基于数据融合的高光谱遥感图像分类研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第1章 绪论 | 第13-22页 |
| ·课题研究背景和意义 | 第13-15页 |
| ·高光谱分类的研究现状 | 第15-20页 |
| ·本文的研究内容和组织结构 | 第20-22页 |
| 第2章 高光谱遥感图像的分类理论 | 第22-40页 |
| ·高光谱遥感图像数据 | 第22-27页 |
| ·高光谱数据的描述 | 第23-25页 |
| ·高光谱数据的特点 | 第25-27页 |
| ·高光谱遥感图像分类概述 | 第27-35页 |
| ·高光谱图像分类的原则 | 第28页 |
| ·高光谱图像分类的流程 | 第28-32页 |
| ·高光谱图像分类的特点 | 第32-35页 |
| ·高光谱遥感图像分类算法 | 第35-39页 |
| ·贝叶斯判别分类 | 第35-37页 |
| ·神经网络分类 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第3章 高光谱遥感的数据融合理论 | 第40-55页 |
| ·遥感影像数据融合概述 | 第40-45页 |
| ·遥感影像数据融合的过程 | 第40-41页 |
| ·遥感影像融合效果评价的统计参数 | 第41-45页 |
| ·高光谱遥感数据融合的分类 | 第45-49页 |
| ·数据级融合 | 第45-47页 |
| ·特征级融合 | 第47-48页 |
| ·决策级融合 | 第48-49页 |
| ·高光谱遥感数据融合常用算法 | 第49-54页 |
| ·代数运算融合方法 | 第49-51页 |
| ·基于空间变换的融合方法 | 第51-53页 |
| ·基于金字塔式分解和重建的融合方法 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第4章 基于二进脊波变换的高光谱图像融合分类 | 第55-75页 |
| ·脊波分析理论概述 | 第55-60页 |
| ·连续脊波变换 | 第55-58页 |
| ·数字脊波变换 | 第58-60页 |
| ·二进离散脊波变换 | 第60-64页 |
| ·有限Randon变换 | 第61-62页 |
| ·二进小波变换及其快速算法 | 第62-64页 |
| ·图像的二进离散脊波变换 | 第64页 |
| ·基于二进脊波变换的高光谱图像融合分类 | 第64-68页 |
| ·基于脊波变换的图像融合算法 | 第65-66页 |
| ·数据融合及分类实现 | 第66-68页 |
| ·试验仿真与结果分析 | 第68-74页 |
| ·实验图像和仿真系统构建 | 第68-69页 |
| ·高光谱图像融合分类实验结果与分析 | 第69-72页 |
| ·考虑“环绕效应”的情况 | 第72-74页 |
| ·本章小结 | 第74-75页 |
| 第5章 基于脊波和 SWNN的高光谱图像融合分类 | 第75-99页 |
| ·基于真实脊函数的数字脊波变换 | 第75-81页 |
| ·快速 Slant Stack算法 | 第75-78页 |
| ·Meyer小波 | 第78-79页 |
| ·数字脊波变换 | 第79-81页 |
| ·样条权函数神经网络(SWNN) | 第81-88页 |
| ·学习曲线与投影方程 | 第81-84页 |
| ·第一类权函数的神经网络拓扑结构 | 第84-87页 |
| ·第一类权函数神经网络的一般情况 | 第87-88页 |
| ·基于数字脊波和 SWNN的融合分类设计 | 第88-92页 |
| ·基于ASD方法的数据源划分 | 第89-90页 |
| ·特征级融合及分类系统实现 | 第90-91页 |
| ·决策级融合及分类系统实现 | 第91-92页 |
| ·高光谱图像融合及分类仿真实验 | 第92-98页 |
| ·基于ASD方法的高光谱图像分类实验 | 第92-93页 |
| ·特征级融合分类的仿真实验 | 第93-95页 |
| ·决策级融合分类的仿真实验 | 第95-98页 |
| ·本章小结 | 第98-99页 |
| 结论 | 第99-102页 |
| 参考文献 | 第102-108页 |
| 攻读硕士学位期间发表的文章和取得的科研成果 | 第108-109页 |
| 致谢 | 第109页 |
