| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景与选题依据 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.3 研究内容与技术路线 | 第17-19页 |
| 1.3.1 研究内容 | 第17-18页 |
| 1.3.2 技术路线 | 第18-19页 |
| 1.4 本文组织结构 | 第19-21页 |
| 第二章 遥感影像土地利用分类及ELM算法概述 | 第21-34页 |
| 2.1 遥感影像分类基本原理及步骤 | 第21-22页 |
| 2.2 高光谱遥感影像土地利用分类 | 第22-23页 |
| 2.2.1 高光谱遥感影像的表达及特性 | 第22页 |
| 2.2.2 高光谱遥感影像土地利用分类特点 | 第22-23页 |
| 2.3 遥感影像土地利用分类方法 | 第23-28页 |
| 2.3.1 目视解译 | 第23页 |
| 2.3.2 计算机自动分类方法 | 第23-26页 |
| 2.3.3 传统分类方法的改进 | 第26-28页 |
| 2.3.4 其他分类方法 | 第28页 |
| 2.4 ELM分类算法 | 第28-31页 |
| 2.4.1 单隐层前馈神经网络 | 第29-31页 |
| 2.4.2 ELM算法 | 第31页 |
| 2.5 遥感影像分类精度评价 | 第31-32页 |
| 2.6 本章小结 | 第32-34页 |
| 第三章 基于集成学习的ELM高光谱遥感影像分类 | 第34-57页 |
| 3.1 基于ELM的遥感影像分类算法实现 | 第34-36页 |
| 3.1.1 ELM分类流程及实现 | 第34-36页 |
| 3.1.2 ELM分类存在的问题 | 第36页 |
| 3.2 基于集成学习的ELM遥感影像分类优化方法设计与实现 | 第36-43页 |
| 3.2.1 整体分类策略与实现步骤 | 第37-38页 |
| 3.2.2 训练集重采样 | 第38-40页 |
| 3.2.3 修剪ELM基分类器方法设计与实现 | 第40-42页 |
| 3.2.4 ELM基分类器组合方式优化 | 第42-43页 |
| 3.3 实验及结果分析 | 第43-55页 |
| 3.3.1 实验数据介绍 | 第44-47页 |
| 3.3.2 实验设计及结果 | 第47-53页 |
| 3.3.3 实验结果分析 | 第53-55页 |
| 3.4 本章小结 | 第55-57页 |
| 第四章 基于LBP纹理特征的KELM高光谱遥感影像分类 | 第57-73页 |
| 4.1 局部二值模式(LBP) | 第57-58页 |
| 4.2 基于LBP纹理特征的KELM遥感影像分类优化方法设计与实现 | 第58-64页 |
| 4.2.1 MNF波段降维方法实现 | 第60-61页 |
| 4.2.2 LBP纹理特征提取 | 第61-63页 |
| 4.2.3 KELM分类 | 第63-64页 |
| 4.3 实验及结果分析 | 第64-72页 |
| 4.3.1 实验数据与参数调优 | 第64-65页 |
| 4.3.2 实验设计及结果 | 第65-70页 |
| 4.3.3 实验结果分析 | 第70-72页 |
| 4.4 本章小结 | 第72-73页 |
| 第五章 结合深度学习的ELM高光谱遥感影像分类 | 第73-85页 |
| 5.1 卷积神经网络(CNN) | 第73-74页 |
| 5.2 基于CNN-ELM的遥感影像分类优化方法设计 | 第74-76页 |
| 5.2.1 整体分类策略与步骤 | 第74-75页 |
| 5.2.2 特征提取层设计 | 第75-76页 |
| 5.3 基于Keras的CNN-ELM模型实现 | 第76-79页 |
| 5.3.1 Keras深度学习库介绍 | 第76-77页 |
| 5.3.2 CNN-ELM模型构建 | 第77-79页 |
| 5.4 实验及结果分析 | 第79-84页 |
| 5.4.1 实验设计及结果 | 第79-83页 |
| 5.4.2 实验结果分析 | 第83-84页 |
| 5.5 本章小结 | 第84-85页 |
| 第六章 总结与展望 | 第85-87页 |
| 6.1 研究总结 | 第85-86页 |
| 6.2 研究展望 | 第86-87页 |
| 致谢 | 第87-88页 |
| 参考文献 | 第88-93页 |
| 攻读硕士学位期间取得的成果 | 第93页 |
