高光谱影像地物智能化提取理论与方法研究
| 摘要 | 第9-11页 |
| Abstract | 第11-12页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 引言 | 第13-14页 |
| 1.2 高光谱影像获取与处理 | 第14-18页 |
| 1.2.1 高光谱影像获取 | 第14-16页 |
| 1.2.2 高光谱影像处理技术 | 第16-18页 |
| 1.3 研究内容 | 第18-20页 |
| 1.4 论文组织结构 | 第20-23页 |
| 第二章 高光谱影像地物提取研究基础 | 第23-41页 |
| 2.1 高光谱影像数据特点分析 | 第23-27页 |
| 2.1.1 描述模型 | 第23-24页 |
| 2.1.2 数据特点 | 第24-25页 |
| 2.1.3 分布特点 | 第25-27页 |
| 2.2 高光谱影像地物提取关键技术 | 第27-31页 |
| 2.2.1 基于光谱特征空间的分类算法 | 第27-28页 |
| 2.2.2 光谱匹配识别 | 第28-29页 |
| 2.2.3 目标光谱检测 | 第29-30页 |
| 2.2.4 混合像元分解 | 第30-31页 |
| 2.2.5 联合空间信息的分析手段 | 第31页 |
| 2.3 高光谱影像地物提取的智能化方法 | 第31-35页 |
| 2.3.1 单类支持向量机 | 第32页 |
| 2.3.2 谱聚类 | 第32-33页 |
| 2.3.3 粒子群优化 | 第33-34页 |
| 2.3.4 图割 | 第34-35页 |
| 2.4 论文实验数据 | 第35-39页 |
| 2.4.1 真实影像数据 | 第36-37页 |
| 2.4.2 模拟数据 | 第37-39页 |
| 2.5 本章小结 | 第39-41页 |
| 第三章 光谱角度余弦核测度 | 第41-70页 |
| 3.1 光谱相似性测度概述 | 第41-46页 |
| 3.1.1 几何测度 | 第41-43页 |
| 3.1.2 概率测度 | 第43-44页 |
| 3.1.3 其它类型测度 | 第44页 |
| 3.1.4 核映射测度 | 第44-46页 |
| 3.2 新型光谱相似性测度 | 第46-51页 |
| 3.2.1 光谱角度余弦核测度的定义 | 第46页 |
| 3.2.2 参数选择的影响 | 第46-47页 |
| 3.2.3 参数自适应选择方法 | 第47-48页 |
| 3.2.4 对比分析 | 第48-51页 |
| 3.3 光谱角度余弦核测度的应用 | 第51-69页 |
| 3.3.1 地物光谱匹配检测 | 第51-62页 |
| 3.3.2 空间邻域聚类 | 第62-69页 |
| 3.4 本章小结 | 第69-70页 |
| 第四章 高光谱影像谱聚类分析 | 第70-102页 |
| 4.1 高光谱影像聚类的图划分解释 | 第70-76页 |
| 4.1.1 相关概念 | 第70-72页 |
| 4.1.2 相似矩阵的构造 | 第72-74页 |
| 4.1.3 图划分准则 | 第74-76页 |
| 4.2 图拉普拉斯矩阵及其重要性质 | 第76-77页 |
| 4.2.1 非规范化图拉普拉斯矩阵 | 第76页 |
| 4.2.2 规范化图拉普拉斯矩阵 | 第76-77页 |
| 4.3 谱聚类与图划分准则的联系 | 第77-82页 |
| 4.3.1 两类划分比例割的近似解 | 第77-79页 |
| 4.3.2 多类划分比例割的近似解 | 第79-80页 |
| 4.3.3 两类划分规范割的近似解 | 第80-81页 |
| 4.3.4 多类划分规范割的近似解 | 第81-82页 |
| 4.4 基于谱聚类的高光谱影像非监督分类 | 第82-87页 |
| 4.4.1 谱聚类算法框架 | 第82-85页 |
| 4.4.2 稀疏相似矩阵 | 第85-86页 |
| 4.4.3 算法流程与精度评价 | 第86-87页 |
| 4.5 实验分析 | 第87-100页 |
| 4.5.1 模拟数据实验结果 | 第88-90页 |
| 4.5.2 高光谱影像实验结果 | 第90-100页 |
| 4.5.3 实验结果分析 | 第100页 |
| 4.6 本章小结 | 第100-102页 |
| 第五章 地物要素单类支持向量机检测 | 第102-130页 |
| 5.1 统计学习理论与核函数 | 第102-108页 |
| 5.1.1 统计学习理论 | 第102-104页 |
| 5.1.2 正定核函数 | 第104-107页 |
| 5.1.3 特征空间中的运算 | 第107-108页 |
| 5.2 基于正定核的单类支持向量机地物检测 | 第108-114页 |
| 5.2.1 基于超平面的单类支持向量机算法 | 第108-110页 |
| 5.2.2 基于超球体的单类支持向量机算法 | 第110-111页 |
| 5.2.3 两种单类支持向量机算法的相关性 | 第111页 |
| 5.2.4 地物检测算法细节 | 第111-114页 |
| 5.3 基于非正定核的单类支持向量机地物检测 | 第114-121页 |
| 5.3.1 非正定核研究基础 | 第114-116页 |
| 5.3.2 非正定支持向量机分类 | 第116-118页 |
| 5.3.3 非正定单类支持向量机检测 | 第118-121页 |
| 5.4 实验分析 | 第121-129页 |
| 5.4.1 目标地物分布 | 第121-123页 |
| 5.4.2 实验结果 | 第123-128页 |
| 5.4.3 实验结果分析 | 第128-129页 |
| 5.5 本章小结 | 第129-130页 |
| 第六章 联合光谱和空间信息的地物提取 | 第130-152页 |
| 6.1 影像分割的 MAP-MRF 模型 | 第130-135页 |
| 6.1.1 影像分割的概率描述 | 第130-132页 |
| 6.1.2 邻域系统与簇 | 第132-133页 |
| 6.1.3 影像分割的后验能量 | 第133-135页 |
| 6.2 基于图割的能量最小化方法 | 第135-140页 |
| 6.2.1 构造能量函数 | 第135-137页 |
| 6.2.2 能量函数最小化的最小割方法 | 第137-139页 |
| 6.2.3 最大流算法 | 第139-140页 |
| 6.3 地物提取策略 | 第140-142页 |
| 6.4 实验分析 | 第142-150页 |
| 6.4.1 实验结果 | 第142-150页 |
| 6.4.2 实验结果分析 | 第150页 |
| 6.5 本章小结 | 第150-152页 |
| 第七章 高光谱影像粒子群优化端元提取 | 第152-175页 |
| 7.1 线性光谱混合模型 | 第152-156页 |
| 7.1.1 线性光谱混合的物理模型 | 第152-154页 |
| 7.1.2 线性光谱混合的数学模型 | 第154-156页 |
| 7.2 端元提取算法概述 | 第156-160页 |
| 7.2.1 基于单形体体积的方法 | 第156-157页 |
| 7.2.2 基于分解残差最小的方法 | 第157-159页 |
| 7.2.3 基于投影的方法 | 第159页 |
| 7.2.4 联合空间信息的方法 | 第159-160页 |
| 7.3 面向端元选择的粒子群优化遗传算法 | 第160-165页 |
| 7.3.1 粒子群算法原理 | 第160-162页 |
| 7.3.2 粒子编码与适应度函数 | 第162-163页 |
| 7.3.3 遗传操作 | 第163-164页 |
| 7.3.4 算法流程 | 第164-165页 |
| 7.4 基于粒子群优化的端元估计算法 | 第165-169页 |
| 7.4.1 粒子编码与适应度函数 | 第165-166页 |
| 7.4.2 参数设置 | 第166-167页 |
| 7.4.3 算法实现 | 第167-169页 |
| 7.5 实验分析 | 第169-173页 |
| 7.5.1 模拟数据实验结果 | 第169-172页 |
| 7.5.2 高光谱影像实验结果 | 第172-173页 |
| 7.5.3 实验结果分析 | 第173页 |
| 7.6 本章小结 | 第173-175页 |
| 第八章 总结与展望 | 第175-177页 |
| 8.1 总结 | 第175-176页 |
| 8.2 展望 | 第176-177页 |
| 参考文献 | 第177-188页 |
| 作者简历 攻读博士学位期间完成的主要工作 | 第188-190页 |
| 致谢 | 第190页 |
