| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究意义与背景 | 第10-11页 |
| 1.2 高光谱图像数据的特点 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 高光谱图像分类研究现状 | 第12-13页 |
| 1.3.2 深度网络在高光谱图像分类上的进展 | 第13-15页 |
| 1.4 论文研究内容和章节安排 | 第15-17页 |
| 第2章 基于Gabor滤波稀疏自编码深度网络的高光谱图像分类 | 第17-41页 |
| 2.1 稀疏自编码器 | 第17-19页 |
| 2.2 Gabor滤波器 | 第19-21页 |
| 2.3 基于Gabor滤波稀疏自编码深度网络的高光谱图像分类 | 第21-26页 |
| 2.3.1 Gabor特征提取 | 第21-22页 |
| 2.3.2 虚拟样本构造 | 第22-23页 |
| 2.3.3 深度特征提取与分类 | 第23-26页 |
| 2.4 实验结果与分析 | 第26-40页 |
| 2.4.1 实验数据 | 第26-28页 |
| 2.4.2 量化指标 | 第28-29页 |
| 2.4.3 参数分析 | 第29-31页 |
| 2.4.4 实验结果对比 | 第31-40页 |
| 2.5 本章小结与讨论 | 第40-41页 |
| 第3章 基于Gabor滤波深度置信网络的高光谱图像分类 | 第41-51页 |
| 3.1 深度置信网络 | 第41-43页 |
| 3.1.1 限制玻尔兹曼机 | 第41-43页 |
| 3.1.2 深度置信网络模型 | 第43页 |
| 3.2 基于Gabor滤波深度置信网络的高光谱图像分类 | 第43-45页 |
| 3.2.1 深度置信网络训练 | 第43-44页 |
| 3.2.2 BP神经网络训练与分类 | 第44-45页 |
| 3.3 实验结果与分析 | 第45-49页 |
| 3.3.1 参数分析 | 第46页 |
| 3.3.2 实验结果对比 | 第46-49页 |
| 3.4 本章小结与讨论 | 第49-51页 |
| 第4章 基于Gabor滤波深度网络的高光谱图像分类软件实现 | 第51-56页 |
| 4.1 图形用户界面 | 第51-52页 |
| 4.2 软件系统结构 | 第52页 |
| 4.3 软件系统界面 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 附录 A 攻读学位期间所发表的学术论文目录 | 第65页 |
