| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 引言 | 第8-17页 |
| 1.1 课题研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 高光谱图像传统分类技术研究现状 | 第11页 |
| 1.2.2 稀疏表示分类器研究现状 | 第11-13页 |
| 1.2.3 高光谱图像分类框架研究现状 | 第13-14页 |
| 1.3 论文的主要研究内容 | 第14-15页 |
| 1.4 论文的主要结构 | 第15-17页 |
| 第2章 高光谱图像分类方法 | 第17-32页 |
| 2.1 高光谱图像分类常见方法 | 第17-22页 |
| 2.1.1 K近邻分类与局部费希尔判别分析 | 第17-19页 |
| 2.1.2 支持向量机分类方法 | 第19-20页 |
| 2.1.3 模糊神经网络分类方法 | 第20-22页 |
| 2.2 稀疏表示高光谱图像分类方法 | 第22-27页 |
| 2.2.1 稀疏表示分类模型 | 第23-25页 |
| 2.2.2 稀疏模型重构算法 | 第25-27页 |
| 2.3 高光谱图像分类效果评价方法 | 第27-29页 |
| 2.4 高光谱图像分类常用实验数据集 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类 | 第32-47页 |
| 3.1 自适应增强类内稀疏表示模型 | 第33-36页 |
| 3.2 紧耦合像元生成算法 | 第36-38页 |
| 3.3 实验分析 | 第38-46页 |
| 3.3.1 Indian Pines数据集 | 第39-41页 |
| 3.3.2 University of Pavia数据集 | 第41-43页 |
| 3.3.3 Salinas数据集 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 基于块近邻的边界约束标签平滑高光谱图像分类 | 第47-59页 |
| 4.1 基于块近邻的高光谱图像分类模型 | 第47-50页 |
| 4.2 边界约束标签平滑算法 | 第50-51页 |
| 4.3 实验分析 | 第51-58页 |
| 4.3.1 Indian Pines数据集 | 第51-53页 |
| 4.3.2 University of Pavia数据集 | 第53-55页 |
| 4.3.3 Salinas数据集 | 第55-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 工作总结 | 第59页 |
| 5.2 发展展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第67页 |
