| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 高光谱图像分类算法研究现状 | 第9-10页 |
| 1.2.2 深度学习研究现状 | 第10-11页 |
| 1.3 高光谱图像特性 | 第11-12页 |
| 1.4 高光谱图像分类的数据集及其评价方法 | 第12-15页 |
| 1.5 论文结构 | 第15-16页 |
| 2 基于深度学习的高光谱图像特征提取 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 深度学习理论介绍 | 第16-21页 |
| 2.2.1 神经网络的前向传播 | 第16-17页 |
| 2.2.2 神经网络的误差反向传导 | 第17-19页 |
| 2.2.3 卷积神经网络 | 第19-21页 |
| 2.3 基于光谱信息的高光谱图像深度特征提取算法 | 第21-24页 |
| 2.3.1 堆叠自编码机对光谱信息进行特征提取 | 第21-23页 |
| 2.3.2 卷积神经网络对光谱信息进行特征提取 | 第23-24页 |
| 2.4 基于空间信息的高光谱图像深度特征提取算法 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 异构神经网络空-谱特征级融合的高光谱图像分类算法 | 第27-41页 |
| 3.1 引言 | 第27页 |
| 3.2 深度学习特征可视化 | 第27-31页 |
| 3.2.1 深度学习特征可视化 | 第27-30页 |
| 3.2.2 深层特征与浅层特征比较 | 第30-31页 |
| 3.3 基于深度学习的空谱联合高光谱图像分类算法 | 第31-34页 |
| 3.4 基于异构神经网络的空谱联合高光谱图像分类算法 | 第34-36页 |
| 3.5 实验结果及分析 | 第36-39页 |
| 3.5.1 实验方案及步骤 | 第36-37页 |
| 3.5.2 实验结果 | 第37-39页 |
| 3.6 本章小结 | 第39-41页 |
| 4 异构神经网络决策级融合的高光谱图像分类算法 | 第41-52页 |
| 4.1 引言 | 第41页 |
| 4.2 异构神经网络决策级融合高光谱图像分类算法 | 第41-43页 |
| 4.3 软概率分类图的决策级融合方法 | 第43-45页 |
| 4.4 实验环境及方案 | 第45页 |
| 4.5 实验结果及分析 | 第45-51页 |
| 4.5.1 算法参数选择 | 第45-47页 |
| 4.5.2 实验结果 | 第47-51页 |
| 4.6 本章小结 | 第51-52页 |
| 5 高光谱遥感图像分类系统实现 | 第52-61页 |
| 5.1 引言 | 第52页 |
| 5.2 开发环境 | 第52-53页 |
| 5.3 系统模块介绍 | 第53-55页 |
| 5.3.1 系统流程图 | 第53页 |
| 5.3.2 模块详细介绍 | 第53-55页 |
| 5.4 系统测试 | 第55-57页 |
| 5.5 系统演示 | 第57-60页 |
| 5.6 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67页 |