摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
第一章 绪论 | 第15-27页 |
1.1 研究背景及意义 | 第15-18页 |
1.1.1 高光谱遥感技术概述 | 第16-17页 |
1.1.2 高光谱遥感图像应用现状 | 第17-18页 |
1.2 高光谱图像分类技术的研究概况 | 第18-22页 |
1.2.1 高光谱遥感图像分类技术 | 第18-20页 |
1.2.2 高光谱图像分类国内外研究现状 | 第20-22页 |
1.3 图像分类中多分类器融合方法概述 | 第22-24页 |
1.3.1 模式识别中的多分类器融合方法 | 第22页 |
1.3.2 多分类器融合方法研究现状 | 第22-23页 |
1.3.3 多分类器融合方法在高光谱图像分类中的应用 | 第23-24页 |
1.4 课题研究内容及创新点 | 第24-25页 |
1.4.1 课题主要研究内容 | 第24页 |
1.4.2 课题的创新点 | 第24-25页 |
1.5 论文的组织结构 | 第25-27页 |
第二章 高光谱图像分类及分类器融合方法 | 第27-43页 |
2.1 引言 | 第27页 |
2.2 高光谱图像数据 | 第27-33页 |
2.2.1 高光谱图像数据数据源 | 第28-32页 |
2.2.2 高光谱图像数据的数据特点 | 第32-33页 |
2.3 高光谱图像分类的基本理论 | 第33-36页 |
2.3.1 高光谱图像分类的基本原则和分类流程 | 第34页 |
2.3.2 高光谱图像分类的评价方法 | 第34-36页 |
2.4 分类器的定义及设计准则 | 第36-38页 |
2.5 分类器融合 | 第38-43页 |
2.5.1 多分类器融合可行性问题 | 第38-39页 |
2.5.2 多分类器融合方法 | 第39-43页 |
第三章 基于两级分类器融合的高光谱图像分类算法研究 | 第43-67页 |
3.1 引言 | 第43-44页 |
3.2 子分类器算法及改进方法 | 第44-53页 |
3.2.1 稀疏表示分类算法 | 第44-46页 |
3.2.2 正则化最近邻子空间分类算法 | 第46-48页 |
3.2.3 SVM算法 | 第48-50页 |
3.2.4 基于联合表示的分类算法改进 | 第50-53页 |
3.3 基于两级分类器融合的高光谱图像分类 | 第53-55页 |
3.3.1 两级分类器融合方法的思想 | 第53页 |
3.3.2 基于JSRC-SVM的高光谱图像分类 | 第53-55页 |
3.3.3 基于JNRS-SVM的高光谱图像分类 | 第55页 |
3.4 两级分类器方法的高光谱图像分类实验 | 第55-56页 |
3.5 分类实验结果分析 | 第56-66页 |
3.5.1 参数整定及调优 | 第57-58页 |
3.5.2 分类效果评价 | 第58-64页 |
3.5.3 算法复杂度分析 | 第64-66页 |
3.6 本章小结 | 第66-67页 |
第四章 基于改进残差融合的高光谱图像分类算法研究 | 第67-83页 |
4.1 引言 | 第67-68页 |
4.2 基于残差融合的分类器融合分类算法 | 第68-70页 |
4.2.1 残差融合分类算法的基本原理 | 第68-69页 |
4.2.2 残差融合的分类算法步骤 | 第69-70页 |
4.3 改进型残差融合方法 | 第70-72页 |
4.3.1 基于最近邻字典优化思想的改进 | 第70-71页 |
4.3.2 基于联合表达方法的改进 | 第71-72页 |
4.4 改进型残差融合的分类器融合算法 | 第72-73页 |
4.4.1 基于NLD-FRC的高光谱图像分类算法 | 第72页 |
4.4.2 基于JFRC残差融合的高光谱图像分类算法 | 第72-73页 |
4.5 基于改进型残差融合方法的高光谱图像分类实验 | 第73-74页 |
4.6 分类实验结果分析 | 第74-82页 |
4.6.1 参数整定及调优 | 第74-77页 |
4.6.2 分类效果评价 | 第77-81页 |
4.6.3 算法复杂度分析 | 第81-82页 |
4.7 本章小结 | 第82-83页 |
第五章 结论与展望 | 第83-85页 |
5.1 完成工作的总结 | 第83-84页 |
5.2 展望 | 第84-85页 |
参考文献 | 第85-91页 |
致谢 | 第91-93页 |
研究成果及发表的学术论文 | 第93-95页 |
作者及导师简介 | 第95-96页 |
附件 | 第96-97页 |