| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 高光谱遥感的研究现状 | 第15-16页 |
| 1.2.2 高光谱遥感影像分类的研究现状 | 第16-18页 |
| 1.2.3 集成学习的研究现状 | 第18-19页 |
| 1.3 论文的主要工作与内容安排 | 第19-22页 |
| 第二章 基于集成SVM的高光谱遥感影像分类 | 第22-36页 |
| 2.1 引言 | 第22页 |
| 2.2 高光谱遥感影像的数据特征 | 第22-23页 |
| 2.3 支持向量机分类方法 | 第23-25页 |
| 2.3.1 支持向量机分类原理 | 第23-25页 |
| 2.4 集成学习概述 | 第25-27页 |
| 2.5 基于集成学习和SVM的高光谱遥感影像分类 | 第27-34页 |
| 2.5.1 算法介绍 | 第27-29页 |
| 2.5.2 算法分析 | 第29页 |
| 2.5.3 实验数据 | 第29-31页 |
| 2.5.4 实验结果及分析 | 第31-34页 |
| 2.6 本章小结 | 第34-36页 |
| 第三章 基于集成学习和空间信息的高光谱遥感影像分类 | 第36-48页 |
| 3.1 引言 | 第36页 |
| 3.2 空谱结合方法 | 第36-38页 |
| 3.3 基于FODPSO的多阈值分割算法 | 第38-39页 |
| 3.3.1 主成分分析(PCA) | 第38页 |
| 3.3.2 Fodpso分割算法 | 第38-39页 |
| 3.4 基于集成学习和空间信息的高光谱影像分类 | 第39-47页 |
| 3.4.1 算法原理 | 第39页 |
| 3.4.2 算法实现步骤 | 第39-41页 |
| 3.4.3 实验结果与分析 | 第41-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于形态学和集成SVM的高光谱遥感影像分类 | 第48-60页 |
| 4.1 引言 | 第48-49页 |
| 4.2 数学形态学理论 | 第49-51页 |
| 4.2.1 二值形态学 | 第49-50页 |
| 4.2.2 灰度数学形态学 | 第50-51页 |
| 4.3 基于数学形态学和集成SVM的高光谱影像分类 | 第51-57页 |
| 4.3.1 算法(RFS+MP)介绍 | 第51-52页 |
| 4.3.2 实验结果与分析 | 第52-57页 |
| 4.4 融合分类图和分割图(RFS+MP+seg) | 第57-59页 |
| 4.4.1 实验结果与分析 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 论文总结 | 第60-61页 |
| 5.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 作者简介 | 第70-71页 |
