| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第11-27页 |
| 1.1 研究背景及意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-20页 |
| 1.2.1 高光谱图像分类的研究现状 | 第14-17页 |
| 1.2.2 超像素分割的研究现状 | 第17-19页 |
| 1.2.3 存在的问题与挑战 | 第19-20页 |
| 1.3 高光谱图像分类概述 | 第20-25页 |
| 1.3.1 高光谱图像特性 | 第20-22页 |
| 1.3.2 高光谱图像分类精度评价 | 第22页 |
| 1.3.3 高光谱图像实验数据描述 | 第22-25页 |
| 1.4 研究内容与章节安排 | 第25-27页 |
| 1.4.1 研究内容 | 第25-26页 |
| 1.4.2 章节安排 | 第26-27页 |
| 第2章 现有的超像素分割方法及其在高光谱图像上的应用 | 第27-36页 |
| 2.1 超像素分割算法 | 第27-31页 |
| 2.1.1 SLIC超像素分割算法 | 第27-29页 |
| 2.1.2 ERS超像素分割算法 | 第29-31页 |
| 2.2 基于特征提取的超像素应用技术 | 第31-33页 |
| 2.2.1 空间-光谱薛定谔特征映射 | 第31-32页 |
| 2.2.2 超像素在薛定谔特征映射中的应用 | 第32-33页 |
| 2.3 基于超像素水平的分类方法 | 第33-35页 |
| 2.3.1 基于超像素均值特征的分类 | 第33页 |
| 2.3.2 基于超像素的多任务联合稀疏表示 | 第33-34页 |
| 2.3.3 简单的超像素融合分类方法 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第3章 超像素引导的特征变换及其多任务学习方法 | 第36-50页 |
| 3.1 Gabor特征提取 | 第36-37页 |
| 3.2 超像素引导的Gabor特征薛定谔变换 | 第37-38页 |
| 3.3 基于支持向量机的多任务学习框架 | 第38-39页 |
| 3.4 实验结果及分析 | 第39-48页 |
| 3.4.1 实验设置 | 第39-40页 |
| 3.4.2 参数敏感度分析 | 第40-41页 |
| 3.4.3 实验结果 | 第41-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第4章 超像素引导的分类决策融合方法 | 第50-64页 |
| 4.1 ULBP特征提取 | 第50-53页 |
| 4.1.1 LBP算子 | 第50-51页 |
| 4.1.2 ULBP算子 | 第51-52页 |
| 4.1.3 ULBP高光谱图像特征 | 第52-53页 |
| 4.2 超像素合并方法 | 第53-55页 |
| 4.3 基于超像素的软决策融合 | 第55页 |
| 4.4 实验结果及分析 | 第55-62页 |
| 4.4.1 实验设置 | 第55-56页 |
| 4.4.2 参数敏感度分析 | 第56-57页 |
| 4.4.3 实验结果 | 第57-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第5章 总结与展望 | 第64-66页 |
| 5.1 本文的主要工作和创新点 | 第64-65页 |
| 5.2 未来的工作展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间研究成果 | 第73页 |