全极化SAR影像地物分类方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及选题意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 选题意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 研究内容及技术路线 | 第14-17页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 技术路线 | 第15-17页 |
| 第2章 极化SAR理论基础 | 第17-30页 |
| 2.1 极化SAR | 第17-23页 |
| 2.1.1 极化SAR基础 | 第17-19页 |
| 2.1.2 Stokes矢量与Jones矢量表示 | 第19-20页 |
| 2.1.3 部分极化波 | 第20-21页 |
| 2.1.4 极化散射测量 | 第21-22页 |
| 2.1.5 目标协方差和相干矩阵 | 第22-23页 |
| 2.2 极化SAR目标分解 | 第23-30页 |
| 2.2.1 相干分解 | 第23-26页 |
| 2.2.2 非相干分解 | 第26-30页 |
| 第3章 研究区及数据准备 | 第30-36页 |
| 3.1 数据源及研究区概况 | 第30-32页 |
| 3.1.1 数据源介绍 | 第30-31页 |
| 3.1.2 研究区概况 | 第31-32页 |
| 3.2 数据预处理 | 第32-36页 |
| 3.2.1 地形校正 | 第32-34页 |
| 3.2.2 SAR图像滤波 | 第34-36页 |
| 第4章 经典极化SAR影像分类 | 第36-44页 |
| 4.1 H/α分类 | 第36-38页 |
| 4.2 H/α-Wishart分类 | 第38-41页 |
| 4.3 H/α/A-Wishart分类 | 第41-44页 |
| 第5章 改进的BP神经网络极化SAR影像分类 | 第44-52页 |
| 5.1 BP神经网络 | 第44-46页 |
| 5.1.1 基本BP神经网络 | 第44-45页 |
| 5.1.2 改进的BP神经网络算法 | 第45-46页 |
| 5.2 BP神经网络分类器 | 第46-47页 |
| 5.3 改进BP神经网络的极化SAR影像分类 | 第47-50页 |
| 5.4 实验分析及结果比较 | 第50-52页 |
| 第6章 多特征组合和SVM的极化SAR影像分类 | 第52-69页 |
| 6.1 极化特征提取 | 第52-59页 |
| 6.1.1 H/A/α分解特征提取 | 第52-56页 |
| 6.1.2 MCSM分解特征提取 | 第56-59页 |
| 6.2 SAR图像的纹理特征提取 | 第59-62页 |
| 6.2.1 GLCM理论 | 第59页 |
| 6.2.2 纹理特征提取 | 第59-62页 |
| 6.3 多特征组合 | 第62-63页 |
| 6.4 支持向量机(SVM) | 第63-65页 |
| 6.4.1 线性分类和OSH | 第63-65页 |
| 6.4.2 非线性分类 | 第65页 |
| 6.5 利用多特征组合和SVM极化SAR影像分类 | 第65-69页 |
| 第7章 融合DEM的极化SAR图像分类 | 第69-74页 |
| 7.1 DEM地形建模去除误分地类 | 第69-70页 |
| 7.1.1 DEM地形建模 | 第69-70页 |
| 7.1.2 地形建模去除山体阴影 | 第70页 |
| 7.2 改进的Otsu算法分割DEM提高分类精度 | 第70-74页 |
| 7.2.1 改进的Otsu算法 | 第70-72页 |
| 7.2.2 改进Otsu分割DEM去除误分地类 | 第72-74页 |
| 结论 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-85页 |
| 攻读学位期间取得学术成果 | 第85页 |
