| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 国内外研究现状分析 | 第16-17页 |
| 1.3 论文的主要工作及内容安排 | 第17-21页 |
| 第二章 高光谱特征学习方法的研究 | 第21-27页 |
| 2.1 引言 | 第21页 |
| 2.2 特征学习方法 | 第21-27页 |
| 2.2.1 线性判别分析 | 第22页 |
| 2.2.2 主成分分析 | 第22-23页 |
| 2.2.3 稀疏表示 | 第23-24页 |
| 2.2.4 核稀疏表示 | 第24-27页 |
| 第三章 基于分层判别特征学习的高光谱图像分类方法 | 第27-43页 |
| 3.1 分层判别特征模型 | 第27-28页 |
| 3.1.1 判别K-SVD字典学习 | 第27-28页 |
| 3.1.2 空间金字塔最大池化 | 第28页 |
| 3.2 基于分层判别模型的特征学习方法 | 第28-30页 |
| 3.2.1 研究动机 | 第28-29页 |
| 3.2.2 分层判别特征学习算法 | 第29-30页 |
| 3.3 基于分层判别特征学习的高光谱图像分类方法 | 第30-41页 |
| 3.3.1 实验设计 | 第30-33页 |
| 3.3.2 常见的遥感影像分类精度评价指标 | 第33-34页 |
| 3.3.3 分类准确率结果及分析 | 第34-39页 |
| 3.3.4 邻域块规模对算法性能的影响 | 第39-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 基于标度切判据的高光谱分层特征学习方法 | 第43-59页 |
| 4.1 引言 | 第43页 |
| 4.2 标度切判据和加权空间金字塔模型 | 第43-46页 |
| 4.2.1 加权空间金字塔表示模型 | 第43-45页 |
| 4.2.2 标度切 | 第45-46页 |
| 4.3 基于标度切的判别高光谱特征学习方法 | 第46-48页 |
| 4.4 实验结果与分析 | 第48-56页 |
| 4.5 小结 | 第56-59页 |
| 第五章 基于多层信息分化理论特征学习的高光谱图像分类 | 第59-69页 |
| 5.1 引言 | 第59页 |
| 5.2 分化信息理论的特征聚类方法 | 第59-60页 |
| 5.2.1 高信息相关特征表示方法 | 第59-60页 |
| 5.2.2 分化信息特征聚类方法 | 第60页 |
| 5.3 基于多层信息分化理论特征学习方法 | 第60-62页 |
| 5.4 实验结果与分析 | 第62-67页 |
| 5.4.1 实验设计 | 第62-65页 |
| 5.4.2 分类精度及分析 | 第65-66页 |
| 5.4.3 聚类中心数目对实验精度影响 | 第66-67页 |
| 5.5 本章小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 本文工作总结 | 第69-70页 |
| 6.2 未来展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |