基于空谱特征降维的高光谱图像分类
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 高光谱遥感技术及发展现状 | 第14-15页 |
| 1.2.1 高光谱遥感技术 | 第14-15页 |
| 1.2.2 高光谱遥感的发展现状 | 第15页 |
| 1.3 高光谱图像分类的研究现状 | 第15-16页 |
| 1.4 本文的研究内容及结构安排 | 第16-18页 |
| 第2章 降维方法与稀疏表示理论简介 | 第18-30页 |
| 2.1 PCA基本原理及算法流程 | 第18-20页 |
| 2.1.1 PCA基本原理 | 第19页 |
| 2.1.2 PCA基本求解算法流程 | 第19-20页 |
| 2.2 稀疏表达理论和相关算法 | 第20-26页 |
| 2.2.1 稀疏表示原理 | 第21页 |
| 2.2.2 稀疏表示分类模型及分类器设计 | 第21-23页 |
| 2.2.3 稀疏求解算法 | 第23-26页 |
| 2.3 联合稀疏表达理论和相关算法 | 第26-27页 |
| 2.3.1 联合稀疏表达理论 | 第26页 |
| 2.3.2 SOMP算法 | 第26-27页 |
| 2.4 分类性能评价指标 | 第27-29页 |
| 2.4.1 OA与AA | 第28页 |
| 2.4.2 Kappa系数 | 第28-29页 |
| 2.5 小结 | 第29-30页 |
| 第3章 基于降维的空谱特征的MKSOMP分类 | 第30-45页 |
| 3.1 基于空间的WMF | 第30-31页 |
| 3.2 MKSOMP算法 | 第31-38页 |
| 3.2.1 KSOMP算法 | 第31-36页 |
| 3.2.2 MKSOMP算法 | 第36-38页 |
| 3.3 实验结果分析 | 第38-43页 |
| 3.3.1 Indian Pines数据集介绍 | 第38页 |
| 3.3.2 Indian Pines分类 | 第38-43页 |
| 3.3.3 参数分析 | 第43页 |
| 3.4 小结 | 第43-45页 |
| 第4章 高光谱图像降维与分类软件实现 | 第45-57页 |
| 4.1 基于WMF信息融合的系统仿真 | 第45-49页 |
| 4.1.1 数据处理模块 | 第46-47页 |
| 4.1.2 融合算法选择模块 | 第47-48页 |
| 4.1.3 结果展示模块 | 第48-49页 |
| 4.2 数据降维的系统仿真 | 第49-52页 |
| 4.3 基于MKSOMP算法分类模块 | 第52-55页 |
| 4.3.1 训练参数模块 | 第53-54页 |
| 4.3.2 MKSOMP算法分类模块 | 第54页 |
| 4.3.3 结果展示模块 | 第54-55页 |
| 4.4 小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65页 |
