| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第16-40页 |
| 1.1 研究背景 | 第16-29页 |
| 1.1.1 遥感的分类体系 | 第16-18页 |
| 1.1.2 遥感技术发展的历程与趋势 | 第18-22页 |
| 1.1.3 遥感图像分类 | 第22-24页 |
| 1.1.4 深度学习简介 | 第24-28页 |
| 1.1.5 课题目标 | 第28-29页 |
| 1.1.6 课题来源 | 第29页 |
| 1.2 研究现状 | 第29-38页 |
| 1.2.1 遥感图像分类研究现状 | 第29-33页 |
| 1.2.2 深度学习研究现状 | 第33-37页 |
| 1.2.3 基于深度学习的遥感图像处理研究现状 | 第37-38页 |
| 1.3 论文主要工作和创新点 | 第38页 |
| 1.4 论文组织结构 | 第38-40页 |
| 第二章 基于深度信念网络的SAR遥感图像分类 | 第40-66页 |
| 2.1 研究背景 | 第40-44页 |
| 2.1.1 合成孔径雷达(SAR)简介 | 第40-43页 |
| 2.1.2 SAR遥感图像分类 | 第43-44页 |
| 2.2 DBN模型简介 | 第44-48页 |
| 2.2.1 受限玻尔兹曼机(RBM) | 第45-47页 |
| 2.2.2 BP网络 | 第47-48页 |
| 2.3 基于DBN的遥感图像分类方法 | 第48-49页 |
| 2.4 实验与分析 | 第49-61页 |
| 2.4.1 实验数据 | 第49-50页 |
| 2.4.2 分类精度评价 | 第50-53页 |
| 2.4.3 利用2天SAR数据的实验结果 | 第53-59页 |
| 2.4.4 利用6天SAR数据的实验结果 | 第59-61页 |
| 2.5 本章小结 | 第61-66页 |
| 第三章 基于层次LRF-ELM的高光谱遥感图像分类 | 第66-96页 |
| 3.1 研究背景 | 第66-72页 |
| 3.1.1 高光谱遥感简介 | 第66-70页 |
| 3.1.2 极限学习机 | 第70-72页 |
| 3.2 基于局部感受野极限学习机的HSI分类 | 第72-79页 |
| 3.2.1 局部感受野极限学习机 | 第72-74页 |
| 3.2.2 基于LRF-ELM的HSI分类 | 第74-75页 |
| 3.2.3 实验数据 | 第75-78页 |
| 3.2.4 实验设置 | 第78-79页 |
| 3.2.5 实验结果与分析 | 第79页 |
| 3.3 基于层次LRF-ELM的HSI分类 | 第79-93页 |
| 3.3.1 层次局部感受野极限学习机 | 第83-85页 |
| 3.3.2 实验数据与设置 | 第85-88页 |
| 3.3.3 实验结果与分析 | 第88-93页 |
| 3.4 本章小结 | 第93-96页 |
| 第四章 基于二阶矩稀疏编码的高光谱遥感图像分类 | 第96-110页 |
| 4.1 研究背景 | 第96-97页 |
| 4.2 稀疏编码概述 | 第97-101页 |
| 4.3 基于二阶矩稀疏编码的HSI分类 | 第101-102页 |
| 4.4 实验与分析 | 第102-108页 |
| 4.4.1 在天宫一号数据上的实验 | 第102-106页 |
| 4.4.2 在KSC数据上的实验 | 第106-108页 |
| 4.5 本章小结 | 第108-110页 |
| 第五章 基于层次稀疏编码的光学遥感图像场景分类 | 第110-128页 |
| 5.1 研究背景 | 第110-111页 |
| 5.2 多层多路径多尺度稀疏编码 | 第111-114页 |
| 5.3 实验与分析 | 第114-127页 |
| 5.3.1 在UCM数据集上的实验 | 第114-120页 |
| 5.3.2 在WHU-RS数据集上的实验 | 第120-124页 |
| 5.3.3 在RSSCN7数据集上的实验 | 第124-127页 |
| 5.4 本章小结 | 第127-128页 |
| 第六章 结论与展望 | 第128-130页 |
| 6.1 工作总结 | 第128-129页 |
| 6.2 研究展望 | 第129-130页 |
| 致谢 | 第130-132页 |
| 参考文献 | 第132-156页 |
| 作者在学期间取得的学术成果 | 第156-159页 |
| 发表的学术论文 | 第156-159页 |
| 专利成果 | 第159页 |
| 在学期间参加的科研项目 | 第159页 |
| 在学期间所获的奖励 | 第159页 |