| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 绪论 | 第8-14页 |
| 1.1 论文研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 高光谱遥感技术 | 第9-10页 |
| 1.2.2 高光谱图像分类现状 | 第10-11页 |
| 1.2.3 深度学习在高光谱图像分类方向的进展 | 第11-12页 |
| 1.3 论文主要内容及结构安排 | 第12-14页 |
| 2 深度学习理论 | 第14-24页 |
| 2.1 深度学习概述 | 第14-15页 |
| 2.2 自动编码器 | 第15-16页 |
| 2.3 深度信念网络 | 第16-17页 |
| 2.4 卷积神经网络 | 第17-22页 |
| 2.4.1 卷积神经网络概述 | 第17-18页 |
| 2.4.2 卷积神经网络理论模型 | 第18-22页 |
| 2.5 本章小结 | 第22-24页 |
| 3 卷积神经网络的框架选定 | 第24-37页 |
| 3.1 深度学习工具 | 第24-26页 |
| 3.2 对比分析Caffe | 第26-27页 |
| 3.3 实验软硬件环境搭建 | 第27-31页 |
| 3.3.1 硬件平台 | 第27-28页 |
| 3.3.2 软件运行平台 | 第28-30页 |
| 3.3.3 模型的选择 | 第30-31页 |
| 3.4 卷积分类平台的验证 | 第31-36页 |
| 3.4.1 卷积神经网络的训练 | 第32-33页 |
| 3.4.2 实验结果及分析 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于光谱信息的高光谱图像分类 | 第37-47页 |
| 4.1 算法流程设计 | 第37页 |
| 4.2 改进的基于谱信息灰度化的高光谱图像预处理方法 | 第37-40页 |
| 4.3 实验及结果分析 | 第40-46页 |
| 4.3.1 高光谱图像数据集 | 第40-42页 |
| 4.3.2 数据预处理 | 第42-43页 |
| 4.3.3 网络深度对分类的影响 | 第43-44页 |
| 4.3.4 高光谱图像分类的评价标准 | 第44-45页 |
| 4.3.5 与其他分类方法的对比 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 基于波段选择的高光谱图像分类 | 第47-61页 |
| 5.1 波段选择 | 第47-50页 |
| 5.2 基于卷积神经网络的高光谱图像重构方法 | 第50-53页 |
| 5.2.1 特征的提取和表示 | 第50-51页 |
| 5.2.2 特征增强 | 第51页 |
| 5.2.3 非线性映射 | 第51-52页 |
| 5.2.4 高光谱图像重构 | 第52页 |
| 5.2.5 模型训练 | 第52-53页 |
| 5.3 基于高光谱图像重构的分类 | 第53页 |
| 5.4 实验及结果分析 | 第53-59页 |
| 5.4.1 训练细节 | 第53-54页 |
| 5.4.2 中层表示 | 第54页 |
| 5.4.3 质量评估 | 第54-56页 |
| 5.4.4 分类结果 | 第56-59页 |
| 5.4.5 不同训练集和测试集的分类结果 | 第59页 |
| 5.5 本章小结 | 第59-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 本文工作总结 | 第61页 |
| 6.2 进一步研究方向 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-70页 |