基于群智能优化算法的高光谱图像半监督分类算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 课题研究的目的意义 | 第10-11页 |
| 1.2 高光谱图像分类的研究现状 | 第11-14页 |
| 1.3 论文的研究内容及章节安排 | 第14-15页 |
| 1.4 实验数据集介绍 | 第15-18页 |
| 第2章 高光谱图像分类技术介绍 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 无监督分类方法 | 第18-20页 |
| 2.2.1 K-means聚类 | 第18-19页 |
| 2.2.2 谱聚类 | 第19-20页 |
| 2.3 有监督分类方法 | 第20-26页 |
| 2.3.1 最大似然分类 | 第20-21页 |
| 2.3.2 支持向量机分类 | 第21-24页 |
| 2.3.3 最小二乘支持向量机 | 第24-25页 |
| 2.3.4 基于概率模型的SVM | 第25-26页 |
| 2.4 半监督分类方法 | 第26-29页 |
| 2.4.1 拉普拉斯支持向量机 | 第26-27页 |
| 2.4.2 协同训练 | 第27-29页 |
| 2.5 本章小节 | 第29-30页 |
| 第3章 融合主动学习和半监督算法的分类 | 第30-42页 |
| 3.1 引言 | 第30页 |
| 3.2 基本理论 | 第30-35页 |
| 3.2.1 主动学习 | 第30-32页 |
| 3.2.2 差分进化算法 | 第32-33页 |
| 3.2.3 融合主动学习与半监督算法的分类算法 | 第33-35页 |
| 3.3 实验部分 | 第35-41页 |
| 3.3.1 实验数据 | 第35页 |
| 3.3.2 实验条件与参数设置 | 第35-36页 |
| 3.3.3 印第安农林高光谱图像实验 | 第36-38页 |
| 3.3.4 Pavia工程学院高光谱图像实验 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于空间光谱信息的高光谱半监督分类 | 第42-64页 |
| 4.1 引言 | 第42页 |
| 4.2 基本理论 | 第42-49页 |
| 4.2.1 PCA主成分分析 | 第42-43页 |
| 4.2.2 Gabor滤波空间特征提取 | 第43-44页 |
| 4.2.3 教与学群体智能优化算法 | 第44-45页 |
| 4.2.4 基于空间光谱信息半监督分类 | 第45-49页 |
| 4.3 实验部分 | 第49-62页 |
| 4.3.1 实验数据 | 第49页 |
| 4.3.2 实验条件与参数设置 | 第49-50页 |
| 4.3.3 印第安农林高光谱图像实验 | 第50-56页 |
| 4.3.4 Pavia工程学院高光谱图像实验 | 第56-62页 |
| 4.4 本章小结 | 第62-64页 |
| 结论与展望 | 第64-66页 |
| 参考文献 | 第66-73页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第73-74页 |
| 致谢 | 第74页 |
