蚁群算法在高光谱图像降维和分类中的应用研究
摘要 | 第1-6页 |
Abstract | 第6-9页 |
目录 | 第9-12页 |
Contents | 第12-15页 |
第1章 绪论 | 第15-34页 |
·课题背景 | 第15页 |
·高光谱遥感概述 | 第15-24页 |
·多光谱遥感与高光谱遥感 | 第15-18页 |
·高光谱遥感图像数据 | 第18-19页 |
·高光谱遥感图像处理技术国内外研究现状 | 第19-24页 |
·蚁群算法概述 | 第24-31页 |
·蚁群算法的生物学背景 | 第24-25页 |
·蚁群算法及其应用研究的国内外现状 | 第25-31页 |
·课题研究目的和意义 | 第31-32页 |
·本文主要内容及章节安排 | 第32-34页 |
第2章 高光谱遥感图像特性与蚁群算法性能分析 | 第34-53页 |
·高光谱遥感图像数据源 | 第34-35页 |
·高光谱遥感图像的特性分析 | 第35-46页 |
·高光谱图像的光谱分辨率特性 | 第36页 |
·高光谱图像的数据维 | 第36-38页 |
·高光谱图像的空间相关性 | 第38-41页 |
·高光谱图像的谱间相关性 | 第41-44页 |
·高光谱图像的信息量 | 第44-45页 |
·高光谱图像特性总结 | 第45-46页 |
·蚁群算法特性分析 | 第46-52页 |
·蚁群算法构成 | 第46-47页 |
·蚁群算法模型 | 第47-48页 |
·蚁群算法的类型 | 第48-50页 |
·蚁群算法的特点 | 第50-51页 |
·蚁群算法收敛性 | 第51页 |
·蚁群算法特性总结 | 第51-52页 |
·本章小结 | 第52-53页 |
第3章 蚁群算法在高光谱图像降维中的应用 | 第53-75页 |
·高光谱图像降维的必要性 | 第53-55页 |
·高光谱图像的冗余度 | 第53页 |
·Hughes 现象产生原因 | 第53-55页 |
·高光谱图像降维的可行性 | 第55页 |
·高光谱图像降维的主要途径 | 第55-56页 |
·蚁群算法在高光谱图像波段选择中的应用 | 第56-64页 |
·波段选择的降维方法的两个重要方面 | 第56-57页 |
·基于蚁群算法的高光谱图像波段选择原理 | 第57-59页 |
·基于蚁群算法的高光谱图像波段选择实现 | 第59-60页 |
·基于蚁群算法的高光谱图像波段选择实验 | 第60-64页 |
·蚁群算法在高光谱图像特征提取中的应用 | 第64-74页 |
·特征提取的降维方法 | 第64页 |
·高光谱图像数据空间划分的必要性 | 第64-66页 |
·基于蚁群算法的高光谱图像数据空间划分原理 | 第66-67页 |
·基于蚁群算法高光谱图像数据空间划分方法实现流程 | 第67-68页 |
·基于蚁群算法高光谱图像数据空间划分实验 | 第68页 |
·子空间特征提取方法 | 第68-71页 |
·实验结果 | 第71-74页 |
·本章小结 | 第74-75页 |
第4章 蚁群算法在高光谱图像分类中的应用 | 第75-90页 |
·引言 | 第75页 |
·基于蚁群算法的高光谱图像分类方法 | 第75-85页 |
·常用高光谱图像分类方法 | 第75-78页 |
·蚁群分类法的原理 | 第78页 |
·特征离散化 | 第78-81页 |
·分类规则的形成 | 第81-85页 |
·规则修剪和分类 | 第85页 |
·基于蚁群算法的高光谱图像分类实验 | 第85-88页 |
·本章小结 | 第88-90页 |
第5章 蚁群算法在高光谱遥感图像聚类中的应用 | 第90-106页 |
·遥感图像聚类的过程 | 第90-91页 |
·AntClust 算法 | 第91-98页 |
·算法起源 | 第91页 |
·AntClust 算法应用 | 第91-93页 |
·AntClust 算法步骤 | 第93-95页 |
·AntClust 算法聚类实验 | 第95-98页 |
·改进的聚类图像质量综合评价方法 | 第98-105页 |
·参与聚类图像质量评价的参数 | 第98-101页 |
·聚类图像综合评价指标(CIQI)的构造 | 第101-103页 |
·实验结果 | 第103-105页 |
·本章小结 | 第105-106页 |
结论 | 第106-108页 |
参考文献 | 第108-123页 |
致谢 | 第123-124页 |
个人简历 | 第124页 |