基于案例推理的高光谱图像分类研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-18页 |
| ·课题背景及来源 | 第9-10页 |
| ·课题研究的目的和意义 | 第10-11页 |
| ·国内外在该方向的研究现状及分析 | 第11-17页 |
| ·高光谱图像特征提取的发展及研究现状 | 第11-14页 |
| ·高光谱图像分类识别的发展及研究现状 | 第14-16页 |
| ·基于案例推理系统的发展及研究现状 | 第16-17页 |
| ·本文工作及结构安排 | 第17-18页 |
| 第2章 高光谱图像特征提取算法研究 | 第18-30页 |
| ·引言 | 第18页 |
| ·基于PCA的高光谱图像线性特征提取方法 | 第18-21页 |
| ·PCA变换的特征提取原理 | 第18-20页 |
| ·PCA变换的具体实现及结果分析 | 第20-21页 |
| ·基于KPCA的高光谱图像非线性特征提取方法 | 第21-24页 |
| ·KPCA变换的特征提取原理 | 第21-23页 |
| ·KPCA变换的具体实现及结果分析 | 第23-24页 |
| ·基于流形学习的高光谱图像非线性特征提取方法 | 第24-29页 |
| ·流形学习的基本概念 | 第24页 |
| ·基于LLE的高光谱图像特征提取 | 第24-27页 |
| ·基于ISOMAP的高光谱图像特征提取 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 高光谱图像分类识别算法研究 | 第30-45页 |
| ·引言 | 第30页 |
| ·高光谱图像非监督分类识别方法 | 第30-32页 |
| ·基于K均值算法的非监督分类 | 第31页 |
| ·基于ISODATA算法的非监督分类 | 第31-32页 |
| ·高光谱图像监督分类识别方法 | 第32-40页 |
| ·基于统计决策理论的最大似然分类 | 第32-35页 |
| ·基于机器学习理论的支持向量机分类 | 第35-36页 |
| ·基于机器学习理论的相关向量机分类 | 第36-38页 |
| ·支持向量机和相关向量机的对比及实验分析 | 第38-40页 |
| ·高光谱图像半监督分类识别方法 | 第40-43页 |
| ·半监督分类的基本原理 | 第40-43页 |
| ·半监督分类具体实现及分析 | 第43页 |
| ·本章小结 | 第43-45页 |
| 第4章 基于案例推理的高光谱图像分类研究 | 第45-59页 |
| ·引言 | 第45页 |
| ·基于案例推理的主要功能单元 | 第45-48页 |
| ·案例的表示 | 第46页 |
| ·案例的检索 | 第46-47页 |
| ·案例的修改 | 第47页 |
| ·案例学习机制 | 第47-48页 |
| ·基于案例推理的高光谱图像分类系统 | 第48-54页 |
| ·系统的总体框图 | 第48-49页 |
| ·案例推理系统主要单元的构建 | 第49-53页 |
| ·案例推理系统的实现流程 | 第53-54页 |
| ·基于案例推理的高光谱图像分类系统应用 | 第54-58页 |
| ·基于全图分类的案例推理 | 第54-56页 |
| ·基于单一地物分类的案例推理 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65页 |
