| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究的背景和意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 基于底层特征的场景分类方法 | 第16-17页 |
| 1.2.2 基于中层特征的场景分类方法 | 第17-18页 |
| 1.3 遥感图像场景分类的难点 | 第18-21页 |
| 1.3.1 场景分类的难点 | 第18-20页 |
| 1.3.2 遥感图像的特点 | 第20-21页 |
| 1.4 论文的主要工作及内容安排 | 第21-23页 |
| 第二章 遥感图像场景分类的基础理论 | 第23-33页 |
| 2.1 概述 | 第23页 |
| 2.2 稀疏表示原理 | 第23-25页 |
| 2.3 词包模型 | 第25-27页 |
| 2.3.1 词包模型基本思想 | 第25页 |
| 2.3.2 词包模型在图像分类上的应用 | 第25-27页 |
| 2.4 常用的字典学习方法 | 第27-28页 |
| 2.5 经典的特征编码方法 | 第28-29页 |
| 2.6 金字塔模型原理 | 第29-31页 |
| 2.7 本章小结 | 第31-33页 |
| 第三章 基于多路分层正交匹配追踪的遥感图像场景分类 | 第33-49页 |
| 3.1 概述 | 第33页 |
| 3.2 现有的分层特征学习方法 | 第33-34页 |
| 3.3 本章建立的半监督遥感图像场景分类方法 | 第34-35页 |
| 3.4 K-SVD算法原理 | 第35-36页 |
| 3.5 OMP编码原理 | 第36-37页 |
| 3.6 半监督S3VM原理 | 第37-38页 |
| 3.7 本章的算法步骤 | 第38-40页 |
| 3.8 本章实验 | 第40-46页 |
| 3.8.1 实验数据集介绍 | 第40-42页 |
| 3.8.2 实验设置 | 第42页 |
| 3.8.3 遥感图像场景分类的实验结果 | 第42-43页 |
| 3.8.4 本章实验的字典大小分析 | 第43-44页 |
| 3.8.5 本章算法的结构分析 | 第44-45页 |
| 3.8.6 遥感场景检测的实验结果 | 第45-46页 |
| 3.9 本章小结 | 第46-49页 |
| 第四章 基于局部特征和分层稀疏编码的遥感图像场景分类 | 第49-61页 |
| 4.1 概述 | 第49页 |
| 4.2 特征描述子 | 第49-54页 |
| 4.2.1 SIFT特征 | 第49-52页 |
| 4.2.2 LBP特征 | 第52-54页 |
| 4.3 现有的基于SIFT和LBP特征的遥感图像场景分类方法 | 第54页 |
| 4.4 本章提出的遥感图像场景分类方法 | 第54-55页 |
| 4.5 本章的算法步骤 | 第55-57页 |
| 4.6 本章实验 | 第57-60页 |
| 4.6.1 实验数据集 | 第57页 |
| 4.6.2 实验参数设置 | 第57页 |
| 4.6.3 实验结果及分析 | 第57-59页 |
| 4.6.4 字典大小分析 | 第59-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第五章 基于多路分层特征学习的MATLAB并行算法 | 第61-73页 |
| 5.1 概述 | 第61页 |
| 5.2 MATLAB并行计算原理 | 第61-63页 |
| 5.2.1 MATLAB并行计算执行过程 | 第61-62页 |
| 5.2.2 MATLAB并行计算方法 | 第62-63页 |
| 5.3 基于多路分层正交匹配追踪的遥感场景分类方法算法分析 | 第63-65页 |
| 5.4 本章的并行算法设计 | 第65-67页 |
| 5.5 实验配置 | 第67-68页 |
| 5.6 MATLAB并行实验结果及分析 | 第68-71页 |
| 5.7 本章小结 | 第71-73页 |
| 第六章 工作总结和展望 | 第73-77页 |
| 6.1 本文所做的工作 | 第73-74页 |
| 6.2 工作展望 | 第74-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-85页 |
| 作者简介 | 第85-86页 |
