| 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15-21页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 基于学习的图像超分辨的研究现状 | 第16-17页 |
| 1.2.2 SAR图像分辨率提高的研究现状 | 第17-18页 |
| 1.3 论文安排 | 第18-21页 |
| 第二章 SAR图像特性及图像超分辨重建的理论概述 | 第21-29页 |
| 2.1 SAR图像特性 | 第21-23页 |
| 2.1.1 SAR图像分辨率的概念 | 第21页 |
| 2.1.2 SAR图像稀疏分布特性 | 第21-23页 |
| 2.2 图像超分辨重建的概述 | 第23-27页 |
| 2.2.1 超分辨重建的数学模型 | 第23-24页 |
| 2.2.2 超分辨算法介绍 | 第24-27页 |
| 2.3 重建图像质量评价指标 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于卡通纹理分解和联合优化的SAR图像超分辨 | 第29-43页 |
| 3.1 卡通纹理分解模型 | 第29-31页 |
| 3.1.1 基础理论 | 第29-30页 |
| 3.1.2 快速卡通纹理分解方法 | 第30-31页 |
| 3.2 联合优化超分辨算法 | 第31-34页 |
| 3.2.1 联合优化回归器 | 第32-33页 |
| 3.2.2 使用KNN进行超分辨重建 | 第33-34页 |
| 3.3 基于卡通纹理分解和联合优化的SAR图像超分辨 | 第34-36页 |
| 3.4 实验分析 | 第36-41页 |
| 3.4.1 实验数据介绍 | 第36-37页 |
| 3.4.2 实验条件设置 | 第37页 |
| 3.4.3 实验结果 | 第37-41页 |
| 3.4.4 参数分析 | 第41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 基于感知损失和生成对抗网络的SAR图像超分辨 | 第43-61页 |
| 4.1 感知损失 | 第43-44页 |
| 4.1.1 感知损失简介 | 第43-44页 |
| 4.1.2 感知损失定义 | 第44页 |
| 4.2 生成对抗网络介绍 | 第44-47页 |
| 4.2.1 生成对抗网络理论 | 第44-46页 |
| 4.2.2 GAN的改进 | 第46-47页 |
| 4.3 基于深度残差卷积网络的SAR图像超分辨 | 第47-49页 |
| 4.4 基于感知损失和生成对抗网的SAR图像超分辨 | 第49-51页 |
| 4.4.1 网络框架的设计 | 第49-50页 |
| 4.4.2 损失函数 | 第50-51页 |
| 4.5 实验分析 | 第51-59页 |
| 4.5.1 实验数据介绍 | 第51-52页 |
| 4.5.2 实验条件设置 | 第52页 |
| 4.5.3 实验结果分析 | 第52-58页 |
| 4.5.4 参数分析 | 第58-59页 |
| 4.6 本章小结 | 第59-61页 |
| 第五章 基于感知损失的图像超分辨与图像分类的探究 | 第61-71页 |
| 5.1 VGG网络介绍 | 第61-62页 |
| 5.2 深度学习中的迁移学习介绍 | 第62-63页 |
| 5.3 基于迁移学习的遥感图像分类 | 第63-64页 |
| 5.4 遥感图像分类实验分析 | 第64-65页 |
| 5.4.1 实验数据介绍 | 第64-65页 |
| 5.4.2 实验结果及参数分析 | 第65页 |
| 5.5 基于感知损失超分辨方法与遥感图像分类结合的实验分析 | 第65-70页 |
| 5.5.1 实验设置 | 第66页 |
| 5.5.2 实验结果及分析 | 第66-70页 |
| 5.6 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 论文工作总结 | 第71-72页 |
| 6.2 研究展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |
