| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 引言 | 第9-17页 |
| 1.1 课题研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 高光谱图像分类技术现状 | 第12页 |
| 1.2.2 稀疏表示研究现状 | 第12-15页 |
| 1.3 论文的主要研究内容 | 第15-16页 |
| 1.4 论文的主要结构 | 第16-17页 |
| 第2章 高光谱图像分类技术 | 第17-32页 |
| 2.1 常用的分类方法 | 第17-20页 |
| 2.1.1 模糊神经网络分类算法 | 第17-19页 |
| 2.1.2 支持向量机分类算法 | 第19-20页 |
| 2.2 稀疏表示分类算法 | 第20-23页 |
| 2.2.1 稀疏表示优化模型 | 第20-22页 |
| 2.2.2 稀疏表示分类模型 | 第22-23页 |
| 2.3 稀疏表示重构算法 | 第23-27页 |
| 2.3.1 正交匹配追踪算法 | 第24-25页 |
| 2.3.2 子空间追踪算法 | 第25-27页 |
| 2.4 高光谱图像分类效果评价 | 第27-29页 |
| 2.4.1 混淆矩阵 | 第27-28页 |
| 2.4.2 总体分类精度 | 第28页 |
| 2.4.3 Kappa系数 | 第28-29页 |
| 2.5 高光谱数据集介绍 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于稀疏表示的高光谱图像分类 | 第32-47页 |
| 3.1 基于光谱信息散度的稀疏表示高光谱图像分类 | 第32-35页 |
| 3.1.1 传统稀疏表示分类算法 | 第32-33页 |
| 3.1.2 基于光谱信息散度的像元相似度比较 | 第33-35页 |
| 3.2 基于正规化欧氏距离的稀疏表示分类 | 第35-39页 |
| 3.2.1 马氏距离的像元相似度比较模型 | 第35-37页 |
| 3.2.2 基于正规化欧氏距离的稀疏表示分类 | 第37-39页 |
| 3.3 仿真实验 | 第39-46页 |
| 3.3.1 仿真实验数据介绍 | 第39-41页 |
| 3.3.2 光谱信息散度对稀疏表示分类算法的影响 | 第41-42页 |
| 3.3.3 正规化欧式距离对稀疏表示分类算法的影响 | 第42-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 基于边缘检测自适应邻域的马尔可夫高光谱图像分类 | 第47-65页 |
| 4.1 基于马尔可夫随机场的高光谱图像分类模型 | 第47-50页 |
| 4.1.1 马尔可夫随机场模型 | 第47-49页 |
| 4.1.2 基于多级逻辑的马尔可夫随机场模型 | 第49-50页 |
| 4.2 基于Canny算子的边缘检测模型 | 第50-55页 |
| 4.2.1 Canny算子边缘检测原理 | 第50-51页 |
| 4.2.2 基于主成分分析的高光谱图像降维 | 第51-53页 |
| 4.2.3 基于四个方向自由度的邻域大小确定准则 | 第53-55页 |
| 4.3 仿真实验 | 第55-64页 |
| 4.3.1 仿真实验环境与实验数据介绍 | 第55-56页 |
| 4.3.2 在Indian Pines图片上实验 | 第56-59页 |
| 4.3.3 在Pavia University图片上实验 | 第59-61页 |
| 4.3.4 在Salinas图片上实验 | 第61-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 工作总结 | 第65页 |
| 5.2 发展展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第73页 |
