基于DBN的高光谱遥感影像分类方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第9-10页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 高光谱遥感图像分类研究进展 | 第11-13页 |
| 1.2.2 深度学习理论及其应用研究进展 | 第13-14页 |
| 1.3 论文主要内容 | 第14-15页 |
| 1.4 技术路线 | 第15-16页 |
| 第2章 高光谱数据的特性分析及分类理论 | 第16-23页 |
| 2.1 高光谱图像成像原理 | 第16-19页 |
| 2.1.1 高光谱遥感图像的数据表达 | 第16-18页 |
| 2.1.2 高光谱遥感图像的数据特点 | 第18-19页 |
| 2.2 高光谱图像的分类方法 | 第19-20页 |
| 2.3 高光谱图像的分类流程 | 第20-21页 |
| 2.4 高光谱图像分类结果的评价方法 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 深度学习的原理与应用 | 第23-30页 |
| 3.1 深度学习简介 | 第23-25页 |
| 3.1.1 深度学习的思想 | 第23-24页 |
| 3.1.2 深度学习的训练 | 第24-25页 |
| 3.2 限制性波尔兹曼机 | 第25-26页 |
| 3.3 反馈神经网络 | 第26-27页 |
| 3.4 深度置信网络 | 第27-29页 |
| 3.4.1 深度置信网络的模型 | 第27-28页 |
| 3.4.2 深度置信网络的训练 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 基于光谱信息的高光谱遥感图像分类 | 第30-44页 |
| 4.1 实验数据简介 | 第30-32页 |
| 4.2 算法及流程设计 | 第32-33页 |
| 4.3 DBN模型构建 | 第33-35页 |
| 4.3.1 神经网络工具箱 | 第33页 |
| 4.3.2 网络程序设计 | 第33-34页 |
| 4.3.3 图像界面 | 第34-35页 |
| 4.4 实验仿真与结果分析 | 第35-43页 |
| 4.4.1 RBM层数最佳层数的而确定 | 第35-39页 |
| 4.4.2 隐层节点数对分类精度的影响 | 第39-40页 |
| 4.4.3 与不同分类器的比较 | 第40-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 DBN在高光谱影像与LiDAR数据的应用 | 第44-61页 |
| 5.1 实验数据介绍 | 第44-45页 |
| 5.2 实验数据预处理 | 第45-46页 |
| 5.3 基于DBN模型的机载高光谱遥感影像分类 | 第46-55页 |
| 5.3.1 基于光谱信息的高光谱数据分类 | 第46-49页 |
| 5.3.2 基于空间信息的高光谱数据分类 | 第49-52页 |
| 5.3.3 光谱-空间联合的分类 | 第52-53页 |
| 5.3.4 实验及结果分析 | 第53-55页 |
| 5.4 机载LiDAR与高光谱融合数据的分类 | 第55-60页 |
| 5.4.1 数据融合 | 第56-58页 |
| 5.4.2 融合后数据的分类 | 第58-59页 |
| 5.4.3 实验及结果分析 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 导师简介 | 第68页 |
| 企业指导教师 | 第68-69页 |
| 作者简介 | 第69-70页 |
| 学位论文数据集 | 第70页 |
