| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 选题背景及意义 | 第13-15页 |
| 1.2 遥感图像分割国内外现状 | 第15-20页 |
| 1.2.1 图像分割的国内外现状 | 第15-18页 |
| 1.2.2 遥感图像分割的国内外研究现状 | 第18-20页 |
| 1.2.3 目前遥感图像分割存在的难点 | 第20页 |
| 1.3 本文的研究内容与论文组织结构 | 第20-22页 |
| 1.4 本章小结 | 第22-23页 |
| 第2章 基于云模型理论的遥感图像FCM聚类分割 | 第23-59页 |
| 2.1 云模型理论 | 第23-36页 |
| 2.1.1 云模型的基本定义 | 第23-24页 |
| 2.1.2 云模型的数学特征 | 第24-26页 |
| 2.1.3 正态云模型的数学性质 | 第26-27页 |
| 2.1.4 云的3En法则 | 第27-28页 |
| 2.1.5 云发生器 | 第28-36页 |
| 2.2 基于单云核迭代方法的正态云变换实验 | 第36-39页 |
| 2.2.1 单云核迭代方法提取的云变换 | 第36-37页 |
| 2.2.2 三幅灰度图实验结果分析 | 第37-39页 |
| 2.3 多维云 | 第39-41页 |
| 2.3.1 二维正向正态云 | 第39-41页 |
| 2.3.2 三维云及多维云模型 | 第41页 |
| 2.4 基于FCM的遥感图像分割算法 | 第41-45页 |
| 2.4.1 模糊理论 | 第41-42页 |
| 2.4.2 传统模糊C均值聚类算法 | 第42-45页 |
| 2.5 基于多维云拟合的遥感图像云提取 | 第45-51页 |
| 2.5.1 逆向拟合多维云发生器提取云模型算法 | 第45-46页 |
| 2.5.2 逆向拟合多维云提取云模型实验 | 第46-47页 |
| 2.5.3 基于期望Ex比值最大—熵En反向加权的概念跃升 | 第47-51页 |
| 2.6 基于云模型的FCM遥感图像分割算法 | 第51-57页 |
| 2.6.1 对标准图像的FCM分割实验 | 第51-54页 |
| 2.6.2 对遥感图像的分割实验 | 第54-57页 |
| 2.7 本章小结 | 第57-59页 |
| 第3章 基于压缩感知的MeanShift遥感图像聚类分割 | 第59-91页 |
| 3.1 压缩感知理论 | 第59-61页 |
| 3.1.1 信号的稀疏表示 | 第59-60页 |
| 3.1.2 观测矩阵的构造 | 第60-61页 |
| 3.1.3 信号重构 | 第61页 |
| 3.2 压缩感知在视图图像领域的研究现状 | 第61-72页 |
| 3.2.1 稀疏表示现状分析 | 第62-65页 |
| 3.2.2 观测矩阵构造的研究现状分析 | 第65-67页 |
| 3.2.3 重构算法设计研究现状分析 | 第67-70页 |
| 3.2.4 重构质量评测标准 | 第70-72页 |
| 3.3 基于K-SVD的复合字典的构造 | 第72-75页 |
| 3.3.1 MeanShift已有的优化策略 | 第72-73页 |
| 3.3.2 基于K-SVD的复合字典的构造 | 第73-75页 |
| 3.4 基于复合字典的遥感图像特征提取 | 第75-81页 |
| 3.4.1 提取图像的特征 | 第75-77页 |
| 3.4.2 特征字典的构造 | 第77-78页 |
| 3.4.3 基于复合字典的稀疏表示 | 第78-79页 |
| 3.4.4 基于复合字典稀疏化与MeanShift聚类 | 第79-81页 |
| 3.5 算法优化 | 第81-87页 |
| 3.5.1 针对迭代次数的优化 | 第81-82页 |
| 3.5.2 针对参与迭代数据的优化 | 第82-84页 |
| 3.5.3 针对数据维数的优化 | 第84-87页 |
| 3.6 基于稀疏表示和MeanShift聚类的遥感图像分割实验 | 第87-90页 |
| 3.7 本章小结 | 第90-91页 |
| 第4章 总结与展望 | 第91-93页 |
| 参考文献 | 第93-109页 |
| 作者简介及攻读期间成果 | 第109-110页 |
| 致谢 | 第110页 |
