基于支持向量机的合成孔径雷达图像分割
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 1 绪论 | 第7-13页 |
| ·选题背景及研究意义 | 第7-8页 |
| ·研究现状及发展趋势 | 第8-11页 |
| ·SAR 图像分割研究现状 | 第8-9页 |
| ·支持向量机研究现状 | 第9-10页 |
| ·发展趋势 | 第10-11页 |
| ·研究内容和组织结构 | 第11-13页 |
| 2 统计学习理论与支持向量机 | 第13-24页 |
| ·统计学习理论的基本思想 | 第13-16页 |
| ·推广性的界 | 第13-14页 |
| ·VC 维 | 第14-15页 |
| ·结构风险最小化 | 第15-16页 |
| ·支持向量机的基本思想 | 第16-20页 |
| ·线性可分的最优分类面 | 第16-17页 |
| ·线性不可分的最优分类面 | 第17-18页 |
| ·支持向量机 | 第18-20页 |
| ·多类支持向量机 | 第20-22页 |
| ·支持向量机的特点 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 3 合成孔径雷达及相干斑噪声抑制 | 第24-37页 |
| ·SAR 成像的基本原理 | 第24-25页 |
| ·SAR 成像目标特性分析 | 第25-27页 |
| ·SAR 图像中不同地物目标的特点 | 第25-26页 |
| ·SAR 图像数据的统计特性 | 第26-27页 |
| ·SAR 图像斑点噪声抑制的常用方法 | 第27-28页 |
| ·基于小波的滤波方法 | 第28-32页 |
| ·小波变换 | 第28-30页 |
| ·图像的小波变换 | 第30-31页 |
| ·小波去噪的原理 | 第31-32页 |
| ·小波滤波算法 | 第32-36页 |
| ·本章小结 | 第36-37页 |
| 4 基于支持向量机的单目标SAR 图像分割 | 第37-46页 |
| ·样本获取 | 第37-38页 |
| ·特征提取 | 第38-39页 |
| ·纹理特征 | 第38页 |
| ·灰度特征 | 第38-39页 |
| ·SVM 分类器 | 第39-40页 |
| ·分割步骤 | 第40页 |
| ·实验内容 | 第40-42页 |
| ·实验结果分析 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 5 基于支持向量机的多目标SAR 图像分割 | 第46-52页 |
| ·多类支持向量机的实现 | 第46-47页 |
| ·多目标SAR 图像分割实验 | 第47-51页 |
| ·每类样本的获取 | 第47-48页 |
| ·特征提取 | 第48页 |
| ·基于支持向量机的多目标SAR 图像分割实验 | 第48-50页 |
| ·实验结果分析 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 6 结论 | 第52-54页 |
| ·本文工作总结 | 第52页 |
| ·未来工作展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录 | 第59页 |
