| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景和科学意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 论文的主要工作及结构安排 | 第10-12页 |
| 2. SAR成像模型及SAR图像特征 | 第12-23页 |
| 2.1 合成孔径雷达成像模型介绍 | 第12-14页 |
| 2.2 SAR图像特征 | 第14-16页 |
| 2.2.1 SAR图像分辨率特征 | 第14页 |
| 2.2.2 SAR图像辐射特征 | 第14-15页 |
| 2.2.3 SAR图像极化特性 | 第15页 |
| 2.2.4 SAR图像的几何特性 | 第15-16页 |
| 2.3 SAR图像噪声特征 | 第16页 |
| 2.4 SAR图像降噪 | 第16-21页 |
| 2.4.1 降噪性能判定标准 | 第16-17页 |
| 2.4.2 均值滤波和中值滤波器 | 第17-18页 |
| 2.4.3 Lee滤波器 | 第18-19页 |
| 2.4.4 Kuan滤波器 | 第19-20页 |
| 2.4.5 Frost滤波器 | 第20-21页 |
| 2.5 图像降噪实验 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 3. 特征选取与目标匹配的研究 | 第23-35页 |
| 3.1 Hu矩特征 | 第23-27页 |
| 3.1.1 Hu不变矩 | 第23-24页 |
| 3.1.2 Hu矩特征预处理 | 第24-25页 |
| 3.1.3 Hu矩特征验证试验 | 第25-27页 |
| 3.2 SIFT特征 | 第27-33页 |
| 3.2.1 尺度空间极值检测 | 第27-30页 |
| 3.2.2 关键点定位 | 第30页 |
| 3.2.3 关键点方向分配 | 第30-31页 |
| 3.2.4 SIFT关键点特征描述 | 第31页 |
| 3.2.5 SIFT特征验证试验 | 第31-33页 |
| 3.3 本章小结 | 第33-35页 |
| 4. 基于SIFT特征的单极SAR图像目标分类识别系统研究 | 第35-49页 |
| 4.1 SAR图像分类系统结构 | 第35-36页 |
| 4.2 特征聚类及描述 | 第36-42页 |
| 4.2.1 K-means算法 | 第37-38页 |
| 4.2.2 词袋模型 | 第38-39页 |
| 4.2.3 空间金字塔模型 | 第39-42页 |
| 4.3 支持向量机 | 第42-46页 |
| 4.3.1 函数间隔和几何间隔 | 第42-43页 |
| 4.3.2 最优间隔分类器 | 第43-44页 |
| 4.3.3 核函数 | 第44-45页 |
| 4.3.4 松弛变量 | 第45-46页 |
| 4.3.5 常用核函数方法选择 | 第46页 |
| 4.4 SVM分类对比试验 | 第46-48页 |
| 4.4.1 实验集介绍 | 第46-47页 |
| 4.4.2 实验结果及分析 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 5. 深度学习算法在SAR目标识别上的研究 | 第49-64页 |
| 5.1 卷积神经网络介绍 | 第49-52页 |
| 5.1.1 部分联通网络 | 第50-51页 |
| 5.1.2 卷积特征提取 | 第51页 |
| 5.1.3 池化 | 第51-52页 |
| 5.2 卷积神经网络网络结构 | 第52-54页 |
| 5.2.1 网络拓扑结构和初始化 | 第52-53页 |
| 5.2.2 误差函数 | 第53-54页 |
| 5.2.3 Softmax回归 | 第54页 |
| 5.3 网络传播过程 | 第54-56页 |
| 5.3.1 反向传播过程 | 第54-55页 |
| 5.3.2 下采样(Pooling)层梯度 | 第55页 |
| 5.3.3 卷积层梯度 | 第55-56页 |
| 5.4 卷积神经网络训练 | 第56-57页 |
| 5.5 实验及结论 | 第57-63页 |
| 5.5.1 MSTAR图像库及实验数据介绍 | 第57-59页 |
| 5.5.2 实验结果与分析 | 第59-63页 |
| 5.6 本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-69页 |