声明
摘要
1 绪论
1.1 课题背景与研究意义
1.2 高光谱图像解混及分类问题的研究现状
1.2.1 高光谱解混与分类定义、难点与特点
1.2.2 线性高光谱解混的研究现状
1.2.3 高光谱分类的研究现状
1.3 论文研究的主要内容
1.3.1 论文的主要成果及创新点
1.3.2 论文的组织结构
2 基于光谱库的l1/2稀疏正则化解混模型与算法
2.1 引言
2.2 稀疏回归解混基础
2.3 提出的基于l1/2正则化的高光谱解混模型与算法
2.3.1 采用l1/2稀疏正则化的动机
2.3.2 l1/2正则化稀疏回归模型
2.3.3 算法
2.3.4 算法中的光谱库预优
2.4 实验结果与分析
2.4.1 模拟高光谱数据实验
2.4.2 真实高光谱数据实验
2.5 本章小结
3 结合稀疏表示与马尔可夫场空间先验的高光谱图像监督分类
3.1 引言
3.2 本章方法提出的动机及框架总览
3.3 仅利用光谱信息的高光谱稀疏表示分类方法
3.3.1 高光谱分类中的稀疏表示分类准则
3.3.2 l1-l2稀疏表示分类方法
3.4 马尔可夫场(MRF)空间先验
3.5 最大后验(MAP)估计的空谱联合分类模型
3.6 实验结果与分析
3.6.1 分类结果的评价指标
3.6.2 主流的对比算法及参数设置
3.6.3 Indian Pines数据集上的实验结果
3.6.4 University of Pavia数据集上的实验结果
3.7 本章小结
4 加权马尔可夫场空间先验的高光谱图像监督分类
4.1 引言
4.2 稀疏多项式逻辑回归(SMLR)方法
4.3 本章方法提出的动机及框架总览
4.4 提出的加权马尔可夫场先验的空谱联合分类方法
4.4.1 隐形场MPM上的MRF空间先验
4.4.2 基于空间自适应TV的最大后验边际(MPM)分类模型
4.4.3 算法
4.5 实验结果与分析
4.5.1 分类结果评价指标以及参数设置
4.5.2 参数μs、l和σ对分类结果的影响
4.5.3 Indian Pines数据集上的实验结果
4.5.4 University of Pavia数据集上的实验结果
4.5.5 Center of Pavia数据集上的实验结果
4.5.6 算法的执行时间对比实验
4.5.7 主动学习对比实验
4.6 本章小结
5 子空间多项式逻辑回归与稀疏表示融合的高光谱监督分类
5.1 引言
5.2 本章方法提出的动机及框架总览
5.3 仅光谱信息(spectral-only)两分类器融合的高光谱分类方法
5.3.1 子空间多项式逻辑回归(MLRsub)分类器
5.3.2 稀疏表示(SR)分类器
5.3.3 满概率图和稀疏概率图的融合
5.4 边缘保持的马尔可夫场空间先验
5.5 最大后验(MAP)估计的高光谱空谱联合分类
5.6 实验结果与分析
5.6.1 Indian Pines数据集上的实验结果
5.6.2 University of Pavia数据集上的实验结果
5.7 本章小结
6 结束语
参考文献
致谢
附录
攻读博士学位期间发表及己完成论文情况
攻读博士学位期间参加课题及资助基金