高光谱影像船舶溢油目标异常检测与识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 研究目标和主要工作 | 第14-15页 |
| 1.3.1 研究目标 | 第14页 |
| 1.3.2 主要工作 | 第14-15页 |
| 1.4 文章结构 | 第15-17页 |
| 第2章 船舶溢油目标的异常检测 | 第17-21页 |
| 2.1 异常检测原理 | 第17-18页 |
| 2.1.1 Rx算子 | 第17-18页 |
| 2.1.2 Rx变种算法 | 第18页 |
| 2.2 船舶和溢油目标的异常检测结果与分析 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 基于光谱信息溢油目标识别 | 第21-40页 |
| 3.1 支持向量机与BP-神经网络 | 第21-26页 |
| 3.1.1 基于支持向量机的油膜识别 | 第21-24页 |
| 3.1.2 基于BP-神经网络的油膜识别 | 第24-26页 |
| 3.2 基于栈式自动编码器的神经网络 | 第26-29页 |
| 3.2.1 自动编码器 | 第26-28页 |
| 3.2.2 栈式自动编码器 | 第28-29页 |
| 3.3 数据来源与处理 | 第29-31页 |
| 3.4 模型评价方法 | 第31-32页 |
| 3.5 实验结果与分析 | 第32-39页 |
| 3.5.1 支持向量机的油膜识别模型 | 第32-33页 |
| 3.5.2 BP神经网络油膜识别模型 | 第33页 |
| 3.5.3 SAE网络油膜识别模型 | 第33-36页 |
| 3.5.4 结果分析 | 第36-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 基于空谱联合的溢油目标识别 | 第40-56页 |
| 4.1 基于空谱联合的SAE模型 | 第40-42页 |
| 4.2 卷积神经网络 | 第42-45页 |
| 4.2.1 感受野 | 第42-43页 |
| 4.2.2 参数共享 | 第43页 |
| 4.2.3 卷积神经网络结构 | 第43-45页 |
| 4.3 基于卷积神经网络的油膜识别实验 | 第45-55页 |
| 4.3.1 深度学习框架 | 第45-46页 |
| 4.3.2 CNN模型 | 第46-48页 |
| 4.3.3 实验结果与分析 | 第48-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 算法集成与系统实现 | 第56-61页 |
| 5.1 系统设计 | 第56-58页 |
| 5.1.1 系统结构设计 | 第56页 |
| 5.1.2 系统功能设计 | 第56-58页 |
| 5.2 系统实现 | 第58-60页 |
| 5.2.1 系统开发技术 | 第58页 |
| 5.2.2 系统功能界面 | 第58-60页 |
| 5.3 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 作者简介 | 第69页 |
