高光谱遥感影像降维及分类方法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-16页 |
| ·高光谱遥感概述 | 第9-14页 |
| ·高光谱遥感与常规遥感的区别 | 第10页 |
| ·高光谱遥感图像数据 | 第10-12页 |
| ·高光谱遥感的发展现状及应用 | 第12-14页 |
| ·研究的目的及意义 | 第14-15页 |
| ·本文的章节安排 | 第15-16页 |
| 第二章 高光谱遥感数据处理技术研究 | 第16-26页 |
| ·数据降维概述 | 第16-21页 |
| ·特征提取 | 第16-18页 |
| ·波段选择 | 第18-21页 |
| ·高光谱遥感数据分类技术 | 第21-25页 |
| ·非监督分类 | 第21-22页 |
| ·监督分类 | 第22-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 蚁群算法在高光谱图像数据降维中的应用 | 第26-36页 |
| ·引言 | 第26页 |
| ·蚁群算法概述 | 第26-28页 |
| ·蚁群算法原理 | 第26-27页 |
| ·蚁群算法的特点 | 第27-28页 |
| ·蚁群算法在高光谱图像中的应用 | 第28-35页 |
| ·高光谱图像数据空间划分的必要性 | 第28-30页 |
| ·基于蚁群算法的高光谱图像子空间划分原理 | 第30-32页 |
| ·基于蚁群算法的高光谱遥感图像子空间划分实验 | 第32-33页 |
| ·子空间特征提取方法 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 高光谱遥感图像分类 | 第36-49页 |
| ·支持向量机原理 | 第36-41页 |
| ·最优分类面 | 第36-39页 |
| ·支持向量机(SVM) | 第39-41页 |
| ·基于支持向量机的高光谱图像分类 | 第41-47页 |
| ·实验区概况 | 第41-42页 |
| ·高光谱图像分类过程 | 第42-43页 |
| ·支持向量机的高光谱图像分类 | 第43-47页 |
| ·实验结果与分析 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| ·论文工作总结 | 第49-50页 |
| ·展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士学位期间的主要研究工作 | 第56页 |
