| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状分析 | 第15-17页 |
| 1.3 论文的主要工作及内容安排 | 第17-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第二章 高光谱特性和相关分类方法研究 | 第20-30页 |
| 2.1 引言 | 第20页 |
| 2.2 高光谱图像的一般分类方法 | 第20-28页 |
| 2.2.1 稀疏表示分类器 | 第21-22页 |
| 2.2.2 联合稀疏表示分类 | 第22-23页 |
| 2.2.3 低秩表示 | 第23-25页 |
| 2.2.4 极限学习机 | 第25-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 基于多特征的鲁棒联合稀疏表示用于高光谱图像分类 | 第30-46页 |
| 3.1 引言 | 第30-31页 |
| 3.2 空谱域多特征提取 | 第31-32页 |
| 3.3 基于多特征的鲁棒联合稀疏表示分类 | 第32-35页 |
| 3.4 实验与分析 | 第35-45页 |
| 3.4.1 实验设计 | 第35-37页 |
| 3.4.2 常见的遥感影像分类精度评价指标 | 第37页 |
| 3.4.3 分类准确率结果及分析 | 第37-44页 |
| 3.4.4 参数对算法性能的影响 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于低秩和稀疏的多特征学习用于高光谱图像分类 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 低秩稀疏结构用于多特征学习 | 第46-48页 |
| 4.2.1 低秩表示用于多特征学习 | 第46-47页 |
| 4.2.2 低秩稀疏结构用于多特征学习 | 第47-48页 |
| 4.3 基于低秩稀疏结构的多特征学习用于高光谱图像分类 | 第48-52页 |
| 4.3.1 低秩稀疏表示 | 第48-50页 |
| 4.3.2 基于多特征学习的低秩稀疏表示 | 第50-52页 |
| 4.4 实验结果与分析 | 第52-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 多特征深度学习用于高光谱图像分类 | 第58-68页 |
| 5.1 引言 | 第58页 |
| 5.2 基于单特征的ELM分类器 | 第58-59页 |
| 5.2.1 单特征单层ELM分类器 | 第58-59页 |
| 5.2.2 基于单特征的多层ELM分类器 | 第59页 |
| 5.3 多特征深度学习ELM分类器 | 第59-62页 |
| 5.3.1 基于特征学习的单层ELM分类器 | 第59-60页 |
| 5.3.2 基于多特征学习的多层ELM分类器 | 第60-62页 |
| 5.4 实验结果与分析 | 第62-66页 |
| 5.4.1 实验设计 | 第62-65页 |
| 5.4.2 分类精度及分析 | 第65-66页 |
| 5.4.3 隐单元数目对实验精度影响 | 第66页 |
| 5.5 本章小结 | 第66-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 本文工作总结 | 第68-69页 |
| 6.2 未来展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-79页 |
