| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 遥感图像分类研究现状 | 第9-10页 |
| 1.2.2 稀疏理论研究现状 | 第10-11页 |
| 1.2.3 红树林遥感图像分类现状 | 第11-12页 |
| 1.3 研究内容 | 第12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第2章 稀疏表示理论与遥感图像数据处理技术介绍 | 第14-30页 |
| 2.1 稀疏表示方法理论 | 第14-17页 |
| 2.1.1 稀疏表示字典学习 | 第14-16页 |
| 2.1.2 稀疏表示模型 | 第16-17页 |
| 2.2 稀疏重构算法 | 第17-20页 |
| 2.2.1 匹配追踪算法 | 第18-19页 |
| 2.2.2 正交匹配追踪算法 | 第19页 |
| 2.2.3 SPGL | 第19-20页 |
| 2.3 常用遥感图像分类技术介绍 | 第20-24页 |
| 2.3.1 K近邻 | 第20-21页 |
| 2.3.2 支持向量机 | 第21-23页 |
| 2.3.3 随机森林 | 第23-24页 |
| 2.4 数据降维算法技术介绍 | 第24-27页 |
| 2.4.1 特征选择 | 第24-25页 |
| 2.4.2 特征提取 | 第25-27页 |
| 2.5 遥感图像分类效果评价 | 第27-29页 |
| 2.5.1 混淆矩阵 | 第28页 |
| 2.5.2 总体分类精度 | 第28页 |
| 2.5.3 Kappa系数 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于加权邻域平滑稀疏表示的多光谱遥感图像分类 | 第30-40页 |
| 3.1 稀疏表示分类模型 | 第30-31页 |
| 3.2 邻域平滑稀疏表示模型 | 第31-32页 |
| 3.3 加权邻域平滑稀疏表示模型 | 第32-34页 |
| 3.4 实验结果与分析 | 第34-39页 |
| 3.4.1 遥感图像特征选取 | 第35-36页 |
| 3.4.2 漳江口红树林自然保护区TM数据集实验 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于监督稀疏嵌入保持投影的高光谱图像特征提取与分类 | 第40-56页 |
| 4.1 图理论知识介绍 | 第40-42页 |
| 4.1.1 图嵌入理论 | 第40-41页 |
| 4.1.2 图的构造方法 | 第41-42页 |
| 4.2 稀疏保持投影算法 | 第42-43页 |
| 4.3 基于监督稀疏嵌入保持投影的高光谱图像降维算法 | 第43-46页 |
| 4.4 实验结果与分析 | 第46-55页 |
| 4.4.1 IndianPines数据集实验 | 第46-52页 |
| 4.4.2 漳江口红树林自然保护区HJ1A-HSI数据集实验 | 第52-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-60页 |
| 5.1 工作总结 | 第56-57页 |
| 5.2 展望 | 第57-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第68页 |
