| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景与意义 | 第12-15页 |
| 1.2 光谱图像分类难点 | 第15-16页 |
| 1.3 已有研究现状 | 第16-20页 |
| 1.3.1 传统统计分类方法 | 第16-17页 |
| 1.3.2 本质图像分解问题-IID(Intrinsic Image Decomposition) | 第17-19页 |
| 1.3.3 光源与反射分置分解问题-IRSS(Illumination and ReflectanceSpectral Separation) | 第19-20页 |
| 1.4 本文研究内容和组织结构 | 第20-22页 |
| 第二章 光谱数据信号模型SIID分解 | 第22-32页 |
| 2.1 SIID模型公式化描述 | 第22页 |
| 2.2 SIID算法 | 第22-27页 |
| 2.3 结果分析 | 第27-32页 |
| 2.3.1 国际公开光谱数据库 | 第27-28页 |
| 2.3.2 Ground Truth数据库 | 第28-30页 |
| 2.3.3 实验结论 | 第30-32页 |
| 第三章 低秩运算的光谱数据信号模型MIID分解 | 第32-40页 |
| 3.1 MIID算法 | 第32-37页 |
| 3.2 结果分析 | 第37-40页 |
| 3.2.1 国际公开光谱数据库 | 第37-38页 |
| 3.2.2 Ground Truth数据库 | 第38页 |
| 3.2.3 实验结论 | 第38-40页 |
| 第四章 高光谱图像数据库 | 第40-52页 |
| 4.1 本征分解标准数据库 | 第40-48页 |
| 4.1.1 采集方案 | 第40-44页 |
| 4.1.2 数据准确性验证 | 第44-46页 |
| 4.1.3 Ground Truth数据集 | 第46-48页 |
| 4.2 视频数据库采集 | 第48-52页 |
| 4.2.1 软硬件采集平台 | 第48-51页 |
| 4.2.2 图像/视频数据集 | 第51-52页 |
| 第五章 高光谱数据学习与应用 | 第52-67页 |
| 5.1 机器学习统计分析 | 第52-59页 |
| 5.1.1 特征挖掘方法 | 第53页 |
| 5.1.2 监督学习分类方法 | 第53-57页 |
| 5.1.3 半监督学习分类方法 | 第57-59页 |
| 5.2 光谱-空间分类优化 | 第59-62页 |
| 5.3 研究应用 | 第62-67页 |
| 5.3.1 材质鉴别 | 第62-65页 |
| 5.3.2 目标检测 | 第65页 |
| 5.3.3 人脸识别 | 第65-67页 |
| 第六章 总结与展望 | 第67-70页 |
| 6.1 总结 | 第67-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 简历与科研成果 | 第77-79页 |