| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 引言 | 第15-16页 |
| 1.2 研究背景及意义 | 第16-22页 |
| 1.2.1 特征提取算法综述 | 第16-17页 |
| 1.2.2 稀疏表示算法综述 | 第17-18页 |
| 1.2.3 特征提取与稀疏表示在遥感图像中的应用 | 第18-21页 |
| 1.2.4 论文的研究意义 | 第21-22页 |
| 1.3 论文的主要研究内容及创新点 | 第22-23页 |
| 1.3.1 论文主要研究内容 | 第22页 |
| 1.3.2 论文的创新之处 | 第22-23页 |
| 1.4 论文结构 | 第23-25页 |
| 第二章 自适应空间滤波的高光谱图像分类 | 第25-39页 |
| 2.1 SVM-ASF基本原理 | 第25-32页 |
| 2.1.1 分割算法原理 | 第26-28页 |
| 2.1.2 SVM和SVM-CK原理 | 第28-31页 |
| 2.1.3 自适应空间滤波 | 第31-32页 |
| 2.2 实验内容和分析 | 第32-37页 |
| 2.2.1 SVM-ASF实验内容分析 | 第32-37页 |
| 2.2.2 实验总结和算法总结 | 第37页 |
| 2.3 本章小结 | 第37-39页 |
| 第三章 基于自适应SOMP的城市高光谱图像分类 | 第39-55页 |
| 3.1 稀疏模型和OMP算法求解 | 第39-41页 |
| 3.2 结合空间信息的OMP算法 | 第41-44页 |
| 3.2.1 联合稀疏模型SOMP | 第41-42页 |
| 3.2.2 权重连接的SOMP | 第42-43页 |
| 3.2.3 空间自适应SOMP | 第43-44页 |
| 3.3 实验内容和分析 | 第44-53页 |
| 3.3.1 Pavia大学数据实验和分析 | 第44-50页 |
| 3.3.2 Pavia中心数据实验和分析 | 第50-52页 |
| 3.3.3 算法计算复杂度性能分析 | 第52-53页 |
| 3.4 本章小结 | 第53-55页 |
| 第四章 基于稀疏表示量近邻的高光谱图像分类 | 第55-65页 |
| 4.1 K近邻和LMNN算法 | 第55-56页 |
| 4.1.1 算法背景介绍 | 第55页 |
| 4.1.2 K近邻和LMNN | 第55-56页 |
| 4.2 稀疏模型的近邻算法 | 第56-58页 |
| 4.2.1 SRNN和LSRNN算法 | 第57-58页 |
| 4.2.2 联合空间SRNN算法 | 第58页 |
| 4.3 实验结果和分析 | 第58-64页 |
| 4.3.1 算法分析 | 第58-59页 |
| 4.3.2 Indian Pines数据实验结果 | 第59-62页 |
| 4.3.3 Purdue数据实验结果 | 第62-63页 |
| 4.3.4 Pavia大学数据实验结果 | 第63-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 基于全局和局部特征协同表示融合的场景分类算法 | 第65-93页 |
| 5.1 算法原理介绍 | 第65-71页 |
| 5.1.1 特征提取和字典生成算法 | 第66-68页 |
| 5.1.2 重构残差融合的图像分类算法 | 第68-71页 |
| 5.2 实验结果和分析 | 第71-91页 |
| 5.2.1 实验数据 | 第71-74页 |
| 5.2.2 实验结果分析 | 第74-91页 |
| 5.3 本章小结 | 第91-93页 |
| 第六章 总结与展望 | 第93-95页 |
| 6.1 总结 | 第93页 |
| 6.2 展望 | 第93-95页 |
| 参考文献 | 第95-103页 |
| 致谢 | 第103-105页 |
| 研究成果及发表的学术论文 | 第105-107页 |
| 作者和导师简介 | 第107-108页 |
| 附件 | 第108-109页 |