| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 选题背景和意义 | 第11-13页 |
| 1.1.1 选题背景 | 第11-12页 |
| 1.1.2 全极化SAR图像的植被信息提取的研究意义 | 第12-13页 |
| 1.2 极化SAR图像植被生物量信息提取技术国内外研究现状 | 第13-16页 |
| 1.2.1 极化SAR的研究现状 | 第13-14页 |
| 1.2.2 极化SAR提取植被信息的国内外研究现状 | 第14-16页 |
| 1.3 主要研究内容 | 第16页 |
| 1.4 论文结构 | 第16-18页 |
| 第二章 全极化SAR图像信息提取的基础理论 | 第18-30页 |
| 2.1 SAR图像特点 | 第18-21页 |
| 2.1.1 SAR的成像原理 | 第18-19页 |
| 2.1.2 斑点噪声 | 第19-20页 |
| 2.1.3 几何畸变 | 第20-21页 |
| 2.2 极化电磁波的表征 | 第21-25页 |
| 2.2.1 极化椭圆 | 第21-23页 |
| 2.2.2 Jones矢量 | 第23-24页 |
| 2.2.3 Stokes矢量 | 第24-25页 |
| 2.3 极化散射特性的表征 | 第25-29页 |
| 2.3.1 散射坐标系 | 第25-26页 |
| 2.3.2 极化散射矩阵 | 第26-27页 |
| 2.3.3 Stokes矩阵 | 第27-28页 |
| 2.3.4 协方差矩阵与相干矩阵 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 全极化SAR图像的目标极化分解方法 | 第30-44页 |
| 3.1 目标极化分解 | 第30-36页 |
| 3.1.1 相干极化分解 | 第30-32页 |
| 3.1.2 非相干极化分解 | 第32-36页 |
| 3.2 极化分解结果分析 | 第36-38页 |
| 3.2.1 研究区及SAR数据预处理 | 第36页 |
| 3.2.2 研究区SAR图像预处理 | 第36-37页 |
| 3.2.3 Cloude分解结果分析 | 第37-38页 |
| 3.2.4 Yamaguchi分解结果分析 | 第38页 |
| 3.3 复杂地形下的极化分解 | 第38-43页 |
| 3.3.1 研究区域概况及数据介绍 | 第38-40页 |
| 3.3.2 复杂地形区域极化分解结果 | 第40-41页 |
| 3.3.3 极化方位角补偿原理 | 第41-42页 |
| 3.3.4 极化方位角补偿后极化分解的结果分析 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 全极化SAR图像的植被覆盖信息提取方法 | 第44-55页 |
| 4.1 结合最大类间法H/Alpha-Wishart分类算法 | 第44-47页 |
| 4.1.1 Cloude分类 | 第44-45页 |
| 4.1.2 基于复Wishart分布的聚类方法 | 第45-46页 |
| 4.1.3 结合最大类间方差法的H/α-Wishart分类算法 | 第46-47页 |
| 4.2 基于Yamaguchi分解SVM分类方法 | 第47-50页 |
| 4.2.1 SVM支持向量机原理 | 第48-50页 |
| 4.2.2 基于Yamaguchi分解的SVM分类方法 | 第50页 |
| 4.3 植被覆盖信息提取结果 | 第50-51页 |
| 4.3.1 OSTU-H-α-Wishart方法提取结果 | 第50页 |
| 4.3.2 Yamaguchi-SVM方法提取结果 | 第50-51页 |
| 4.4 复杂地形下的植被覆盖信息提取方法 | 第51-54页 |
| 4.4.1 基于区域的Yamaguchi-SVM植被覆盖信息提取方法 | 第51-53页 |
| 4.4.2 基于区域的Yamaguchi-SVM植被覆盖信息提取结果 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 全极化SAR图像的植被生物量反演 | 第55-71页 |
| 5.1 植被生物量反演方法与微波散射模型 | 第55-59页 |
| 5.1.1 植被生物量反演方法 | 第55-57页 |
| 5.1.2 植被微波散射模型 | 第57-59页 |
| 5.2 研究区数据获取及处理 | 第59-60页 |
| 5.2.1 地面数据测量 | 第59页 |
| 5.2.2 SAR数据的获取 | 第59-60页 |
| 5.3 基于MIMICS模型模拟的神经网络植被生物量反演算法 | 第60-61页 |
| 5.3.1 BP神经网络的建立 | 第60页 |
| 5.3.2 训练样本的生成 | 第60-61页 |
| 5.3.4 用BP神经网络进行训练并检验网络精度 | 第61页 |
| 5.4 研究区植被生物量信息提取及验证 | 第61-67页 |
| 5.4.1 基于MIMICS模型模拟的神经网络的生物量信息提取流程 | 第61-62页 |
| 5.4.2 研究区全极化SAR图像的植被覆盖区域后向散射系数提取 | 第62-65页 |
| 5.4.3 全极化SAR图像的生物量信息提取与验证 | 第65-67页 |
| 5.5 复杂地形下的全极化SAR数据生物量反演 | 第67-70页 |
| 5.5.1 研究区域图像 | 第67页 |
| 5.5.2 研究区全极化SAR图像植被覆盖信息提取 | 第67-68页 |
| 5.5.3 生物量反演结果 | 第68-69页 |
| 5.5.4 生物量反演结果验证 | 第69-70页 |
| 5.6 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间取得的研究成果 | 第79-80页 |
