兼顾效率与精度的高光谱遥感影像分类技术研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-14页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 论文研究内容与章节安排 | 第17-19页 |
| 第2章 高光谱遥感图像分类理论 | 第19-39页 |
| 2.1 传统的高光谱遥感图像监督分类技术 | 第19-21页 |
| 2.1.1 光谱角匹配法分类方法介绍 | 第19-20页 |
| 2.1.2 最大似然分类方法介绍 | 第20-21页 |
| 2.2 支持向量机基本理论 | 第21-25页 |
| 2.2.1 线性可分的支持向量机 | 第22-23页 |
| 2.2.2 最优分类超平面 | 第23-24页 |
| 2.2.3 非线性可分的支持向量机 | 第24-25页 |
| 2.3 孪生支持向量机基本理论 | 第25-30页 |
| 2.3.1 线性可分的TWSVM | 第26-27页 |
| 2.3.2 非线性可分的TWSVM | 第27-28页 |
| 2.3.3 最小二乘孪生支持向量机 | 第28-30页 |
| 2.4 高光谱遥感影像分类理论 | 第30-31页 |
| 2.4.1 高光谱遥感影像的分类流程 | 第30页 |
| 2.4.2 分类结果评价的一般方法 | 第30-31页 |
| 2.5 本文实验采用的数据集及实验运行环境 | 第31-34页 |
| 2.5.1 实验运行环境 | 第31页 |
| 2.5.2 实验数据 | 第31-34页 |
| 2.6 实验分析 | 第34-37页 |
| 2.7 本章小结 | 第37-39页 |
| 第3章 基于空间位置信息的样本筛选 | 第39-51页 |
| 3.1 基于空间信息模型的样本筛选 | 第39-42页 |
| 3.1.1 空间信息模型的基本原理 | 第39-40页 |
| 3.1.2 基于线性空间的样本筛选 | 第40-41页 |
| 3.1.3 基于非线性空间的样本筛选 | 第41-42页 |
| 3.2 基于样本邻域空间信息的分类结果校正 | 第42页 |
| 3.3 实验分析 | 第42-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第4章 基于融合特征的分类技术研究 | 第51-71页 |
| 4.1 图像空间纹理特征 | 第51-52页 |
| 4.2 高光谱图像纹理特征提取方法介绍 | 第52-58页 |
| 4.2.1 基于图像波段间降维的特征提取方法 | 第52-54页 |
| 4.2.2 基于变换域的特征提取 | 第54-57页 |
| 4.2.3 基于滤波方式的纹理特征提取 | 第57-58页 |
| 4.3 基于融合特征的影像分类方法描述 | 第58-60页 |
| 4.4 实验分析 | 第60-68页 |
| 4.4.1 基于特征融合的图像分类实验分析 | 第60-65页 |
| 4.4.2 兼顾效率和精度的遥感影像分类实验 | 第65-68页 |
| 4.5 本章小结 | 第68-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-80页 |
| 致谢 | 第80-81页 |
