| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 高光谱图像分类技术研究现状 | 第11-14页 |
| 1.2.1 基于空间-光谱信息的高光谱图像分类 | 第12-13页 |
| 1.2.2 基于核方法的高光谱图像分类 | 第13-14页 |
| 1.3 论文研究内容以及结构安排 | 第14-16页 |
| 1.3.1 本文主要研究内容 | 第14-15页 |
| 1.3.2 论文章节安排 | 第15-16页 |
| 第2章 高光谱图像超像素分割方法与空谱特征提取研究 | 第16-30页 |
| 2.1 超像素分割算法介绍 | 第16-18页 |
| 2.1.1 基于梯度下降的超像素分割算法 | 第16-17页 |
| 2.1.2 基于图论的算法 | 第17-18页 |
| 2.2 高光谱图像的超像素分割方法 | 第18-20页 |
| 2.3 高光谱图像全局特征提取方法研究 | 第20-21页 |
| 2.4 局部特征提取方法 | 第21-26页 |
| 2.4.1 Gabor滤波的空间特征提取 | 第21-22页 |
| 2.4.2 形态学滤波的空间特征提取 | 第22-24页 |
| 2.4.3 结合尺度不变特征变换与词包的超像素特征 | 第24-26页 |
| 2.4.4 超像素平均值特征提取 | 第26页 |
| 2.5 实验图像介绍 | 第26-29页 |
| 2.5.1 高光谱数据集介绍 | 第26-28页 |
| 2.5.2 高光谱图像分类精度指标 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于超像素和极限学习机高光谱图像分类 | 第30-43页 |
| 3.1 引言 | 第30-31页 |
| 3.2 分类算法介绍 | 第31-36页 |
| 3.2.1 多项式逻辑回归分类方法 | 第31-32页 |
| 3.2.2 支持向量机 | 第32-33页 |
| 3.2.3 人工神经网络 | 第33-34页 |
| 3.2.4 极限学习机 | 第34-36页 |
| 3.3 结合超像素和极限学习机的高光谱图像分类 | 第36-37页 |
| 3.4 实验结果 | 第37-42页 |
| 3.4.1 超像素分割参数讨论 | 第37-38页 |
| 3.4.2 性能比较 | 第38-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于超像素合成核高光谱图像分类研究 | 第43-55页 |
| 4.1 引言 | 第43页 |
| 4.2 合成核方法 | 第43-45页 |
| 4.3 超像素合成核的构建方法 | 第45-47页 |
| 4.3.1 超像素的空间-光谱信息合成核方法 | 第46页 |
| 4.3.2 超像素的多核方法 | 第46-47页 |
| 4.4 多核函数高光谱图像分类 | 第47-48页 |
| 4.5 实验结果 | 第48-50页 |
| 4.5.1 超像素分割参数讨论 | 第48-49页 |
| 4.5.2 性能比较 | 第49-50页 |
| 4.6 本章小结 | 第50-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 工作展望 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第63-64页 |
| 致谢 | 第64页 |