| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 1 绪论 | 第10-18页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 高光谱遥感技术简介及研究现状 | 第11-14页 |
| 1.2.2 深度学习理论的发展 | 第14页 |
| 1.2.3 高光谱图像分类的研究现状和新问题 | 第14-16页 |
| 1.3 本文的主要研究目标及任务 | 第16-18页 |
| 1.3.1 本文的研究目标 | 第16页 |
| 1.3.2 本文的结构及主要任务 | 第16-18页 |
| 2 高光谱图像数据简介及模型评价指标 | 第18-24页 |
| 2.1 高光谱图像数据简介 | 第18-20页 |
| 2.1.1 IndianPines数据集 | 第18-19页 |
| 2.1.2 PaviaUniversity数据集 | 第19-20页 |
| 2.2 图像预处理 | 第20-22页 |
| 2.2.1 F-范数和降维 | 第20-21页 |
| 2.2.2 图像归一化 | 第21-22页 |
| 2.3 评价指标 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 基于DBN网络的高光谱图像分类及参数设置 | 第24-38页 |
| 3.1 神经网络简介 | 第24-26页 |
| 3.2 DBN简介 | 第26-29页 |
| 3.3 基于高光谱图像光谱信息的DBN分类 | 第29-31页 |
| 3.3.1 高光谱图像光谱信息简介 | 第29-30页 |
| 3.3.2 基于光谱信息的DBN模型设计 | 第30-31页 |
| 3.4 基于高光谱图像空间信息的DBN分类 | 第31-33页 |
| 3.4.1 主成分分析与高光谱图像空间信息 | 第31-33页 |
| 3.4.2 基于空间信息的DBN分类模型设计 | 第33页 |
| 3.5 基于高光谱图像空谱信息的DBN分类 | 第33-34页 |
| 3.6 实验结果比较与分析 | 第34-37页 |
| 3.7 本章小结 | 第37-38页 |
| 4 基于2D-CNN网络的高光谱图像分类 | 第38-54页 |
| 4.1 CNN概述 | 第38-46页 |
| 4.1.1 CNN | 第38-39页 |
| 4.1.2 CNN结构简介 | 第39-46页 |
| 4.2 基于2D-CNN的高光谱图像分类 | 第46-51页 |
| 4.2.1 基于高光谱图像光谱信息的2D-CNN分类 | 第46-48页 |
| 4.2.2 基于高光谱图像空间信息的2D-CNN分类 | 第48-49页 |
| 4.2.3 基于高光谱图像空谱信息的2D-CNN分类 | 第49-51页 |
| 4.3 实验结果比较与分析 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 5 高光谱图像采用2D-CNN分类的网络参数设置研究 | 第54-65页 |
| 5.1 参数分类 | 第54页 |
| 5.2 基于参数调节的2D-CNN分类 | 第54-61页 |
| 5.2.1 外部参数调节 | 第55-58页 |
| 5.2.2 内部参数调节 | 第58-59页 |
| 5.2.3 改进参数调节 | 第59-61页 |
| 5.3 实验结果比较与分析 | 第61-64页 |
| 5.3.1 SVM基本原理 | 第61-62页 |
| 5.3.2 不同分类方法结果对比 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 6 基于3D-CNN网络和虚拟样本的高光谱图像分类 | 第65-71页 |
| 6.1 高光谱图像分类难点 | 第65页 |
| 6.2 三维卷积介绍 | 第65-66页 |
| 6.3 基于3D-CNN的高光谱图像分类 | 第66-68页 |
| 6.4 基于虚拟样本的3D-CNN分类 | 第68-69页 |
| 6.5 不同分类方法结果对比 | 第69-70页 |
| 6.6 本章小结 | 第70-71页 |
| 7 总结与展望 | 第71-73页 |
| 7.1 总结 | 第71-72页 |
| 7.2 展望 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-80页 |
| 攻读学位期间发表的学术论文目录 | 第80-81页 |
