首页--工业技术论文--自动化技术、计算机技术论文--遥感技术论文--遥感图像的解译、识别与处理论文--图像处理方法论文

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

论文共124页,点击 下载论文
上一篇:时变时滞系统的最优滤波与控制
下一篇:基于复合振动的粘着控制微操作技术及其实验研究