| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第15-16页 |
| 缩略语对照表 | 第16-19页 |
| 第一章 绪论 | 第19-23页 |
| 1.1 研究背景与意义 | 第19-20页 |
| 1.2 国内外研究现状 | 第20-21页 |
| 1.3 论文内容与结构 | 第21-23页 |
| 第二章 极化SAR分类和深度学习理论基础 | 第23-39页 |
| 2.1 矢量电磁波，极化表征 | 第23-26页 |
| 2.1.1 矢量电磁波 | 第23-24页 |
| 2.1.2 极化表征 | 第24-26页 |
| 2.2 散射体极化描述及极化分解 | 第26-30页 |
| 2.2.1 散射体极化描述 | 第26-28页 |
| 2.2.2 极化目标分解 | 第28-30页 |
| 2.3 极化SAR图像分类的经典算法 | 第30-32页 |
| 2.4 深度学习的基础理论介绍及经典网络模型 | 第32-37页 |
| 2.4.1 深度学习的产生 | 第32-33页 |
| 2.4.2 深度学习研究现状 | 第33页 |
| 2.4.3 典型深度学习模型 | 第33-37页 |
| 2.5 本章小结 | 第37-39页 |
| 第三章 基于LBP和DBN的极化SAR图像分类 | 第39-59页 |
| 3.1 深度置信网络概述 | 第39-43页 |
| 3.2 LBP特征 | 第43-45页 |
| 3.3 基于LBP和DBN的极化SAR分类方法 | 第45-46页 |
| 3.4 实验结果及分析 | 第46-57页 |
| 3.4.1 Flevoland地区农田小图分类 | 第46-50页 |
| 3.4.2 San Francisco地区分类 | 第50-55页 |
| 3.4.3 其他数据实验结果 | 第55-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第四章 基于SLIC和改进的CNN的极化SAR分类 | 第59-77页 |
| 4.1 SLIC超像素分割简介 | 第59-60页 |
| 4.2 卷积神经网络概述 | 第60-63页 |
| 4.3 基于SLIC和CNN的极化SAR分类 | 第63-66页 |
| 4.4 实验结果及分析 | 第66-75页 |
| 4.4.1 Flevoland农田分类 | 第66-68页 |
| 4.4.2 San Francisco分类 | 第68-72页 |
| 4.4.3 其他数据分类结果 | 第72-75页 |
| 4.5 本章小结 | 第75-77页 |
| 第五章 基于超分辨和DBN的极化SAR分类 | 第77-97页 |
| 5.1 超分辨技术概述 | 第77-78页 |
| 5.2 自动编码器概述 | 第78-81页 |
| 5.3 基于超分辨和DBN的极化SAR分类 | 第81-84页 |
| 5.4 实验结果及分析 | 第84-95页 |
| 5.4.1 Flevoland农田分类 | 第84-86页 |
| 5.4.2 San Francisco分类 | 第86-91页 |
| 5.4.3 其他数据分类效果 | 第91-95页 |
| 5.5 本章小结 | 第95-97页 |
| 第六章 总结和展望 | 第97-99页 |
| 6.1 研究工作总结 | 第97页 |
| 6.2 研究工作展望 | 第97-99页 |
| 参考文献 | 第99-103页 |
| 致谢 | 第103-105页 |
| 作者简介 | 第105-106页 |