基于机器学习的高光谱图像地物分类研究
| 摘要 | 第1-5页 |
| Abstract | 第5-6页 |
| 目录 | 第6-8页 |
| Contents | 第8-10页 |
| 第一章 绪论 | 第10-20页 |
| ·课题背景及意义 | 第10-12页 |
| ·遥感图像分类的研究现状与应用 | 第12-15页 |
| ·遥感图像分类的水平和发展趋势 | 第15-17页 |
| ·论文的研究内容 | 第17-18页 |
| ·论文的内容安排 | 第18-20页 |
| 第二章 高光谱成像原理 | 第20-25页 |
| ·高光谱成像的基本原理 | 第20-21页 |
| ·高光谱图像的形式和特性 | 第21-23页 |
| ·高光谱数据用于地物分类的优势 | 第23页 |
| ·高光谱图像测试数据 | 第23-24页 |
| ·小结 | 第24-25页 |
| 第三章 高光谱地物分类方法 | 第25-35页 |
| ·监督分类方法 | 第26-28页 |
| ·最大似然法 | 第26-27页 |
| ·最近距离分类法 | 第27页 |
| ·神经网络分类方法 | 第27-28页 |
| ·非监督分类方法 | 第28页 |
| ·半监督分类方法 | 第28-34页 |
| ·支持向量机 | 第29-32页 |
| ·直推式支持向量机 | 第32-33页 |
| ·基于图的半监督分类 | 第33-34页 |
| ·小结 | 第34-35页 |
| 第四章 基于拉普拉斯SVM的半监督地物分类 | 第35-58页 |
| ·高光谱半监督分类的假设 | 第35-37页 |
| ·平滑假设 | 第35-36页 |
| ·流形假设 | 第36-37页 |
| ·聚类假设 | 第37页 |
| ·拉普拉斯支持向量机 | 第37-43页 |
| ·拉普拉斯支持向量机的框架 | 第38-41页 |
| ·拉普拉斯传统求解方法 | 第41-42页 |
| ·预共轭梯度解法 | 第42-43页 |
| ·基于模拟退火算法的参数优化 | 第43-49页 |
| ·传统的参数优化算法 | 第44-46页 |
| ·模拟退火参数算法 | 第46-49页 |
| ·实验设计 | 第49-52页 |
| ·高光谱数据处理 | 第49-50页 |
| ·参数设置 | 第50-51页 |
| ·分类评价标准 | 第51-52页 |
| ·实验结果与分析 | 第52-57页 |
| ·小结 | 第57-58页 |
| 第五章 总结及展望 | 第58-60页 |
| ·总结 | 第58-59页 |
| ·未来研究方向 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间的研究成果 | 第65页 |
