基于稀疏表示的高光谱图像分类算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.2 高光谱图像数据研究现状 | 第13-15页 |
| 1.2.1 高光谱遥感技术的发展历程 | 第13页 |
| 1.2.2 高光谱图像分类技术的研究现状 | 第13-15页 |
| 1.3 论文研究内容以及结构安排 | 第15-17页 |
| 1.3.1 本文主要研究内容 | 第15-16页 |
| 1.3.2 论文章节安排 | 第16-17页 |
| 第2章 稀疏表示的基本理论 | 第17-28页 |
| 2.1 稀疏表示理论 | 第17-20页 |
| 2.1.1 稀疏表示模型 | 第17-19页 |
| 2.1.2 稀疏表示分类模型 | 第19-20页 |
| 2.2 稀疏表示算法 | 第20-24页 |
| 2.2.1 凸松弛优化算法 | 第20-21页 |
| 2.2.2 非凸松弛优化算法 | 第21页 |
| 2.2.3 贪婪算法 | 第21-24页 |
| 2.3 字典构造 | 第24-25页 |
| 2.4 核稀疏表示算法 | 第25-27页 |
| 2.4.1 核函数 | 第26-27页 |
| 2.4.2 核稀疏表示模型 | 第27页 |
| 2.5 本章总结 | 第27-28页 |
| 第3章 基于稀疏表示的高光谱图像分类 | 第28-42页 |
| 3.1 引言 | 第28页 |
| 3.2 高光谱图像分类理论 | 第28-30页 |
| 3.2.1 高光谱图像分类流程 | 第28-29页 |
| 3.2.2 高光谱图像分类精度的评价 | 第29-30页 |
| 3.3 高光谱图像介绍 | 第30-32页 |
| 3.4 滤波器介绍 | 第32-35页 |
| 3.4.1 均值滤波器 | 第32页 |
| 3.4.2 高斯滤波器 | 第32-33页 |
| 3.4.3 滤波器处理效果对比 | 第33-35页 |
| 3.5 基于稀疏表示的高光谱分类方法 | 第35-36页 |
| 3.6 实验结果 | 第36-40页 |
| 3.7 本章小结 | 第40-42页 |
| 第4章 基于稀疏表示的多特征学习高光谱图像分类 | 第42-54页 |
| 4.1 引言 | 第42-43页 |
| 4.2 简单多核学习方法 | 第43-44页 |
| 4.3 复合核方法 | 第44-45页 |
| 4.4 基于稀疏表示的多特征学习高光谱图像分类 | 第45-48页 |
| 4.4.1 核函数联合正交匹配追踪 | 第46-47页 |
| 4.4.2 多特征学习高光谱图像分类 | 第47-48页 |
| 4.5 实验结果 | 第48-53页 |
| 4.6 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-63页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第63-64页 |
| 附录B 攻读学位期间参与的科研项目 | 第64页 |
