摘要 | 第5-7页 |
ABSTRACT | 第7-9页 |
符号对照表 | 第14-15页 |
缩略语对照表 | 第15-21页 |
第一章 绪论 | 第21-37页 |
1.1 研究背景与目的 | 第21-25页 |
1.2 国内外研究现状 | 第25-33页 |
1.2.1 高光谱数据特性及面临挑战 | 第25-29页 |
1.2.2 国内外研究现状及存在问题 | 第29-33页 |
1.3 论文主要工作及组织结构 | 第33-37页 |
1.3.1 论文研究内容 | 第33-35页 |
1.3.2 论文组织结构 | 第35-37页 |
第二章 高光谱遥感影像处理相关基础工具介绍 | 第37-51页 |
2.1 引言 | 第37页 |
2.2 纹理特征 | 第37-38页 |
2.3 分类器简介 | 第38-44页 |
2.3.1 支持向量机 | 第38-41页 |
2.3.2 超限学习机 | 第41-44页 |
2.4 实验数据与评价指标 | 第44-50页 |
2.4.1 高光谱遥感影像数据 | 第44-49页 |
2.4.2 分类性能评价指标 | 第49-50页 |
2.5 本章小结 | 第50-51页 |
第三章 基于深度学习的高光谱影像特征增强与分类 | 第51-71页 |
3.1 引言 | 第51-52页 |
3.2 深度卷积神经网络原理介绍 | 第52-53页 |
3.3 基于深度卷积神经网络的高光谱影像特征增强 | 第53-58页 |
3.3.1 数据归一化 | 第53页 |
3.3.2 标签选择 | 第53-55页 |
3.3.3 特征重构 | 第55-58页 |
3.3.4 分类 | 第58页 |
3.4 重构结果与说明 | 第58-62页 |
3.4.1 训练参数设置 | 第58-59页 |
3.4.2 特征图显示 | 第59-60页 |
3.4.3 光谱质量评价 | 第60-62页 |
3.5 分类结果与说明 | 第62-69页 |
3.5.1 分类结果分析 | 第63-67页 |
3.5.2 不同训练样本数对分类精度的影响 | 第67页 |
3.5.3 基于深度学习模型的高光谱影像分类结果对比 | 第67-68页 |
3.5.4 计算复杂度分析 | 第68-69页 |
3.6 本章小结 | 第69-71页 |
第四章 基于抠图技术的高光谱影像特征增强与分类 | 第71-89页 |
4.1 引言 | 第71页 |
4.2 闭合式解抠图模型原理介绍 | 第71-72页 |
4.3 基于闭合式解抠图模型的高光谱影像特征增强 | 第72-75页 |
4.3.1 数据归一化 | 第72-73页 |
4.3.2 选定透明度通道 | 第73页 |
4.3.3 估计光谱前景和背景 | 第73-74页 |
4.3.4 线性组合 | 第74-75页 |
4.3.5 分类 | 第75页 |
4.4 实验结果与分析 | 第75-87页 |
4.4.1 空间特征评价 | 第75-78页 |
4.4.2 谱间特征评价 | 第78-80页 |
4.4.3 分类结果分析 | 第80-85页 |
4.4.4 不同训练样本数对分类精度的影响 | 第85-86页 |
4.4.5 计算复杂度分析 | 第86-87页 |
4.5 本章小结 | 第87-89页 |
第五章 基于引导滤波的快速高光谱影像特征增强与分类 | 第89-107页 |
5.1 引言 | 第89页 |
5.2 引导滤波原理介绍 | 第89-90页 |
5.3 基于引导滤波的快速高光谱影像特征增强 | 第90-95页 |
5.3.1 引导图像选择 | 第91-93页 |
5.3.2 下采样 | 第93页 |
5.3.3 线性系数估计 | 第93-94页 |
5.3.4 线性系数上采样 | 第94页 |
5.3.5 线性组合 | 第94-95页 |
5.3.6 分类 | 第95页 |
5.4 实验结果分析 | 第95-104页 |
5.4.1 空间特征评价 | 第95-97页 |
5.4.2 谱间特征评价 | 第97-99页 |
5.4.3 分类结果分析 | 第99-103页 |
5.4.4 不同训练样本数对分类精度的影响 | 第103-104页 |
5.4.5 计算复杂度分析 | 第104页 |
5.5 本章小结 | 第104-107页 |
第六章 总结与展望 | 第107-109页 |
6.1 本文主要工作 | 第107-108页 |
6.2 下一步工作 | 第108-109页 |
参考文献 | 第109-121页 |
致谢 | 第121-123页 |
作者简介 | 第123-125页 |