基于空间邻域信息的高光谱遥感影像半监督分类
| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 变量注释表 | 第14-16页 |
| 1 绪论 | 第16-25页 |
| 1.1 研究背景与选题依据 | 第16-17页 |
| 1.2 国内外研究进展 | 第17-21页 |
| 1.3 存在的问题 | 第21页 |
| 1.4 研究内容和技术路线 | 第21-23页 |
| 1.5 论文章节安排 | 第23-25页 |
| 2 半监督分类理论基础与高光谱实验数据分析 | 第25-34页 |
| 2.1 基于生成模型的半监督分类 | 第25-27页 |
| 2.2 基于主动学习的半监督分类 | 第27-29页 |
| 2.3 基于协同学习的半监督分类 | 第29-30页 |
| 2.4 基于图的半监督分类 | 第30-31页 |
| 2.5 高光谱实验数据分析 | 第31-33页 |
| 2.6 本章小结 | 第33-34页 |
| 3 基于主动学习与分类器集成的半监督分类 | 第34-48页 |
| 3.1 分类器集成训练 | 第34-37页 |
| 3.2 基于主动学习的标记样本増选 | 第37-38页 |
| 3.3 实验结果与分析 | 第38-47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 基于超像素分割对象的半监督分类 | 第48-63页 |
| 4.1 超像素分割理论 | 第49页 |
| 4.2 基于超像素分割对象的分类器集成 | 第49-51页 |
| 4.3 标记对象増选 | 第51-52页 |
| 4.4 实验结果与分析 | 第52-62页 |
| 4.5 本章小结 | 第62-63页 |
| 5 基于超像素邻接图的半监督分类 | 第63-74页 |
| 5.1 主成分分析与聚类分析理论 | 第64-65页 |
| 5.2 超像素邻接图合并 | 第65-66页 |
| 5.3 导向图滤波 | 第66-67页 |
| 5.4 实验结果与分析 | 第67-73页 |
| 5.5 本章小结 | 第73-74页 |
| 6 结论与展望 | 第74-76页 |
| 6.1 结论 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-82页 |
| 作者简历 | 第82-84页 |
| 学位论文数据集 | 第84页 |
