| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 高光谱图像分类技术国内外研究现状 | 第12-13页 |
| 1.3 高光谱图像分类所面临的问题 | 第13-14页 |
| 1.4 本文研究内容和章节安排 | 第14-15页 |
| 第2章 高光谱图像的特点及常用分类方法 | 第15-19页 |
| 2.1 高光谱图像的特点 | 第15-16页 |
| 2.2 高光谱图像常用分类方法 | 第16-18页 |
| 2.2.1 基于光谱信息的高光谱图像分类方法 | 第16-17页 |
| 2.2.2 基于空谱结合的高光谱图像分类方法 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 深度学习及生成对抗网络 | 第19-34页 |
| 3.1 卷积神经网络 | 第19-25页 |
| 3.1.1 卷积层网络 | 第20-21页 |
| 3.1.2 池化层网络 | 第21-22页 |
| 3.1.3 全连接层网络 | 第22页 |
| 3.1.4 常用激活函数 | 第22-24页 |
| 3.1.5 转置卷积网络 | 第24-25页 |
| 3.2 前向传播算法和反向传播算法 | 第25-27页 |
| 3.2.1 前向传播算法 | 第25页 |
| 3.2.2 反向传播算法 | 第25-27页 |
| 3.3 神经网络优化算法 | 第27-28页 |
| 3.4 生成对抗网络 | 第28-31页 |
| 3.4.1 生成对抗网络的训练机制 | 第30-31页 |
| 3.4.2 生成对抗网络的优缺点 | 第31页 |
| 3.5 生成对抗网络的衍生模型 | 第31-33页 |
| 3.5.1 基于Wasserstein的生成对抗网络 | 第31-32页 |
| 3.5.2 条件生成对抗网络 | 第32-33页 |
| 3.6 生成对抗网络的应用 | 第33页 |
| 3.7 本章小结 | 第33-34页 |
| 第4章 基于生成对抗网络的高光谱图像分类 | 第34-54页 |
| 4.1 高光谱图像特征增强 | 第34-35页 |
| 4.2 支持向量机 | 第35-38页 |
| 4.3 实验数据 | 第38-40页 |
| 4.4 分类结果评估方法 | 第40-42页 |
| 4.4.1 总体精度和平均精度 | 第40-41页 |
| 4.4.2 混淆矩阵 | 第41页 |
| 4.4.3 Kappa系数 | 第41-42页 |
| 4.5 实验结果及分析 | 第42-46页 |
| 4.5.1 网络结构和参数选择 | 第42-43页 |
| 4.5.2 随机噪声的选择 | 第43-44页 |
| 4.5.3 迭代次数及生成波段效果 | 第44-45页 |
| 4.5.4 生成的高光谱图像分类 | 第45-46页 |
| 4.6 原始高光谱图像分类 | 第46-48页 |
| 4.7 分类结果对比分析 | 第48-53页 |
| 4.7.1 Indian Pines分类结果 | 第48-50页 |
| 4.7.2 Pavia University分类结果 | 第50-52页 |
| 4.7.3 生成波段与原始波段对比 | 第52-53页 |
| 4.8 本章小结 | 第53-54页 |
| 第5章 基于判别网络的邻域特征提取分类方法 | 第54-63页 |
| 5.1 PCA降维和取邻域图像 | 第54-55页 |
| 5.2 提取邻域特征 | 第55-56页 |
| 5.3 实验数据 | 第56-57页 |
| 5.4 实验结果及分析 | 第57-62页 |
| 5.4.1 网络结构和参数 | 第58-59页 |
| 5.4.2 网络训练效果 | 第59页 |
| 5.4.3 邻域特征的提取及融合 | 第59-60页 |
| 5.4.4 图像分类及结果分析 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第6章 结束语 | 第63-65页 |
| 6.1 工作总结 | 第63页 |
| 6.2 存在的问题及解决方法 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间参加的科研项目和成果 | 第71页 |