| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 背景与意义 | 第9-11页 |
| 1.2 国内外研究现状与评述 | 第11-14页 |
| 1.2.1 高光谱图像分类研究现状 | 第11-13页 |
| 1.2.2 极限学习机及其在高光谱图像分类中应用 | 第13-14页 |
| 1.3 论文主要研究内容及结构安排 | 第14-16页 |
| 1.3.1 本文主要研究内容 | 第14-15页 |
| 1.3.2 论文的组织结构 | 第15-16页 |
| 2 高光谱图像极限学习机分类 | 第16-22页 |
| 2.1 极限学习机 | 第16-20页 |
| 2.2 高光谱图像极限学习机分类方法 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 基于邻域滤波核极限学习机的高光谱图像分类模型和算法 | 第22-37页 |
| 3.1 引言 | 第22-23页 |
| 3.2 核极限学习机分类 | 第23-25页 |
| 3.2.1 核函数 | 第23-25页 |
| 3.2.2 核极限学习机 | 第25页 |
| 3.3 基于邻域滤波核极限学习机的高光谱图像分类模型与算法 | 第25-27页 |
| 3.3.1 基于组合核的极限学习机分类 | 第25-26页 |
| 3.3.2 本文提出的模型和算法 | 第26-27页 |
| 3.4 实验结果与分析 | 第27-36页 |
| 3.4.1 高光谱图像分类的精度分析方法 | 第28-29页 |
| 3.4.2 实验参数与环境配置 | 第29-30页 |
| 3.4.3 实验结果 | 第30-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于核极限学习机的多特征融合高光谱图像分类方法 | 第37-51页 |
| 4.1 引言 | 第37-38页 |
| 4.2 高光谱图像空谱特征提取 | 第38-41页 |
| 4.2.1 光谱特征提取 | 第38页 |
| 4.2.2 局部二值模式(LBP)特征 | 第38-39页 |
| 4.2.3 Gabor滤波特征 | 第39-40页 |
| 4.2.4 拓展形态学多属性剖面 | 第40-41页 |
| 4.3 基于核极限学习机的多特征融合高光谱图像分类方法 | 第41-45页 |
| 4.3.1 特征级融合 | 第41-42页 |
| 4.3.2 决策级融合 | 第42页 |
| 4.3.3 基于概率核极限学习机的多特征决策级融合分类方法 | 第42-45页 |
| 4.4 实验结果与分析 | 第45-50页 |
| 4.4.1 实验参数设置 | 第45-46页 |
| 4.4.2 实验结果 | 第46-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 高光谱图像分类软件系统设计与实现 | 第51-59页 |
| 5.1 引言 | 第51页 |
| 5.2 系统概述 | 第51-53页 |
| 5.2.1 系统开发目的 | 第51-52页 |
| 5.2.2 系统开发环境 | 第52页 |
| 5.2.3 系统总体框架设计 | 第52-53页 |
| 5.3 系统模块设计和功能介绍 | 第53-57页 |
| 5.3.1 文件管理模块 | 第53-54页 |
| 5.3.2 特征提取模块 | 第54-56页 |
| 5.3.3 分类模块 | 第56-57页 |
| 5.3.4 评估分析模块 | 第57页 |
| 5.4 系统测试结果 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 6 结束语 | 第59-61页 |
| 6.1 研究总结 | 第59-60页 |
| 6.2 研究展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 附录 | 第67页 |
