基于MLR和空谱特征的遥感图像分类方法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景与研究意义 | 第12-13页 |
| 1.2 目前的方法 | 第13-15页 |
| 1.2.1 基于特征空间的分类方法 | 第13-14页 |
| 1.2.2 基于光谱匹配的分类方法 | 第14-15页 |
| 1.2.3 基于核方法的分类 | 第15页 |
| 1.3 目前的问题 | 第15-16页 |
| 1.4 主要工作和文章结构 | 第16-18页 |
| 第2章 遥感图像处理和特征提取方法研究 | 第18-33页 |
| 2.1 光谱特征提取 | 第18-20页 |
| 2.1.1 主成分分析法 | 第19页 |
| 2.1.2 基于遗传算法的特征提取 | 第19-20页 |
| 2.2 纹理特征提取 | 第20-26页 |
| 2.2.1 灰度共生矩阵法 | 第20-22页 |
| 2.2.2 Laws纹理能量 | 第22-23页 |
| 2.2.3 空间自相关函数 | 第23-24页 |
| 2.2.4 小波变换 | 第24-26页 |
| 2.3 超像素分割 | 第26-32页 |
| 2.3.1 基于图论的超像素分割 | 第26-30页 |
| 2.3.2 基于梯度下降的分割方法 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 遥感图像分类方法 | 第33-54页 |
| 3.1 波段选择 | 第34-38页 |
| 3.1.1 波段选择方法 | 第35-37页 |
| 3.1.2 最佳指数因子法 | 第37-38页 |
| 3.2 主成分分析 | 第38-41页 |
| 3.2.1 PCA具体步骤 | 第39-40页 |
| 3.2.2 PCA主要作用 | 第40-41页 |
| 3.3 多元逻辑回归分类方法 | 第41-51页 |
| 3.3.1 核方法 | 第41页 |
| 3.3.2 核函数原理 | 第41-42页 |
| 3.3.3 核函数的判定 | 第42页 |
| 3.3.4 合成核方法 | 第42-46页 |
| 3.3.5 高光谱合成核 | 第46-48页 |
| 3.3.6 基于MLR的高光谱图像分类方法 | 第48-51页 |
| 3.4 结合超像素特征提取的MLR分类方法 | 第51-53页 |
| 3.4.1 超像素特征 | 第51-52页 |
| 3.4.2 基于超像素的合成核函数 | 第52-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第4章 实验结果与分析 | 第54-69页 |
| 4.1 数据集参数 | 第54-56页 |
| 4.1.1 高光谱数据 | 第54页 |
| 4.1.2 波段信息 | 第54-56页 |
| 4.2 波段选择实验 | 第56-61页 |
| 4.2.1 波段初选 | 第56-58页 |
| 4.2.2 波段初选+OIF对比OIF | 第58页 |
| 4.2.3 波段选择对于分类精度的影响 | 第58-61页 |
| 4.3 超像素分割和特征提取 | 第61-68页 |
| 4.3.1 分割效果和算法对比 | 第61-62页 |
| 4.3.2 空间特征 | 第62页 |
| 4.3.3 训练集的构建 | 第62-64页 |
| 4.3.4 分类结果 | 第64-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第5章 总结和展望 | 第69-71页 |
| 5.1 本文的主要工作 | 第69-70页 |
| 5.2 改进方向 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 作者简介以及在读期间的科研成果 | 第76-77页 |
| 致谢 | 第77页 |
