基于联合稀疏表示的高光谱遥感图像分类
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文主要内容 | 第12-14页 |
| 第二章 高光谱遥感图像分类方法 | 第14-22页 |
| 2.1 高光谱遥感图像特征 | 第14-15页 |
| 2.2 高光谱遥感图像分类方法概述 | 第15-20页 |
| 2.2.1 有监督分类 | 第15-18页 |
| 2.2.2 无监督分类 | 第18-20页 |
| 2.3 精度评价指标 | 第20-22页 |
| 第三章 稀疏表示算法理论 | 第22-34页 |
| 3.1 稀疏表示模型 | 第22-28页 |
| 3.1.1 稀疏表示问题优化模型 | 第22-23页 |
| 3.1.2 稀疏表示分类模型 | 第23-24页 |
| 3.1.3 稀疏表示模型的优化算法 | 第24-27页 |
| 3.1.4 稀疏表示算法分类器的设计 | 第27-28页 |
| 3.2 基于空间信息的稀疏表示模型 | 第28-32页 |
| 3.2.1 平滑约束的稀疏表示模型 | 第28-29页 |
| 3.2.2 联合稀疏表示模型 | 第29-32页 |
| 3.2.3 分类器设计 | 第32页 |
| 3.3 本章小结 | 第32-34页 |
| 第四章 基于联合稀疏表示的高光谱遥感图像分类 | 第34-43页 |
| 4.1 基于谱聚类和联合稀疏表示的分类算法 | 第34-39页 |
| 4.1.1 谱聚类原理 | 第35页 |
| 4.1.2 分类算法实现 | 第35-36页 |
| 4.1.3 谱聚类实验结果分析 | 第36-37页 |
| 4.1.4 算法修正 | 第37-38页 |
| 4.1.5 算法流程 | 第38页 |
| 4.1.6 算法小节 | 第38-39页 |
| 4.2 基于邻域相似度和联合稀疏表示的分类算法 | 第39-41页 |
| 4.2.1 邻域相似度原理 | 第39页 |
| 4.2.2 分类算法实现 | 第39-40页 |
| 4.2.3 算法修正 | 第40页 |
| 4.2.4 算法步骤 | 第40-41页 |
| 4.2.5 算法小结 | 第41页 |
| 4.3 本章小结 | 第41-43页 |
| 第五章 基于联合稀疏表示算法的实验结果分析 | 第43-52页 |
| 5.1 实验数据 | 第43-45页 |
| 5.1.1 IndianPines数据 | 第43-44页 |
| 5.1.2 PaviaU数据 | 第44-45页 |
| 5.2 IndianPines高光谱遥感图像分类 | 第45-48页 |
| 5.2.1 实验结果 | 第45-47页 |
| 5.2.2 实验分析 | 第47-48页 |
| 5.3 PaviaU高光谱遥感图像分类 | 第48-51页 |
| 5.3.1 实验结果 | 第48-49页 |
| 5.3.2 实验分析 | 第49-51页 |
| 5.4 本章小节 | 第51-52页 |
| 总结与展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读学位期间取得的研究成果 | 第57-58页 |
| 致谢 | 第58页 |
