| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 高光谱图像分类的研究背景以及意义 | 第16-17页 |
| 1.2 高光谱图像分类的研究现状及分析 | 第17-18页 |
| 1.2.1 基于单个像元的光谱信息的分类算法 | 第17-18页 |
| 1.2.2 基于空谱信息的的分类算法 | 第18页 |
| 1.3 本文针对高光谱图像分类的研究内容 | 第18-20页 |
| 第二章 主要算法模型介绍 | 第20-26页 |
| 2.1 主要算法介绍 | 第20-24页 |
| 2.1.1 自适应邻域 | 第20-21页 |
| 2.1.2 半监督学习算法 | 第21页 |
| 2.1.3 主动学习算法 | 第21-22页 |
| 2.1.4 自动编码器 | 第22-23页 |
| 2.1.5 堆栈自编码 | 第23-24页 |
| 2.2 实验所用高光谱图像数据图像 | 第24页 |
| 2.2.1 AVIRIS Indian Pines数据图像 | 第24页 |
| 2.2.2 Pavia University scene数据图像 | 第24页 |
| 2.3 分类精度评价指标 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 结合自适应邻域和主动学习的高光谱图像分类 | 第26-40页 |
| 3.1 基于主动学习和SVM的样本选择 | 第27-28页 |
| 3.1.1 算法模型 | 第27页 |
| 3.1.2 算法模型缺陷 | 第27-28页 |
| 3.2 结合自适应邻域和主动学习的高光谱图像分类方法 | 第28-33页 |
| 3.3 实验结果和分析 | 第33-38页 |
| 3.3.1 AVIRIS Indian Pines数据图像 | 第34-36页 |
| 3.3.2 ROSIS Pavia University scene数据图像 | 第36-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 结合自适应邻域和半监督学习的高光谱图像分类 | 第40-56页 |
| 4.1 使用空谱信息的高光谱图像分类算法模型 | 第40-44页 |
| 4.1.1 利用光谱信息的半监督学习模型 | 第40-41页 |
| 4.1.2 算法模型缺陷 | 第41-44页 |
| 4.2 结合自适应邻域和半监督学习的高光谱图像分类方法 | 第44-48页 |
| 4.2.1 自适应邻域和半监督学习相结合 | 第44-47页 |
| 4.2.2 基于空间信息的投票滤波 | 第47-48页 |
| 4.3 实验结果和分析 | 第48-54页 |
| 4.3.1 AVIRIS Indian Pines数据图像 | 第48-51页 |
| 4.3.2 ROSIS Pavia University scene数据图像 | 第51-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第五章 结合半监督学习和堆栈自编码的高光谱图像分类 | 第56-70页 |
| 5.1 线性组合生成样本和自编码相结合的分类模型 | 第56-60页 |
| 5.1.1 线性组合算法模型 | 第56-57页 |
| 5.1.2 自编码模型 | 第57页 |
| 5.1.3 算法模型缺陷 | 第57-60页 |
| 5.2 结合半监督学习和堆栈自编码的高光谱图像分类 | 第60-63页 |
| 5.3 实验结果和分析 | 第63-68页 |
| 5.3.1 AVIRIS Indian Pines数据图像 | 第63-66页 |
| 5.3.2 ROSIS Pavia University scene数据图像 | 第66-68页 |
| 5.4 本章小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 本文内容总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-79页 |
