摘要 | 第5-7页 |
ABSTRACT | 第7-9页 |
符号对照表 | 第13-15页 |
缩略语对照表 | 第15-20页 |
第一章 绪论 | 第20-38页 |
1.1 研究背景及意义 | 第20-23页 |
1.2 研究进展与现状 | 第23-33页 |
1.2.1 遥感影像缺失信息复原 | 第23-25页 |
1.2.2 利用多源传感器数据的遥感影像光谱-空间-时间数据融合 | 第25-26页 |
1.2.3 训练样本有限情况下的高光谱遥感图像解译与分析 | 第26-28页 |
1.2.4 跨视角航空图像和地面街景图像融合 | 第28-32页 |
1.2.5 无监督学习的图像语义标注 | 第32-33页 |
1.3 本文的主要研究工作及章节安排 | 第33-35页 |
1.3.1 主要研究内容 | 第33-35页 |
1.4 本文组织结构 | 第35-38页 |
第二章 基于联合邻域回归的多时相遥感数据缺失信息复原 | 第38-54页 |
2.1 引言 | 第38页 |
2.2 多时相遥感数据缺失信息复原 | 第38-43页 |
2.2.1 遥感影像缺失信息复原问题定义 | 第38-40页 |
2.2.2 共同特征空间学习 | 第40-41页 |
2.2.3 光谱和空间缺失特征信息重建 | 第41-42页 |
2.2.4 遥感影像缺失信息重建优化方法 | 第42-43页 |
2.3 实验结果分析 | 第43-51页 |
2.3.1 遥感影像光谱缺失信息复原实验 | 第43-47页 |
2.3.2 利用多时相遥感图像复原空间缺失信息 | 第47-51页 |
2.4 总结与展望 | 第51-54页 |
第三章 结合空时谱特征的不同分辨率遥感影像融合 | 第54-72页 |
3.1 引言 | 第54-55页 |
3.2 联合空时谱特征的稀疏表示遥感影像融合模型 | 第55-59页 |
3.2.1 空谱特征学习 | 第55-56页 |
3.2.2 时序变化特征学习 | 第56页 |
3.2.3 结合空时谱特征的遥感影像融合的稀疏表示方法 | 第56-59页 |
3.3 优化算法 | 第59-60页 |
3.3.1 实相特征学习优化算法 | 第59页 |
3.3.2 结合空时谱特征的遥感影像融合的稀疏表示框架优化算法 | 第59-60页 |
3.4 实验结果分析 | 第60-68页 |
3.4.1 实验数据 | 第60-62页 |
3.4.2 实验结果及分析 | 第62-68页 |
3.5 总结与展望 | 第68-72页 |
第四章 基于多特征学习的训练类标有限情况下高光谱遥感影像分类方法 | 第72-90页 |
4.1 引言 | 第72-73页 |
4.2 多种核函数的构建 | 第73-75页 |
4.2.1 自适应相似性核特征 | 第73-74页 |
4.2.2 自适应多样性核特征 | 第74页 |
4.2.3 超参数选取策略 | 第74-75页 |
4.3 基于核函数和贝叶斯理论的高光谱遥感图像多特征学习方法 | 第75-79页 |
4.3.1 决策级融合策略 | 第77-78页 |
4.3.2 基于多源特征学习的高光谱分类 | 第78-79页 |
4.4 实验结果分析 | 第79-89页 |
4.4.1 实验数据介绍 | 第79-81页 |
4.4.2 实验参数设置 | 第81-84页 |
4.4.3 实验结果分析 | 第84-89页 |
4.5 总结与展望 | 第89-90页 |
第五章 跨视角航拍图像与地面街景弱监督数据融合 | 第90-102页 |
5.1 引言 | 第90页 |
5.2 基于无监督域适应对抗模型的跨视角航拍图像和街景图像的融合 | 第90-94页 |
5.2.1 网络结构介绍 | 第91-93页 |
5.2.2 迭代优化过程 | 第93-94页 |
5.3 实验结果及分析 | 第94-98页 |
5.3.1 实验数据 | 第94页 |
5.3.2 基于弱监督信息的航拍图像和地面街景图像语义分割 | 第94-95页 |
5.3.3 跨视角的航拍图像语义分割实验 | 第95-97页 |
5.3.4 基于航拍图像的地面街景数据地理定位 | 第97-98页 |
5.4 总结与展望 | 第98-102页 |
第六章 总结展望 | 第102-106页 |
6.1 研究结论 | 第102-104页 |
6.2 研究展望 | 第104-106页 |
参考文献 | 第106-124页 |
致谢 | 第124-126页 |
作者简介 | 第126-127页 |