| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.1.1 SAR图像分割与解译的研究背景 | 第15页 |
| 1.1.2 SAR图像分割与解译的研究意义 | 第15-16页 |
| 1.2 SAR图像分割的研究现状 | 第16-17页 |
| 1.2.1 图像分割 | 第16页 |
| 1.2.2 SAR图像分割 | 第16-17页 |
| 1.3 图像语义分割的研究现状 | 第17-18页 |
| 1.3.1 光学图像的语义分割 | 第17页 |
| 1.3.2 SAR图像的语义分割 | 第17-18页 |
| 1.4 贝叶斯机器学习的研究现状 | 第18-20页 |
| 1.4.1 贝叶斯机器学习 | 第18-19页 |
| 1.4.2 贝叶斯机器学习的应用与发展 | 第19-20页 |
| 1.5 论文的主要内容安排 | 第20-23页 |
| 第二章 相关工作 | 第23-27页 |
| 2.1 层次视觉语义模型的理论基础 | 第23-24页 |
| 2.1.1 Marr视觉计算理论框架 | 第23-24页 |
| 2.1.2 初始素描模型 | 第24页 |
| 2.2 SAR图像的素描模型 | 第24-25页 |
| 2.3 SAR图像的区域图 | 第25-26页 |
| 2.4 SAR图像的像素子空间 | 第26-27页 |
| 第三章 基于素描特性和变分贝叶斯的极不匀质区域的特征学习 | 第27-45页 |
| 3.1 引言 | 第27页 |
| 3.2 贝叶斯网络及其推理方法 | 第27-29页 |
| 3.2.1 贝叶斯网络基本模型 | 第28页 |
| 3.2.2 贝叶斯网络的推理方法 | 第28-29页 |
| 3.3 基于素描特性的贝叶斯网络模型 | 第29-32页 |
| 3.3.1 Sigmoid Belief Network（SBN） | 第30-31页 |
| 3.3.2 基于素描特性的贝叶斯网络模型 | 第31-32页 |
| 3.4 极不匀质区域分布参数估计和网络初始化 | 第32-35页 |
| 3.4.1 SAR图像统计建模 | 第32-33页 |
| 3.4.2 G0分布的参数估计 | 第33-34页 |
| 3.4.3 网络的初始化 | 第34-35页 |
| 3.5 极不匀质区域的特征学习 | 第35-44页 |
| 3.5.1 平均场变分贝叶斯网络推理 | 第35-39页 |
| 3.5.2 基于素描特性的平均场变分贝叶斯网络的特征学习 | 第39-42页 |
| 3.5.3 仿真实验分析 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 基于素描信息和超像素的线目标的分割 | 第45-57页 |
| 4.1 引言 | 第45页 |
| 4.2 超像素分割 | 第45-47页 |
| 4.3 素描线的分类 | 第47-48页 |
| 4.4 基于素描信息和超像素的第一类线目标分割 | 第48-49页 |
| 4.5 基于素描信息和超像素的第二类线目标分割 | 第49-55页 |
| 4.5.1 基于素描信息和超像素的第二类素描线选择 | 第50-52页 |
| 4.5.2 基于素描信息和超像素的第二类线目标分割 | 第52页 |
| 4.5.3 算法描述及实验结果 | 第52-55页 |
| 4.6 本章小结 | 第55-57页 |
| 第五章 基于特征学习和素描信息的SAR图像语义分割 | 第57-68页 |
| 5.1 引言 | 第57页 |
| 5.2 基于贝叶斯特征学习的SAR图像混合像素子空间的分割 | 第57-61页 |
| 5.2.1 提取极不匀质区域的结构特征向量 | 第57-58页 |
| 5.2.2 基于特征编码和层次聚类的混合像素子空间分割算法 | 第58-59页 |
| 5.2.3 实验仿真与分析 | 第59-61页 |
| 5.3 基于素描信息和超像素的结构像素子空间的分割 | 第61-62页 |
| 5.4 基于超像素和灰度共生矩阵的匀质区域像素子空间分割 | 第62页 |
| 5.5 分割结果的融合 | 第62-63页 |
| 5.6 实验结果分析 | 第63-66页 |
| 5.7 本章小结 | 第66-68页 |
| 第六章 工作总结与展望 | 第68-71页 |
| 6.1 本文工作总结 | 第68-69页 |
| 6.2 未来工作展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |
