| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-18页 |
| 第一章 绪论 | 第18-32页 |
| 1.1 研究背景及意义 | 第18-19页 |
| 1.2 遥感图像分类算法 | 第19-22页 |
| 1.3 遥感图像基理分析 | 第22-26页 |
| 1.3.1 SAR图像 | 第22-24页 |
| 1.3.2 高光谱图像 | 第24-26页 |
| 1.4 统计学习的研究进展与存在的问题 | 第26-30页 |
| 1.4.1 基于统计学习的SAR图像变化检测 | 第26-28页 |
| 1.4.2 基于统计学习的高光谱分类 | 第28-30页 |
| 1.5 本文的主要工作及内容安排 | 第30-32页 |
| 第二章 基于局部匹配搜索模型和核图切的SAR图像变化检测 | 第32-52页 |
| 2.1 引言 | 第32页 |
| 2.2 结合局部匹配搜索模型和核图切的学习算法 | 第32-36页 |
| 2.2.1 局部匹配 | 第32-33页 |
| 2.2.2 优化初始标签 | 第33-34页 |
| 2.2.3 核图切 | 第34-36页 |
| 2.3 基于局部匹配搜索模型和核图切的SAR图像变化检测 | 第36-41页 |
| 2.3.1 差异图像生成 | 第36页 |
| 2.3.2 初始化 | 第36-39页 |
| 2.3.3 核图切变化检测 | 第39-41页 |
| 2.4 实验结果与分析 | 第41-51页 |
| 2.4.1 黄河河口数据 | 第41-43页 |
| 2.4.2 实验设置 | 第43-44页 |
| 2.4.3 Farmland数据集的变化检测结果 | 第44-46页 |
| 2.4.4 River数据集的变化检测结果 | 第46-48页 |
| 2.4.5 Coastline数据集的变化检测结果 | 第48-49页 |
| 2.4.6 较大面积黄河河口数据集的变化检测结果 | 第49-51页 |
| 2.5 本章小结 | 第51-52页 |
| 第三章 基于局部信息和EM算法的SAR图像变化检测 | 第52-72页 |
| 3.1 引言 | 第52页 |
| 3.2 基于广义高斯模型的EM算法 | 第52-55页 |
| 3.3 融合局部信息的EM算法 | 第55-60页 |
| 3.3.1 算法思想 | 第55-56页 |
| 3.3.2 基于D-S策略的局部信息融合 | 第56-58页 |
| 3.3.3 算法框架及实现 | 第58-60页 |
| 3.4 实验结果与分析 | 第60-70页 |
| 3.4.1 实验设置 | 第60-61页 |
| 3.4.2 参数敏感性分析 | 第61-62页 |
| 3.4.3 算法有效性分析 | 第62-63页 |
| 3.4.4 SAR图像变化检测结果与分析 | 第63-70页 |
| 3.5 本章小结 | 第70-72页 |
| 第四章 基于类相关非局部均值的高光谱图像分类 | 第72-86页 |
| 4.1 引言 | 第72页 |
| 4.2 非局部均值 | 第72-74页 |
| 4.3 类相关非局部均值的高光谱分类 | 第74-77页 |
| 4.3.1 相似性度量 | 第75-76页 |
| 4.3.2 算法框架及实现 | 第76-77页 |
| 4.4 实验结果与分析 | 第77-84页 |
| 4.4.1 数据描述 | 第77-78页 |
| 4.4.2 实验设置 | 第78-79页 |
| 4.4.3 人工数据集实验结果与分析 | 第79-80页 |
| 4.4.4 真实图像实验结果与分析 | 第80-83页 |
| 4.4.5 计算复杂度分析 | 第83-84页 |
| 4.5 本章小结 | 第84-86页 |
| 第五章 基于间断自适应非局部均值和能量融合的高光谱图像分类 | 第86-108页 |
| 5.1 引言 | 第86页 |
| 5.2 间断自适应模型 | 第86-88页 |
| 5.3 间断自适应非局部均值和能量融合模型 | 第88-95页 |
| 5.3.1 间断自适应类相关非局部均值算法 | 第88-91页 |
| 5.3.2 能量融合模型 | 第91-92页 |
| 5.3.3 算法框架及实现 | 第92-95页 |
| 5.4 实验结果与分析 | 第95-107页 |
| 5.4.1 实验设置 | 第95页 |
| 5.4.2 AVIRIS Indian Pines数据实验结果与分析 | 第95-96页 |
| 5.4.3 ROSIS University of Pavia数据实验结果与分析 | 第96-99页 |
| 5.4.4 计算复杂度分析 | 第99-107页 |
| 5.5 本章小结 | 第107-108页 |
| 第六章 基于空间信息与贝叶斯模型的高光谱图像分类 | 第108-126页 |
| 6.1 引言 | 第108页 |
| 6.2 贝叶斯模型 | 第108-109页 |
| 6.3 基于空间先验信息的贝叶斯模型 | 第109-114页 |
| 6.3.1 算法思想及框架 | 第109-111页 |
| 6.3.2 加权D-S策略 | 第111-113页 |
| 6.3.3 算法实现 | 第113-114页 |
| 6.4 实验结果与分析 | 第114-124页 |
| 6.4.1 实验设置 | 第114-115页 |
| 6.4.2 参数敏感性分析 | 第115-118页 |
| 6.4.3 AVIRIS Indian Pines数据实验结果与分析 | 第118-122页 |
| 6.4.4 ROSIS University of Pavia数据实验结果与分析 | 第122-124页 |
| 6.5 本章小结 | 第124-126页 |
| 总结与展望 | 第126-130页 |
| 参考文献 | 第130-146页 |
| 致谢 | 第146-148页 |
| 作者简介 | 第148-149页 |
