基于深度学习的高光谱图像分类及参数设置研究 |
论文目录 | | | 摘要 | 第1-5页 | | abstract | 第5-10页 | | 1 绪论 | 第10-18页 | | 1.1 课题研究背景与意义 | 第10-11页 | | 1.2 国内外研究现状 | 第11-16页 | | 1.2.1 高光谱遥感技术简介及研究现状 | 第11-14页 | | 1.2.2 深度学习理论的发展 | 第14页 | | 1.2.3 高光谱图像分类的研究现状和新问题 | 第14-16页 | | 1.3 本文的主要研究目标及任务 | 第16-18页 | | 1.3.1 本文的研究目标 | 第16页 | | 1.3.2 本文的结构及主要任务 | 第16-18页 | | 2 高光谱图像数据简介及模型评价指标 | 第18-24页 | | 2.1 高光谱图像数据简介 | 第18-20页 | | 2.1.1 IndianPines数据集 | 第18-19页 | | 2.1.2 PaviaUniversity数据集 | 第19-20页 | | 2.2 图像预处理 | 第20-22页 | | 2.2.1 F-范数和降维 | 第20-21页 | | 2.2.2 图像归一化 | 第21-22页 | | 2.3 评价指标 | 第22-23页 | | 2.4 本章小结 | 第23-24页 | | 3 基于DBN网络的高光谱图像分类及参数设置 | 第24-38页 | | 3.1 神经网络简介 | 第24-26页 | | 3.2 DBN简介 | 第26-29页 | | 3.3 基于高光谱图像光谱信息的DBN分类 | 第29-31页 | | 3.3.1 高光谱图像光谱信息简介 | 第29-30页 | | 3.3.2 基于光谱信息的DBN模型设计 | 第30-31页 | | 3.4 基于高光谱图像空间信息的DBN分类 | 第31-33页 | | 3.4.1 主成分分析与高光谱图像空间信息 | 第31-33页 | | 3.4.2 基于空间信息的DBN分类模型设计 | 第33页 | | 3.5 基于高光谱图像空谱信息的DBN分类 | 第33-34页 | | 3.6 实验结果比较与分析 | 第34-37页 | | 3.7 本章小结 | 第37-38页 | | 4 基于2D-CNN网络的高光谱图像分类 | 第38-54页 | | 4.1 CNN概述 | 第38-46页 | | 4.1.1 CNN | 第38-39页 | | 4.1.2 CNN结构简介 | 第39-46页 | | 4.2 基于2D-CNN的高光谱图像分类 | 第46-51页 | | 4.2.1 基于高光谱图像光谱信息的2D-CNN分类 | 第46-48页 | | 4.2.2 基于高光谱图像空间信息的2D-CNN分类 | 第48-49页 | | 4.2.3 基于高光谱图像空谱信息的2D-CNN分类 | 第49-51页 | | 4.3 实验结果比较与分析 | 第51-53页 | | 4.4 本章小结 | 第53-54页 | | 5 高光谱图像采用2D-CNN分类的网络参数设置研究 | 第54-65页 | | 5.1 参数分类 | 第54页 | | 5.2 基于参数调节的2D-CNN分类 | 第54-61页 | | 5.2.1 外部参数调节 | 第55-58页 | | 5.2.2 内部参数调节 | 第58-59页 | | 5.2.3 改进参数调节 | 第59-61页 | | 5.3 实验结果比较与分析 | 第61-64页 | | 5.3.1 SVM基本原理 | 第61-62页 | | 5.3.2 不同分类方法结果对比 | 第62-64页 | | 5.4 本章小结 | 第64-65页 | | 6 基于3D-CNN网络和虚拟样本的高光谱图像分类 | 第65-71页 | | 6.1 高光谱图像分类难点 | 第65页 | | 6.2 三维卷积介绍 | 第65-66页 | | 6.3 基于3D-CNN的高光谱图像分类 | 第66-68页 | | 6.4 基于虚拟样本的3D-CNN分类 | 第68-69页 | | 6.5 不同分类方法结果对比 | 第69-70页 | | 6.6 本章小结 | 第70-71页 | | 7 总结与展望 | 第71-73页 | | 7.1 总结 | 第71-72页 | | 7.2 展望 | 第72-73页 | | 参考文献 | 第73-79页 | | 致谢 | 第79-80页 | | 攻读学位期间发表的学术论文目录 | 第80-81页 |
|
|
|
| |
