论文目录 | |
摘要 | 第1-6页 |
ABSTRACT | 第6-10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 极化SAR地物分类问题 | 第15-17页 |
1.1.1 研究背景及意义 | 第15页 |
1.1.2 国内外极化SAR研究现状 | 第15-16页 |
1.1.3 极化SAR影像分类的发展 | 第16-17页 |
1.2 多尺度几何分析方法 | 第17-18页 |
1.3 本文研究内容及结构安排 | 第18-21页 |
第二章 极化SAR的机理分析 | 第21-37页 |
2.1 SAR的成像机理 | 第21页 |
2.2 目标极化散射特性 | 第21-23页 |
2.2.1 极化协方差矩阵 | 第21-22页 |
2.2.2 极化相干矩阵 | 第22-23页 |
2.3 极化SAR目标分解 | 第23-27页 |
2.3.1 Cloude分解 | 第23-26页 |
2.3.2 Freeman-Durden分解 | 第26-27页 |
2.4 经典极化SAR地物分类方法 | 第27-36页 |
2.4.1 基于H/a 分解的极化SAR地物分类方法 | 第28-29页 |
2.4.2 基于人工神经网络的分类方法 | 第29-30页 |
2.4.3 基于支撑矢量机的分类方法 | 第30-32页 |
2.4.4 基于深度学习的分类方法 | 第32-36页 |
2.5 本章小结 | 第36-37页 |
第三章 基于深度小波神经网络的极化SAR影像地物分类 | 第37-51页 |
3.1 引言 | 第37页 |
3.2 小波神经网络模型及学习算法 | 第37-40页 |
3.2.1 小波变换与多分辨分析 | 第37-39页 |
3.2.2 小波神经网络模型及学习算法 | 第39-40页 |
3.3 基于深度小波神经网络的极化SAR影像地物分类 | 第40-44页 |
3.3.1 基于深度小波神经网络的模型与学习算法 | 第40-44页 |
3.3.2 基于深度小波神经网络的极化SAR影像地物分类 | 第44页 |
3.4 实验结果及分析 | 第44-50页 |
3.4.1 美国旧金山海湾地区实验结果 | 第44-45页 |
3.4.2 荷兰Flevoland地区实验结果 | 第45-48页 |
3.4.3 德国Oberpfaffenhofen小镇地区实验结果 | 第48-50页 |
3.5 本章小结 | 第50-51页 |
第四章 基于深度脊波神经网络的极化SAR影像地物分类 | 第51-65页 |
4.1 引言 | 第51页 |
4.2 脊波神经网络模型及学习算法 | 第51-56页 |
4.2.1 脊波变换分析 | 第52页 |
4.2.2 脊波神经网络模型及学习算法 | 第52-56页 |
4.3 基于深度脊波神经网络的极化SAR影像地物分类 | 第56-58页 |
4.3.1 基于深度脊波神经网络的模型及学习算法 | 第56-58页 |
4.3.2 基于深度脊波神经网络的极化SAR影像地物分类 | 第58页 |
4.4 实验结果及分析 | 第58-64页 |
4.4.1 美国旧金山海湾地区实验结果 | 第58-60页 |
4.4.2 荷兰Flevoland地区实验结果 | 第60-62页 |
4.4.3 德国Oberpfaffenhofen小镇地区实验结果 | 第62-64页 |
4.5 本章小结 | 第64-65页 |
第五章 基于NSCT和深度量子脊波神经网络的极化SAR影像地物分类 | 第65-77页 |
5.1 引言 | 第65页 |
5.2 基于NSCT的纹理特征提取方法 | 第65-68页 |
5.2.1 非抽样金字塔滤波器 | 第66-67页 |
5.2.2 非抽样方向滤波器 | 第67-68页 |
5.2.3 基于NSCT的极化SAR影像纹理特征提取方法 | 第68页 |
5.3 基于深度量子脊波神经网络的极化SAR影像地物分类 | 第68-70页 |
5.4 实验结果及分析 | 第70-76页 |
5.4.1 美国旧金山海湾地区实验结果 | 第70-72页 |
5.4.2 荷兰Flevoland地区实验结果 | 第72-74页 |
5.4.3 德国Oberpfaffenhofen小镇地区实验结果 | 第74-76页 |
5.5 本章小结 | 第76-77页 |
第六章 总结与展望 | 第77-79页 |
6.1 主要工作及创新点 | 第77页 |
6.2 后续研究工作 | 第77-79页 |
参考文献 | 第79-85页 |
致谢 | 第85-87页 |
作者简介 | 第87-88页 |