| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第11-30页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-22页 |
| 1.2.1 高光谱影像的数据特征 | 第13-15页 |
| 1.2.2 高光谱影像的特征挖掘 | 第15-19页 |
| 1.2.3 高光谱影像的分类方法 | 第19-22页 |
| 1.3 研究存在的问题 | 第22-23页 |
| 1.4 本文研究内容与章节安排 | 第23-25页 |
| 1.5 实验数据与评价方法 | 第25-30页 |
| 1.5.1 Indian Pines数据集 | 第25-27页 |
| 1.5.2 University of Pavia数据集 | 第27-28页 |
| 1.5.3 分类精度评价 | 第28-30页 |
| 第2章 遥感影像中的降维与分类方法 | 第30-52页 |
| 2.1 高光谱数据降维算法 | 第30-34页 |
| 2.1.1 高光谱的特征选择方法概述 | 第30-32页 |
| 2.1.2 高光谱的特征提取方法概述 | 第32-34页 |
| 2.2 传统的分类方法 | 第34-36页 |
| 2.2.1 最小距离分类法 | 第34页 |
| 2.2.2 最大似然分类法 | 第34-35页 |
| 2.2.3 决策树分类法 | 第35-36页 |
| 2.3 支持向量机 | 第36-44页 |
| 2.3.1 最优分类面 | 第37-39页 |
| 2.3.2 非线性支持向量机与核函数 | 第39-42页 |
| 2.3.3 基于多分类的支持向量机 | 第42-43页 |
| 2.3.4 SVM参数优化方法 | 第43-44页 |
| 2.4 人工神经网络与深度学习 | 第44-51页 |
| 2.4.1 人工神经网络概述 | 第44页 |
| 2.4.2 反向传播神经网络 | 第44-46页 |
| 2.4.3 深度学习 | 第46-51页 |
| 2.5 本章小结 | 第51-52页 |
| 第3章 基于子空间划分的最优指数因子波段选择方法 | 第52-69页 |
| 3.1 引言 | 第52页 |
| 3.2 最优指数因子法 | 第52-53页 |
| 3.3 波段子空间划分 | 第53-55页 |
| 3.3.1 波段相关矩阵 | 第53-54页 |
| 3.3.2 子空间划分 | 第54-55页 |
| 3.3.3 子空间波段优选 | 第55页 |
| 3.4 跨子空间组合的IOIF波段选择方法 | 第55-57页 |
| 3.5 实验结果与分析 | 第57-68页 |
| 3.5.1 实验数据一 | 第57页 |
| 3.5.2 参数设置与结果分析 | 第57-63页 |
| 3.5.3 实验数据二 | 第63-64页 |
| 3.5.4 参数设置与结果分析 | 第64-68页 |
| 3.6 本章小结 | 第68-69页 |
| 第4章 基于新型二进制粒子群的波段选择与分类器参数同步优化算法 | 第69-89页 |
| 4.1 引言 | 第69页 |
| 4.2 粒子群优化算法 | 第69-78页 |
| 4.2.1 粒子群优化算法 | 第69-70页 |
| 4.2.2 二进制粒子群算法 | 第70-71页 |
| 4.2.3 新二进制粒子群算法 | 第71-72页 |
| 4.2.4 变异机制 | 第72-74页 |
| 4.2.5 BPSO、NBPSO和MNBPSO算法的比较 | 第74-78页 |
| 4.3 粒子群优化算法在高光谱分类中的应用 | 第78-82页 |
| 4.3.1 PSO用于分类器参数优化 | 第78-79页 |
| 4.3.2 BPSO用于高光谱影像的波段选择 | 第79-80页 |
| 4.3.3 MNBPSO用于波段选择和分类器参数同步优化 | 第80-82页 |
| 4.4 实验结果与分析 | 第82-87页 |
| 4.4.1 实验数据一 | 第82页 |
| 4.4.2 参数设置与结果分析 | 第82-85页 |
| 4.4.3 实验数据二 | 第85页 |
| 4.4.4 参数设置与结果分析 | 第85-87页 |
| 4.5 本章小结 | 第87-89页 |
| 第5章 基于数学形态学基本算子的空谱联合分类策略 | 第89-106页 |
| 5.1 引言 | 第89页 |
| 5.2 光谱-空间分类方法 | 第89-90页 |
| 5.2.1 空间信息提取方法 | 第89-90页 |
| 5.2.2 空谱信息结合方法 | 第90页 |
| 5.3 数学形态学图像处理 | 第90-95页 |
| 5.3.1 数学形态学基本算子 | 第90-92页 |
| 5.3.2 基于二值形态学的光谱-空间联合分类策略 | 第92-95页 |
| 5.4 实验结果与分析 | 第95-104页 |
| 5.4.1 实验数据说明 | 第95-96页 |
| 5.4.2 实验数据一的处理与结果分析 | 第96-100页 |
| 5.4.3 实验数据二的处理与结果分析 | 第100-104页 |
| 5.5 本章小结 | 第104-106页 |
| 第6章 基于堆栈降噪自编码器的高光谱影像分类方法 | 第106-126页 |
| 6.1 引言 | 第106页 |
| 6.2 自编码器与降噪自编码器 | 第106-108页 |
| 6.3 堆栈降噪自编码器 | 第108-111页 |
| 6.3.1 网络模型 | 第108-110页 |
| 6.3.2 网络正则化 | 第110-111页 |
| 6.4 基于SDAE的高光谱影像分类方法 | 第111-114页 |
| 6.4.1 基于光谱特征的SDAE分类模型 | 第111-112页 |
| 6.4.2 基于空谱联合的SDAE分类模型 | 第112-114页 |
| 6.5 实验结果与分析 | 第114-124页 |
| 6.5.1 实验数据说明 | 第114页 |
| 6.5.2 实验结果分析 | 第114-124页 |
| 6.6 本章小结 | 第124-126页 |
| 第7章 结论与展望 | 第126-128页 |
| 7.1 结论 | 第126-127页 |
| 7.2 展望 | 第127-128页 |
| 致谢 | 第128-129页 |
| 参考文献 | 第129-144页 |
| 附录A:个人简历 | 第144页 |
| 附录B:攻读学位期间所发表的学术论文目录 | 第144-145页 |
