高光谱遥感影像三维空谱特征提取与小样本分类技术研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 研究背景与意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-20页 |
| 1.2.1 高光谱遥感影像的特点 | 第14-15页 |
| 1.2.2 高光谱遥感影像面临的挑战 | 第15-16页 |
| 1.2.3 研究现状与存在的问题 | 第16-20页 |
| 1.3 高光谱遥感数据 | 第20-23页 |
| 1.3.1 Pavia中心影像 | 第20-21页 |
| 1.3.2 Pavia大学影像 | 第21页 |
| 1.3.3 Indian Pines影像 | 第21-22页 |
| 1.3.4 Houston大学影像 | 第22-23页 |
| 1.4 研究内容与章节安排 | 第23-25页 |
| 1.4.1 研究内容 | 第23-24页 |
| 1.4.2 章节安排 | 第24-25页 |
| 第2章 现有的空谱特征提取方法 | 第25-31页 |
| 2.1 LBP特征 | 第25-27页 |
| 2.1.1 LBP算子 | 第25-26页 |
| 2.1.2 旋转不变LBP算子 | 第26-27页 |
| 2.1.3 LBP直方图特征提取 | 第27页 |
| 2.2 三维灰度共生矩阵 | 第27-28页 |
| 2.3 三维Gabor特征 | 第28-29页 |
| 2.4 三维形态学特征 | 第29-31页 |
| 第3章 三维局部二值模式空谱特征提取方法 | 第31-46页 |
| 3.1 3DLBP空谱特征提取方法 | 第31-36页 |
| 3.1.1 空谱结构量化 | 第32-35页 |
| 3.1.2 三维LBP特征提取 | 第35-36页 |
| 3.2 实验结果与分析 | 第36-45页 |
| 3.2.1 参数分析 | 第37-38页 |
| 3.2.2 实验结果 | 第38-45页 |
| 3.3 本章小结与讨论 | 第45-46页 |
| 第4章 基于稀疏决策融合的高光谱影像空谱分类方法 | 第46-56页 |
| 4.1 稀疏决策融合 | 第46-48页 |
| 4.1.1 稀疏表示 | 第47-48页 |
| 4.1.2 决策融合 | 第48页 |
| 4.2 实验结果与分析 | 第48-55页 |
| 4.3 本章结论与小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 本文主要工作 | 第56-57页 |
| 5.2 下一步研究方向 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 附录：攻读硕士学位期间取得的科研成果 | 第64页 |
