| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景与研究现状 | 第10-12页 |
| 1.2 研究内容与难点 | 第12-13页 |
| 1.2.1 研究内容 | 第12-13页 |
| 1.2.2 研究难点 | 第13页 |
| 1.3 本论文的创新点 | 第13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第2章 高光谱影像数据的表示及特性 | 第15-21页 |
| 2.1 引言 | 第15页 |
| 2.2 不同系列的卫星的介绍 | 第15-16页 |
| 2.3 高光谱遥感图像的基本概念 | 第16-18页 |
| 2.4 高光谱图像的分类 | 第18-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 基于深度学习的高光谱图像分类研究 | 第21-35页 |
| 3.1 引言 | 第21页 |
| 3.2 栈式降噪自编码 | 第21-27页 |
| 3.2.1 栈式降噪自编码 | 第21-23页 |
| 3.2.2 反向传播算法原理 | 第23-26页 |
| 3.2.3 随机梯度下降法 | 第26-27页 |
| 3.3 字典偶分类学习器 | 第27-31页 |
| 3.3.1 字典偶学习器来源 | 第27-28页 |
| 3.3.2 字典偶分类原理 | 第28-31页 |
| 3.4 仿真实验 | 第31-34页 |
| 3.4.1 实验数据 | 第31-32页 |
| 3.4.2 实验设计与实验 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于卷积神经网络的高光谱图像分类研究 | 第35-46页 |
| 4.1 引言 | 第35页 |
| 4.2 卷积神经网络的原理 | 第35-36页 |
| 4.3 卷积神经网络 | 第36-42页 |
| 4.3.1 CNN的结构 | 第36-37页 |
| 4.3.2 卷积层和池化层 | 第37-38页 |
| 4.3.3 Sigmoid激活函数 | 第38-39页 |
| 4.3.4 CNN的训练过程 | 第39-42页 |
| 4.4 仿真实验 | 第42-44页 |
| 4.4.1 实验数据 | 第42页 |
| 4.4.2 实验设计 | 第42页 |
| 4.4.3 实验结果 | 第42-44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 基于子空间的字典偶的高光谱图像的分类研究 | 第46-61页 |
| 5.1 引言 | 第46页 |
| 5.2 形态学的基本概念 | 第46-47页 |
| 5.3 高光谱图像的多特征提取 | 第47-48页 |
| 5.3.1 主成分分析 | 第47-48页 |
| 5.3.2 光谱特征 | 第48页 |
| 5.3.3 形态学特征 | 第48页 |
| 5.4 实验中用于比较的分类器 | 第48-53页 |
| 5.4.1 最小二乘支持向量机 | 第48-51页 |
| 5.4.2 多分类逻辑回归 | 第51-52页 |
| 5.4.3 稀疏表示 | 第52-53页 |
| 5.5 子空间字典偶的学习过程 | 第53-54页 |
| 5.5.1 独立的类子空间的学习过程 | 第53页 |
| 5.5.2 字典偶的学习过程 | 第53-54页 |
| 5.6 分类实验研究 | 第54-60页 |
| 5.6.1 AVIRIS Indian Pines实验数据 | 第54-55页 |
| 5.6.2 实验结果与讨论 | 第55-58页 |
| 5.6.3 HYDICE Washington DC实验数据 | 第58-59页 |
| 5.6.4 实验结果及讨论 | 第59-60页 |
| 5.7 本章小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第67-68页 |
| 致谢 | 第68页 |