空谱特征学习在高光谱图像分类中的应用
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 论文选题的背景与意义 | 第9-10页 |
| 1.2 高光谱图像分类 | 第10-15页 |
| 1.3 主要工作与章节安排 | 第15-17页 |
| 第二章 光谱域特征学习 | 第17-26页 |
| 2.1 常用光谱特征学习方法 | 第17-23页 |
| 2.1.1 主成分分析 | 第17-18页 |
| 2.1.2 局部线性嵌入 | 第18-19页 |
| 2.1.3 局部保持投影 | 第19-20页 |
| 2.1.4 因子分析 | 第20-21页 |
| 2.1.5 线性判别分析 | 第21页 |
| 2.1.6 讨论 | 第21-23页 |
| 2.2 基于融合的光谱特征学习方法 | 第23-25页 |
| 2.2.1 平均融合 | 第23页 |
| 2.2.2 加权平均融合 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 空域特征学习 | 第26-39页 |
| 3.1 本征反射恢复 | 第26-30页 |
| 3.1.1 反射恢复 | 第26-28页 |
| 3.1.2 关系矩阵 | 第28-29页 |
| 3.1.3 基于反射恢复的分类框架 | 第29-30页 |
| 3.2 全变分结构提取 | 第30-37页 |
| 3.2.1 二尺度相对全变分 | 第31-33页 |
| 3.2.2 扩散函数 | 第33-34页 |
| 3.2.3 优化 | 第34-36页 |
| 3.2.4 基于全变分结构提取的分类框架 | 第36-37页 |
| 3.3 本章小结 | 第37-39页 |
| 第四章 分类器 | 第39-45页 |
| 4.1 支持向量机 | 第39-41页 |
| 4.2 大间隔分布机 | 第41-44页 |
| 4.2.1 优化 | 第42-43页 |
| 4.2.2 多分类LDM | 第43-44页 |
| 4.3 讨论 | 第44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 实验 | 第45-62页 |
| 5.1 数据集 | 第45-47页 |
| 5.2 实验设置 | 第47-49页 |
| 5.2.1 对比方法 | 第47-48页 |
| 5.2.2 评价指标 | 第48页 |
| 5.2.3 训练/测试样本数量 | 第48-49页 |
| 5.3 实验分析 | 第49-56页 |
| 5.3.1 参数分析 | 第49-53页 |
| 5.3.2 光谱特征数分析 | 第53页 |
| 5.3.3 训练样本数量分析 | 第53-54页 |
| 5.3.4 空间特征有效性分析 | 第54-56页 |
| 5.4 方法对比 | 第56-62页 |
| 5.4.1 光谱特征学习/分类器对比 | 第56页 |
| 5.4.2 分类结果对比 | 第56-60页 |
| 5.4.3 计算时间对比 | 第60-62页 |
| 第六章 总结与展望 | 第62-65页 |
| 6.1 论文总结 | 第62-63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 在学期间的研究成果 | 第71-72页 |
| 致谢 | 第72页 |
