| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| Extended Abstract | 第10-22页 |
| 1 绪论 | 第22-36页 |
| 1.1 研究背景与研究意义 | 第22-24页 |
| 1.2 国内外研究现状 | 第24-30页 |
| 1.3 研究目标与内容 | 第30-32页 |
| 1.4 研究方法与技术路线 | 第32-34页 |
| 1.5 论文组织结构 | 第34-36页 |
| 2 全极化SAR图像特征选择 | 第36-56页 |
| 2.1 全极化SAR概述 | 第36-38页 |
| 2.2 极化目标分解方法 | 第38-44页 |
| 2.3 实验数据及论文使用软件 | 第44-48页 |
| 2.4 不同极化特征分类比较 | 第48-54页 |
| 2.5 本章小结 | 第54-56页 |
| 3 基于半监督学习的全极化SAR图像分类 | 第56-68页 |
| 3.1 半监督学习概述 | 第56-57页 |
| 3.2 结合Wishart距离和图像分割的半监督学习与分类 | 第57-67页 |
| 3.3 本章小结 | 第67-68页 |
| 4 基于改进SVM的全极化SAR图像分类 | 第68-90页 |
| 4.1 支持向量机分类 | 第68-70页 |
| 4.2 多核学习 | 第70-71页 |
| 4.3 一种简单的多核学习方法 | 第71-82页 |
| 4.4 结合小波支持向量机的全极化SAR图像分类 | 第82-88页 |
| 4.5 本章小结 | 第88-90页 |
| 5 基于分类器集成的全极化SAR图像分类 | 第90-116页 |
| 5.1 Wishart-KNN分类算法 | 第90-98页 |
| 5.2 基于集成学习的全极化SAR图像分类 | 第98-108页 |
| 5.3改进的全极化SAR图像面向对象分类方法 | 第108-115页 |
| 5.4 本章小结 | 第115-116页 |
| 6 结论与展望 | 第116-120页 |
| 6.1 结论 | 第116-118页 |
| 6.2 创新点 | 第118页 |
| 6.3 展望 | 第118-120页 |
| 参考文献 | 第120-134页 |
| 作者简历 | 第134-136页 |
| 学位论文数据集 | 第136页 |