空谱信息联合的高光谱图像分类方法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题背景及研究目的和意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 课题研究的意义 | 第11-12页 |
| 1.2 高光谱遥感发展及数据表达 | 第12-15页 |
| 1.2.1 高光谱遥感技术的发展 | 第12-13页 |
| 1.2.2 高光谱图像数据表达 | 第13-15页 |
| 1.3 高光谱图像分类研究现状 | 第15-17页 |
| 1.3.1 高光谱图像分类方法 | 第15-17页 |
| 1.3.2 基于核方法的高光谱图像分类技术 | 第17页 |
| 1.4 研究内容及组织结构 | 第17-18页 |
| 1.5 本文实验数据与实验环境 | 第18-21页 |
| 第2章 高光谱图像分类理论与技术 | 第21-36页 |
| 2.1 高光谱图像特征提取理论 | 第21-25页 |
| 2.1.1 线性主成分分析 | 第21-22页 |
| 2.1.2 高斯-马尔可夫随机场的纹理特征提取 | 第22-23页 |
| 2.1.3 灰度共生矩阵纹理特征提取 | 第23-25页 |
| 2.2 高光谱图像模式分类理论 | 第25-26页 |
| 2.2.1 高光谱图像统计模式分类过程 | 第25页 |
| 2.2.2 分类器性能评价准则 | 第25-26页 |
| 2.3 支持向量机在高光谱分类中的应用 | 第26-32页 |
| 2.3.1 支持向量机理论基础 | 第26-28页 |
| 2.3.2 核方法概述 | 第28-29页 |
| 2.3.3 支持向量机分类原理 | 第29-31页 |
| 2.3.4 多分类器构造 | 第31-32页 |
| 2.4 实验部分 | 第32-35页 |
| 2.4.1 实验设置 | 第32-33页 |
| 2.4.2 结果与分析 | 第33-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 变换域的纹理特征提取及空谱信息融合分类 | 第36-51页 |
| 3.1 经验模态分解理论 | 第36-40页 |
| 3.1.1 本征模态函数 | 第36-37页 |
| 3.1.2 经验模态分解算法原理 | 第37-40页 |
| 3.2 变换域高光谱图像纹理特征提取 | 第40-44页 |
| 3.2.1 Gabor小波滤波原理 | 第40-41页 |
| 3.2.2 2-D Gabor滤波的纹理特征提取 | 第41-42页 |
| 3.2.3 算法描述 | 第42-44页 |
| 3.3 实验部分 | 第44-49页 |
| 3.3.1 实验设置 | 第44页 |
| 3.3.2 结果与分析 | 第44-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第4章 基于多尺度核学习的空谱信息挖掘与分类技术 | 第51-64页 |
| 4.1 多尺度核学习理论 | 第51-54页 |
| 4.1.1 多尺度核学习理论框架 | 第51-52页 |
| 4.1.2 高斯核函数相似性度量 | 第52-54页 |
| 4.2 基于非负矩阵分解的多尺度基核最优集成 | 第54-57页 |
| 4.2.1 问题描述及目标函数建立 | 第55页 |
| 4.2.2 迭代规则 | 第55-56页 |
| 4.2.3 低秩非负矩阵分解下的基核学习 | 第56-57页 |
| 4.3 基于多尺度核学习的空谱信息挖掘模型 | 第57-58页 |
| 4.4 实验部分 | 第58-63页 |
| 4.4.1 实验设置 | 第58页 |
| 4.4.2 结果与分析 | 第58-63页 |
| 4.5 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第72-73页 |
| 致谢 | 第73页 |
