| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 SAR图像显著性检测 | 第9-10页 |
| 1.2.2 SAR图像分类 | 第10-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 本文的结构安排 | 第13-14页 |
| 第二章 基于显著性的主动学习SAR图像分类 | 第14-27页 |
| 2.1 基于多尺度显著性检测 | 第14-17页 |
| 2.1.1 频域显著性检测方法 | 第14-15页 |
| 2.1.2 基于多尺度技术的显著性特征检测 | 第15-17页 |
| 2.2 纹理特征提取 | 第17-20页 |
| 2.2.1 灰度共生矩阵 | 第17-19页 |
| 2.2.2 SAR图像纹理分析 | 第19-20页 |
| 2.3 基于主动学习的SAR图像分类 | 第20-24页 |
| 2.3.1 支持向量机方法 | 第20-23页 |
| 2.3.2 基于主动学习的训练样本的选择 | 第23页 |
| 2.3.3 相似性过高样本的去除 | 第23-24页 |
| 2.3.4 基于显著性主动学习的SAR图像分类算法 | 第24页 |
| 2.4 实验结果与分析 | 第24-26页 |
| 2.5 结论 | 第26-27页 |
| 第三章 基于超像素和稀疏表示的SAR图像分类 | 第27-35页 |
| 3.1 SLIC超像素分割 | 第27-29页 |
| 3.2 超像素纹理特征提取 | 第29-30页 |
| 3.3 基于稀疏表示和超像素的SAR图像分类 | 第30-32页 |
| 3.3.1 基于MP的稀疏分解 | 第30-31页 |
| 3.3.2 基于稀疏表示的SAR图像分类 | 第31-32页 |
| 3.4 分类精度评价 | 第32-33页 |
| 3.5 实验结果 | 第33-35页 |
| 第四章 总结与展望 | 第35-36页 |
| 4.1 本文研究工作总结 | 第35页 |
| 4.2 工作展望 | 第35-36页 |
| 参考文献 | 第36-39页 |
| 发表论文和科研情况说明 | 第39-40页 |
| 致谢 | 第40-41页 |