極化SAR影像超像素分割和面向?qū)ο蠓诸惙椒?/h1>

目錄
第1章 緒論 1
1.1 合成孔徑雷達（SAR）概述 1
1.2 極化SAR影像分類研究動態(tài) 2
1.3 極化SAR影像分割研究動態(tài) 5
1.4 本書內(nèi)容和組織結(jié)構(gòu) 8
1.4.1 主要內(nèi)容 8
1.4.2 組織結(jié)構(gòu) 9
第2章 極化SAR基本理論 11
2.1 極化電磁波的表征 11
2.1.1 極化橢圓 12
2.1.2 Jones矢量 13
2.1.3 Stokes矢量 14
2.2 極化SAR數(shù)據(jù)的矩陣描述 15
2.2.1 極化散射矩陣 15
2.2.2 協(xié)方差矩陣與相干矩陣 16
2.2.3 Mueller矩陣 18
2.2.4 Stokes矩陣 19
2.3 極化合成 20
2.4 極化SAR數(shù)據(jù)的統(tǒng)計特性 21
2.4.1 單極化SAR數(shù)據(jù)統(tǒng)計特性 22
2.4.2 全極化SAR數(shù)據(jù)統(tǒng)計特性 25
2.5 極化目標分解 27
2.5.1 基本散射機制 28
2.5.2 Pauli分解 33
2.5.3 Cloude-Pottier分解 35
2.5.4 Freeman-Durden三分量分解 38
2.6 本章小結(jié) 40
第3章 極化SAR影像超像素分割 41
3.1 常用的超像素分割方法 42
3.1.1 Ncut分割42
3.1.2 GBMS分割 46
3.2 PolSLIC超像素分割 50
3.2.1 SLIC算法 51
3.2.2 PolSLIC算法 53
3.3 實驗數(shù)據(jù)及其預處理 59
3.4 分割效果評價 61
3.4.1 與原始SLIC算法的比較 61
3.4.2 與Ncut和GBMS算法的比較 64
3.5 實驗結(jié)論 67
3.6 本章小結(jié) 68
第4章 面向?qū)ο蟮臉O化SAR影像分類 69
4.1 常用的極化SAR分類器 70
4.1.1 Wishart**似然分類器 70
4.1.2 隨機森林 71
4.2 集成學習基本思想 73
4.2.1 Bagging方法 73
4.2.2 Boosting方法 74
4.3 極化SARRBM-AdaBoost分類算法 76
4.3.1 受限玻爾茲曼機 76
4.3.2 自適應(yīng)提升框架 78
4.3.3 RBM-AdaBoost算法 79
4.4 實驗數(shù)據(jù)及其預處理 80
4.5 實驗結(jié)果分析 82
4.5.1 評價指標 82
4.5.2 RBM分類效果分析 82
4.5.3 與其他方法的比較 86
4.6 實驗結(jié)論 89
4.7 本章小結(jié) 90
參考文獻 91
縮寫索引 102