深度学习在高光谱图像的降维及分类中的应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 高光谱遥感图像概述 | 第11-14页 |
| 1.2.1 高光谱遥感图像数据的表示 | 第11-12页 |
| 1.2.2 高光谱遥感图像的特点 | 第12页 |
| 1.2.3 高光谱遥感图像分类研究现状 | 第12-14页 |
| 1.3 深度学习在图像处理领域的研究背景与现状 | 第14-15页 |
| 1.4 论文主要研究内容和结构安排 | 第15-16页 |
| 1.4.1 本文的研究内容 | 第15页 |
| 1.4.2 论文的结构安排 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 高光谱遥感图像分类 | 第17-26页 |
| 2.1 高光谱遥感图像分类原理 | 第17-18页 |
| 2.1.1 高光谱图像分类的原则 | 第17页 |
| 2.1.2 高光谱图像的分类流程 | 第17-18页 |
| 2.2 高光谱图像数据的的降维 | 第18-20页 |
| 2.2.1 降维的必要性 | 第18页 |
| 2.2.2 Hughes现象 | 第18-19页 |
| 2.2.3 主成分分析法 | 第19-20页 |
| 2.3 传统的高光谱图像监督分类 | 第20-25页 |
| 2.3.1 kNN | 第20-21页 |
| 2.3.2 BP神经网络 | 第21-23页 |
| 2.3.3 支持向量机 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 高光谱遥感图像分类算法设计 | 第26-35页 |
| 3.1 卷积神经网络 | 第26-27页 |
| 3.2 正向传播过程 | 第27-28页 |
| 3.2.1 卷积层 | 第27页 |
| 3.2.2 下采样层 | 第27-28页 |
| 3.2.3 全连接层 | 第28页 |
| 3.3 反向传播调节权重过程 | 第28-29页 |
| 3.3.1 输出层残差 | 第28页 |
| 3.3.2 下一层为下采样层的卷积层的残差 | 第28-29页 |
| 3.3.3 下一层为卷积层的下采样层的残差 | 第29页 |
| 3.3.4 连接到卷积层的相应层的权值和偏置导数 | 第29页 |
| 3.4 基于卷积神经网络的高光谱图像分类算法设计 | 第29-33页 |
| 3.4.1 算法设计的工作流程 | 第29-30页 |
| 3.4.2 Softmax回归 | 第30-31页 |
| 3.4.3 激活函数ReLU | 第31-32页 |
| 3.4.4 基于卷积神经网络的高光谱影像分类框架 | 第32-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第四章 实验仿真结果与对比 | 第35-48页 |
| 4.1 数据集 | 第35-36页 |
| 4.2 数据预处理 | 第36-37页 |
| 4.3 分类精度评价方法 | 第37-38页 |
| 4.4 基于卷积神经网络的高光谱图像的分类结果 | 第38-40页 |
| 4.5 算法有效性对比 | 第40-47页 |
| 4.5.1 kNN算法分类结果 | 第40-42页 |
| 4.5.2 BP神经网络算法分类结果 | 第42-44页 |
| 4.5.3 支持向量机算法分类结果 | 第44-46页 |
| 4.5.4 精度评价 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 攻读硕士学位期间主要的研究成果 | 第56-57页 |
