| 摘要 | 第8-9页 |
| 英文摘要 | 第9-10页 |
| 1 前言 | 第11-21页 |
| 1.1 高光谱遥感技术的介绍 | 第11-13页 |
| 1.2 高光谱数据分类研究的目的和意义 | 第13-14页 |
| 1.3 高光谱数据分类技术相关理论以及研究现状 | 第14-18页 |
| 1.3.1 基于特征空间的分类方法 | 第15-17页 |
| 1.3.2 基于光谱匹配的分类方法 | 第17-18页 |
| 1.4 深度学习简介 | 第18-20页 |
| 1.4.1 深度学习背景 | 第18-19页 |
| 1.4.2 深度学习理论 | 第19-20页 |
| 1.5 论文的内容安排和主要工作 | 第20-21页 |
| 2 高光谱数据介绍及分析 | 第21-31页 |
| 2.1 高光谱数据介绍 | 第21-23页 |
| 2.1.1 高光谱的空间和谱间数据 | 第21-22页 |
| 2.1.2 高光谱数据存储格式 | 第22-23页 |
| 2.2 高光谱数据相关性分析 | 第23-26页 |
| 2.2.1 高光谱数据空间相关性分析 | 第23-24页 |
| 2.2.2 高光谱数据谱间相关性分析 | 第24-26页 |
| 2.3 高光谱图像数据维度和信息量分析 | 第26-27页 |
| 2.4 数据集介绍 | 第27-29页 |
| 2.5 本章小结 | 第29-31页 |
| 3 基于卷积神经网络与SVM结合的高光谱图像分类 | 第31-48页 |
| 3.1 卷积神经网络 | 第31-39页 |
| 3.1.1 深度学习流行框架 | 第31页 |
| 3.1.2 卷积神经网络理论 | 第31-32页 |
| 3.1.3 基于卷积神经网络的高光谱图像分类 | 第32-39页 |
| 3.2 支持向量机相关理论 | 第39-41页 |
| 3.3 卷积神经网络与SVM的结合框架 | 第41-43页 |
| 3.4 实验结果与分析 | 第43-47页 |
| 3.4.1 基于卷积神经网络的高光谱图像分类结果 | 第43-46页 |
| 3.4.2 基于卷积神经网络与SVM结合的高光谱图像分类结果 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 基于自适应空域窗口的高光谱图像分类 | 第48-62页 |
| 4.1 窗口大小对分类结果的影响 | 第48-51页 |
| 4.1.1 窗口大小对分类结果影响的理论分析 | 第48-49页 |
| 4.1.2 窗口大小对分类结果影响的实验验证 | 第49-51页 |
| 4.2 分类置信度 | 第51-53页 |
| 4.2.1 朴素贝叶斯分类器的分类置信度 | 第51页 |
| 4.2.2 最近邻分类器的分类置信度 | 第51-52页 |
| 4.2.3 k近邻分类器的分类置信度 | 第52页 |
| 4.2.4 神经网络的分类置信度 | 第52-53页 |
| 4.3 基于空域自适应窗口的分类方法 | 第53-58页 |
| 4.3.1 基于卷积神经网络的分类置信度 | 第53-55页 |
| 4.3.2 非极大抑制方法 | 第55-56页 |
| 4.3.3 空域窗口自适应算法 | 第56-58页 |
| 4.4 实验结果与分析 | 第58-60页 |
| 4.5 本章小结 | 第60-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62页 |
| 5.2 展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间发表的学术论文 | 第72页 |