基于多特征融合的高光谱遥感图像分类研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-14页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 高光谱特征融合研究现状 | 第11-12页 |
| 1.3 存在问题 | 第12-13页 |
| 1.4 章节安排 | 第13-14页 |
| 第二章 论文相关理论介绍 | 第14-23页 |
| 2.1 高光谱特征选取 | 第14-18页 |
| 2.1.1 主成分分析法 | 第14-15页 |
| 2.1.2 灰度共生矩阵 | 第15-16页 |
| 2.1.3 颜色直方图 | 第16页 |
| 2.1.4 形态学特征 | 第16-18页 |
| 2.1.5 局部二值模式 | 第18页 |
| 2.2 分类算法介绍 | 第18-22页 |
| 2.2.1 AdaBoost算法介绍 | 第18-19页 |
| 2.2.2 RVM相关向量机算法介绍 | 第19-21页 |
| 2.2.3 SVM支持向量机算法介绍 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 基于多特征融合的遥感图像分类改进算法研究 | 第23-35页 |
| 3.1 特征融合改进算法简介 | 第23页 |
| 3.2 基于特征归一化融合改进算法研究 | 第23-29页 |
| 3.2.1 基于降维特征算法研究 | 第24-25页 |
| 3.2.2 基于灰度共生矩阵的纹理特征算法研究 | 第25页 |
| 3.2.3 基于直方图特征算法研究 | 第25-26页 |
| 3.2.4 基于特征归一化融合改进算法的步骤 | 第26-29页 |
| 3.3 基于RVM改进的融合算法研究 | 第29-34页 |
| 3.3.1 基于LBPC算法的纹理特征研究 | 第30-31页 |
| 3.3.2 基于形态特征算法研究 | 第31-32页 |
| 3.3.3 基于RVM改进的融合算法步骤 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于多特征融合的遥感图像分类实验 | 第35-48页 |
| 4.1 实验数据介绍 | 第35页 |
| 4.2 基于特征归一化融合改进算法研究实验 | 第35-41页 |
| 4.2.1 实验样本选择 | 第36页 |
| 4.2.2 特征选取 | 第36-38页 |
| 4.2.3 实验精度分析 | 第38-41页 |
| 4.3 基于RVM改进的融合算法研究实验 | 第41-47页 |
| 4.3.1 高光谱影像实验样本选择 | 第42页 |
| 4.3.2 高光谱影像特征选取 | 第42-43页 |
| 4.3.3 高光谱影像实验精度分析 | 第43-44页 |
| 4.3.4 高光谱影像实验结果对比图 | 第44-45页 |
| 4.3.5 沙湖影像样本选择 | 第45页 |
| 4.3.6 沙湖影像特征选取 | 第45-46页 |
| 4.3.7 沙湖实验精度分析 | 第46-47页 |
| 4.3.8 沙湖实验结果对比图 | 第47页 |
| 4.4 实验结果分析 | 第47-48页 |
| 4.5 本章小结 | 第48页 |
| 第五章 总结与展望 | 第48-51页 |
| 5.1 工作总结 | 第48-49页 |
| 5.2 研究展望 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56-57页 |
