| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外研究现状及分析 | 第10-16页 |
| 1.2.1 光谱特征提取方法的发展现状 | 第11-12页 |
| 1.2.2 空间特征及多特征组合方式的发展及研究现状 | 第12-14页 |
| 1.2.3 监督分类及主动学习方法的发展及现状分析 | 第14-16页 |
| 1.3 本文主要研究内容及结构安排 | 第16-18页 |
| 第2章 城市场景的光谱特征提取 | 第18-34页 |
| 2.1 城市高光谱图像特性分析 | 第18-20页 |
| 2.2 高光谱图像的半监督特征提取 | 第20-23页 |
| 2.2.1 基于 LFDA 的高光谱图像特征提取 | 第20-22页 |
| 2.2.2 基于 NPE 的高光谱图像特征提取 | 第22页 |
| 2.2.3 基于 SLDA 的高光谱图像半监督特征提取 | 第22-23页 |
| 2.3 典型分类方法及分类结果评价 | 第23-27页 |
| 2.3.1 支持向量机 | 第24-25页 |
| 2.3.2 最大似然分类方法 | 第25-26页 |
| 2.3.3 分类结果的评价 | 第26-27页 |
| 2.4 特征提取实验 | 第27-33页 |
| 2.4.1 城市高光谱图像数据说明 | 第27-28页 |
| 2.4.2 实验及结果分析 | 第28-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于空谱信息联合的高光谱图像分类 | 第34-46页 |
| 3.1 城市场景高光谱图像的空间特征提取 | 第34-40页 |
| 3.1.1 形态学特征提取 | 第34-37页 |
| 3.1.2 形状特征提取 | 第37-40页 |
| 3.2 空谱特征联合 | 第40-43页 |
| 3.2.1 直接组合方法 | 第40页 |
| 3.2.2 基于核函数的组合方法 | 第40-41页 |
| 3.2.3 多特征组合框架 MFC | 第41-43页 |
| 3.3 空谱特征联合实验及分析 | 第43-45页 |
| 3.3.1 实验数据说明 | 第43页 |
| 3.3.2 空谱特征联合提取实验 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 结合主动学习的城市高光谱图像分类识别 | 第46-62页 |
| 4.1 多项式逻辑回归分类 | 第46-47页 |
| 4.2 主动学习 | 第47-50页 |
| 4.2.1 主动学习理论 | 第47-49页 |
| 4.2.2 主动学习相关算法 | 第49-50页 |
| 4.3 判别随机场 | 第50-52页 |
| 4.4 候选样本集的确定方法 | 第52-54页 |
| 4.5 DRF 模型及候选样本集验证实验 | 第54-61页 |
| 4.5.1 DRF 后处理实验 | 第54-56页 |
| 4.5.2 四邻域候选样本集实验 | 第56-60页 |
| 4.5.3 多邻域候选样本集实验 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69页 |
