| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景和意义 | 第16-17页 |
| 1.2 国内外的研究现状 | 第17-19页 |
| 1.2.1 分类技术现状 | 第17-18页 |
| 1.2.2 稀疏编码理论 | 第18-19页 |
| 1.3 研究内容与创新 | 第19-22页 |
| 第二章 高光谱图像分类研究 | 第22-32页 |
| 2.1 高光谱图像特点 | 第22-23页 |
| 2.2 高光谱图像分类面临的难题 | 第23-24页 |
| 2.2.1 高维问题 | 第23-24页 |
| 2.2.2 波段相关性高 | 第24页 |
| 2.2.3 混合像素问题 | 第24页 |
| 2.3 高光谱图像分类的发展趋势 | 第24-25页 |
| 2.4 评价高光谱图像分类的方法 | 第25-30页 |
| 2.4.1 高光谱图像分类的基准数据集 | 第25-29页 |
| 2.4.2 分类评价指标 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 基于引导滤波和字典学习的高光谱图像分类 | 第32-50页 |
| 3.1 引导滤波 | 第32-33页 |
| 3.2 字典学习理论 | 第33-35页 |
| 3.3 SVM分类器 | 第35页 |
| 3.4 基于引导滤波和字典学习的高光谱图像分类方法 | 第35-37页 |
| 3.4.1 基于引导滤波的字典学习方法 | 第36-37页 |
| 3.4.2 算法步骤 | 第37页 |
| 3.5 实验结果与分析 | 第37-49页 |
| 3.5.1 实验参数设置 | 第37-38页 |
| 3.5.2 实验图像介绍 | 第38-40页 |
| 3.5.3 实验结果与分析 | 第40-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 基于非局部相似性和稀疏编码的高光谱图像分类 | 第50-64页 |
| 4.1 非局部均值滤波 | 第50-51页 |
| 4.2 光谱角匹配法 | 第51页 |
| 4.3 基于非局部相似性和稀疏编码的高光谱图像分类 | 第51-53页 |
| 4.3.1 非局部相似性约束 | 第51-53页 |
| 4.3.2 算法流程 | 第53页 |
| 4.4 实验结果与分析 | 第53-63页 |
| 4.4.1 Indian Pines图像实验 | 第54-57页 |
| 4.4.2 Pavia University图像实验 | 第57-60页 |
| 4.4.3 Salinas图像实验 | 第60-62页 |
| 4.4.4 实验结果分析 | 第62-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 基于多元Laplace尺度混合先验的高光谱图像分类 | 第64-72页 |
| 5.1 Laplace尺度混合分布 | 第64-66页 |
| 5.2 基于多元Laplace尺度混合分布的稀疏编码模型 | 第66-68页 |
| 5.2.1 多元Laplace尺度混合分布 | 第66页 |
| 5.2.2 多元Laplace尺度混合分布的稀疏编码模型 | 第66-67页 |
| 5.2.3 算法流程 | 第67-68页 |
| 5.3 实验结果与分析 | 第68-71页 |
| 5.3.1 Indian Pines图像实验 | 第68-71页 |
| 5.3.2 结果分析 | 第71页 |
| 5.4 本章小结 | 第71-72页 |
| 第六章 结论和展望 | 第72-74页 |
| 6.1 研究结论 | 第72-73页 |
| 6.2 研究展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 作者简介 | 第80-81页 |
