| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-19页 |
| 1.1 研究背景及选题来源 | 第8-10页 |
| 1.2 国内外在相关领域的研究进展 | 第10-12页 |
| 1.3 高光谱图像分类面临的主要问题 | 第12-13页 |
| 1.4 高光谱图像数据介绍 | 第13-17页 |
| 1.4.1 KennedySpaceCenter(KSC)数据集 | 第14-16页 |
| 1.4.2 Salinas 数据集 | 第16页 |
| 1.4.3 IndianPines数据集 | 第16-17页 |
| 1.5 论文结构 | 第17-19页 |
| 第2章 现有高光谱图像研究 | 第19-27页 |
| 2.1 高光谱图像的空间与光谱特征提取 | 第19-21页 |
| 2.1.1 主成分分析(PCA) | 第19-20页 |
| 2.1.2 独立成分分析(ICA) | 第20页 |
| 2.1.3 局部二值模式(LBP) | 第20-21页 |
| 2.2 高光谱图像的分类方法 | 第21-26页 |
| 2.2.1 支持向量机(SVM) | 第21-23页 |
| 2.2.2 K-近邻分类(KNN) | 第23-24页 |
| 2.2.3 基于稀疏表示分类(SRC) | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于Gabor特征与支持向量引导字典学习的高光谱图像分类 | 第27-36页 |
| 3.1 引言 | 第27-28页 |
| 3.2 Gabor特征 | 第28-29页 |
| 3.2.1 Gabor特征的提出 | 第28页 |
| 3.2.2 一维与二维的Gabor特征 | 第28-29页 |
| 3.3 支持向量引导字典学习模型 | 第29-31页 |
| 3.4 基于二维Gabor与支持向量引导字典学习方法 | 第31-32页 |
| 3.5 实验结果及分析 | 第32-34页 |
| 3.5.1 KennedySpaceCenter数据集 | 第33页 |
| 3.5.2 Salinas数据集 | 第33-34页 |
| 3.6 本章小结 | 第34-36页 |
| 第4章 基于扩展形态特征与Gabor特征融合的高光谱图像分类 | 第36-46页 |
| 4.1 引言 | 第36-37页 |
| 4.2 高光谱图像的扩展形态特征 | 第37-38页 |
| 4.3 三维Gabor特征 | 第38-39页 |
| 4.4 基于扩展形态特征与Gabor特征融合方法 | 第39-41页 |
| 4.4.1 基于扩展形态的三维Gabor特征提取 | 第39-40页 |
| 4.4.2 对扩展形态的三维Gabor特征选择 | 第40-41页 |
| 4.5 实验结果及分析 | 第41-45页 |
| 4.5.1 AVIRISIndianPines数据集 | 第42-43页 |
| 4.5.2 KennedySpaceCenter数据集 | 第43-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第5章 总结与展望 | 第46-48页 |
| 5.1 研究工作总结 | 第46页 |
| 5.2 未来研究工作展望 | 第46-48页 |
| 参考文献 | 第48-53页 |
| 致谢 | 第53-54页 |
| 攻读硕士学位期间的研究成果 | 第54页 |
