3 Stokes与Muller矩阵 | 第22-24页 |
| 2.3 定向角 | 第24页 |
| 2.4 基本极化散射模型 | 第24-26页 |
| 2.5 分类算法 | 第26-33页 |
| 2.5.1 随机森林 | 第26-30页 |
| 2.5.2 支持向量机 | 第30-31页 |
| 2.5.3 最小风险Bayes | 第31-32页 |
| 2.5.4 K最邻近 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 3 多特征提取与最优选择 | 第34-50页 |
| 3.1 测量矩阵特征提取 | 第34页 |
| 3.2 基于目标分解的特征提取 | 第34-44页 |
| 3.2.1 Pauli分解 | 第34-35页 |
| 3.2.2 SDH分解 | 第35-36页 |
| 3.2.3 Hyunen分解 | 第36-38页 |
| 3.2.4 Cloude分解 | 第38-40页 |
| 3.2.5 Van Zyl分解 | 第40-41页 |
| 3.2.6 Freeman三分量分解 | 第41-42页 |
| 3.2.7 SSCM分解 | 第42-44页 |
| 3.3 纹理特征提取 | 第44-46页 |
| 3.4 颜色特征提取 | 第46-47页 |
| 3.5 最优选择特征 | 第47-49页 |
| 3.6 本章小结 | 第49-50页 |
| 4 基于最优选择的多特征融合分类实验 | 第50-68页 |
| 4.1 实验数据与地物特征分析 | 第50-51页 |
| 4.2 单一特征向量的分类及分析 | 第51-56页 |
| 4.3 最优选择的多特征融合对分类的作用 | 第56-65页 |
| 4.4 单一特征与最优选择多特征融合下的分类精度对比 | 第65-67页 |
| 4.5 本章小结 | 第67-68页 |
| 5 总结 | 第68-70页 |
| 5.1 结论 | 第68页 |
| 5.2 展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 作者简历 | 第76-78页 |
| 学位论文数据集 | 第78页 |