基于高光谱图像的物证识别方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-21页 |
| 1.1 高光谱图像及其应用概述 | 第10-15页 |
| 1.1.1 高光谱简介 | 第10-12页 |
| 1.1.2 高光谱技术应用概述 | 第12-15页 |
| 1.2 物证识别方法的发展及分类 | 第15-18页 |
| 1.2.1 物证识别概述 | 第15-17页 |
| 1.2.2 光学物证识别 | 第17-18页 |
| 1.3 本文主要研究内容和创新点 | 第18-20页 |
| 1.4 本文章节安排 | 第20-21页 |
| 2 相关研究工作综述 | 第21-39页 |
| 2.1 高光谱图像分类算法 | 第21-30页 |
| 2.1.1 高光谱图像分类算法概述 | 第21-22页 |
| 2.1.2 监督分类算法 | 第22-27页 |
| 2.1.3 非监督分类算法 | 第27-30页 |
| 2.2 文件检验学 | 第30-35页 |
| 2.2.1 文件检验学概述 | 第30-32页 |
| 2.2.2 文件检验学中笔迹检验常用方法 | 第32-35页 |
| 2.3 光谱成像技术及LCTF介绍 | 第35-39页 |
| 2.3.1 光谱成像技术 | 第35-38页 |
| 2.3.2 液晶可调谐滤光片(LCTF) | 第38-39页 |
| 3 基于空间-光谱信息的自适应高光谱图像聚类算法 | 第39-51页 |
| 3.1 引言 | 第39-40页 |
| 3.2 概率模型和贝叶斯信息准则 | 第40-41页 |
| 3.2.1 MAP-ML 模型 | 第40页 |
| 3.2.2 贝叶斯信息准则 | 第40-41页 |
| 3.3 空间-光谱融合的自适应高光谱聚类算法 | 第41-45页 |
| 3.3.1 特征表示和相似性度量 | 第41页 |
| 3.3.2 聚类算法 | 第41-45页 |
| 3.4 实验结果与分析 | 第45-51页 |
| 3.4.1 实验数据 | 第45-46页 |
| 3.4.2 实验设置与结果分析 | 第46-48页 |
| 3.4.3 三种算法精度比较 | 第48-50页 |
| 3.4.4 实验设置与结果分析 | 第50-51页 |
| 4 基于半监督学习的文件检验 | 第51-64页 |
| 4.1 引言 | 第51-52页 |
| 4.2 半监督学习 | 第52-57页 |
| 4.2.1 半监督学习的基本假设 | 第52-53页 |
| 4.2.2 半监督学习的分类及常用方法 | 第53-57页 |
| 4.3 基于半监督学习的高光谱图像分类算法 | 第57-61页 |
| 4.4 实验结果与分析 | 第61-64页 |
| 5 总结和展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |
