张量空间FCM算法研究及其在高光谱遥感图像分类中的应用
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11页 |
| 1.2 高光谱图像数据数据特点 | 第11-14页 |
| 1.3 高光谱图像的分类 | 第14-15页 |
| 1.4 论文主要研究内容及结构安排 | 第15-17页 |
| 第二章 张量空间中的高光谱图像 | 第17-25页 |
| 2.1 张量及张量代数 | 第17-20页 |
| 2.1.1 张量Keronecker积 | 第18页 |
| 2.1.2 矩阵Khatri-Rao积 | 第18-19页 |
| 2.1.3 张量d阶展开 | 第19页 |
| 2.1.4 张量内积 | 第19-20页 |
| 2.1.5 张量的外积 | 第20页 |
| 2.1.6 张量缩并 | 第20页 |
| 2.2 高光谱遥感图像张量计算优势 | 第20-22页 |
| 2.3 高光谱遥感图像张量描述 | 第22-24页 |
| 2.3.1 高光谱图像空—谱张量描述 | 第22-23页 |
| 2.3.2 高光谱图像多特征张量描述 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 高光谱图像分类技术 | 第25-39页 |
| 3.1 高光谱图像分类理论 | 第25-29页 |
| 3.1.1 高光谱非监督分类 | 第25-26页 |
| 3.1.2 分类精度评价 | 第26-27页 |
| 3.1.3 实验数据 | 第27-29页 |
| 3.2 数据降维 | 第29-33页 |
| 3.2.1 主成分分析PCA | 第30页 |
| 3.2.2 多线性主成分分析(MPCA) | 第30-31页 |
| 3.2.3 MPCA特征值提取实验分析 | 第31-33页 |
| 3.3 K-means聚类算法 | 第33-34页 |
| 3.4 FCM聚类算法 | 第34-37页 |
| 3.4.1 算法介绍 | 第34-35页 |
| 3.4.2 FCM算法分析 | 第35页 |
| 3.4.3 实验分析 | 第35-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第四章 基于张量FCM算法的高光谱遥感图像分类 | 第39-56页 |
| 4.1 张量FCM算法 | 第39-45页 |
| 4.1.1 算法推导 | 第39-42页 |
| 4.1.2 分类流程 | 第42-43页 |
| 4.1.3 实验分析 | 第43-45页 |
| 4.2 加权张量FCM算法(WTFCM) | 第45-47页 |
| 4.2.1 非参数的加权特征提取 | 第45-46页 |
| 4.2.2 算法推导 | 第46-47页 |
| 4.3 新的加权张量FCM(NWTFCM) | 第47-48页 |
| 4.4 实验分析 | 第48-55页 |
| 4.4.1 数据一结果分析 | 第48-51页 |
| 4.4.2 数据二结果分析 | 第51-55页 |
| 4.5 本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士期间发表的论文及科研成果 | 第63页 |
