摘要 | 第3-4页 |
Abstract | 第4-5页 |
1 绪论 | 第9-21页 |
1.1 课题研究背景和意义 | 第9-10页 |
1.2 研究现状 | 第10-13页 |
1.2.1 高光谱图像降维方法研究现状 | 第10-12页 |
1.2.2 高光谱图像空谱联合分类方法研究现状 | 第12-13页 |
1.3 论文实验相关设置 | 第13-19页 |
1.3.1 实验数据集 | 第13-18页 |
1.3.2 实验评价指标 | 第18-19页 |
1.4 论文主要内容及结构安排 | 第19-21页 |
1.4.1 论文主要研究内容 | 第19-20页 |
1.4.2 论文结构安排 | 第20-21页 |
2 结合降维特征的高光谱图像极限学习机分类方法研究 | 第21-38页 |
2.1 引言 | 第21页 |
2.2 极限学习机 | 第21-28页 |
2.2.1 极限学习机介绍 | 第21-22页 |
2.2.2 基于极限学习机的高光谱图像分类方法 | 第22-23页 |
2.2.3 极限学习机分类实验及结果分析 | 第23-28页 |
2.3 特征提取算法 | 第28-33页 |
2.3.1 主成分分析 | 第28-30页 |
2.3.2 独立成分分析 | 第30-32页 |
2.3.3 局部保持投影 | 第32-33页 |
2.4 实验结果分析 | 第33-37页 |
2.4.1 实验相关参数设置 | 第33页 |
2.4.2 Indian Pines数据集上的实验结果 | 第33-37页 |
2.5 本章小结 | 第37-38页 |
3 基于空谱复合核和KELM的高光谱图像监督分类方法 | 第38-57页 |
3.1 引言 | 第38-39页 |
3.2 传统高光谱图像监督分类方法 | 第39-41页 |
3.2.1 逻辑斯谛回归 | 第39-40页 |
3.2.2 支持向量机 | 第40-41页 |
3.3 核极限学习机 | 第41-44页 |
3.3.1 核极限学习机理论 | 第41-42页 |
3.3.2 结合复合核的极限学习机 | 第42-44页 |
3.4 实验结果及分析 | 第44-53页 |
3.4.1 极限学习机核函数比较 | 第44-49页 |
3.4.2 各类分类器性能比较 | 第49-53页 |
3.5 本章小结 | 第53-57页 |
4 基于核范PCA多视特征抽取的高光谱图像监督分类ELM方法 | 第57-74页 |
4.1 引言 | 第57页 |
4.2 基于核范数的2D主成分分析 | 第57-59页 |
4.3 基于集成学习的KELM算法 | 第59-60页 |
4.4 高光谱图像自由分类框架 | 第60-64页 |
4.4.1 第一步:通过多重假设来提取空间特征 | 第61-62页 |
4.4.2 第二步:通过N-2DPCA来提取空间-光谱特征 | 第62-63页 |
4.4.3 第三步:基于集成学习的KELM方法用于分类 | 第63-64页 |
4.5 实验及结果分析 | 第64-67页 |
4.5.1 N-2DPCA参数影响研究 | 第64-66页 |
4.5.2 实验结果对比 | 第66-67页 |
4.6 本章小结 | 第67-74页 |
5 高光谱图像监督分类原型系统和算法测评 | 第74-84页 |
5.1 引言 | 第74页 |
5.2 系统概述 | 第74-78页 |
5.2.1 实现目标 | 第74页 |
5.2.2 系统开发环境 | 第74-75页 |
5.2.3 主要开发语言及平台 | 第75页 |
5.2.4 系统流程图 | 第75-76页 |
5.2.5 系统模块构成 | 第76-78页 |
5.2.6 系统用户界面设计 | 第78页 |
5.3 系统功能设计与技术分析 | 第78-80页 |
5.3.1 读入模块 | 第78-79页 |
5.3.2 高光谱图像特征提取模块及分类模块 | 第79-80页 |
5.3.3 性能评价模块 | 第80页 |
5.3.4 保存模块 | 第80页 |
5.4 系统测试结果 | 第80-81页 |
5.5 性能评测分析 | 第81-83页 |
5.5.1 特征提取方法性能评测 | 第81页 |
5.5.2 监督分类方法性能评测 | 第81-83页 |
5.6 本章小结 | 第83-84页 |
6 结论 | 第84-86页 |
致谢 | 第86-87页 |
参考文献 | 第87-94页 |
附录 | 第94页 |