基于子空间的高光谱影像降维及分类研究
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 特征提取 | 第11-12页 |
| 1.2.2 波段选择 | 第12-13页 |
| 1.2.3 高光谱图像分类现状 | 第13-14页 |
| 1.3 论文研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 1.5 技术路线 | 第16-17页 |
| 2 高光谱数据降维及分类理论 | 第17-30页 |
| 2.1 高光谱遥感简介 | 第17-19页 |
| 2.1.1 高光谱遥感 | 第17页 |
| 2.1.2 高光谱遥感影像 | 第17-19页 |
| 2.2 高光谱数据降维 | 第19-25页 |
| 2.2.1 特征提取降维方法 | 第19-20页 |
| 2.2.2 波段选择降维方法 | 第20-25页 |
| 2.3 子空间相关理论 | 第25-26页 |
| 2.4 高光谱遥感分类理论 | 第26-29页 |
| 2.4.1 高光谱遥感分类特点 | 第26页 |
| 2.4.2 高光谱遥感分类算法 | 第26-29页 |
| 2.5 高光谱图像分类精度评价 | 第29页 |
| 2.6 本章小结 | 第29-30页 |
| 3 高光谱影像子空间划分及波段选择 | 第30-41页 |
| 3.1 试验区概况 | 第30页 |
| 3.2 初始分类区间划分 | 第30-31页 |
| 3.3 互信息原理 | 第31-32页 |
| 3.4 波段聚类及子空间划分 | 第32-35页 |
| 3.5 主成分分析法降维 | 第35-37页 |
| 3.6 最小噪声分离法降维 | 第37-39页 |
| 3.7 最佳指数法降维 | 第39-40页 |
| 3.8 本章小结 | 第40-41页 |
| 4 面向对象的遥感图像分类 | 第41-50页 |
| 4.1 面向对象分类流程 | 第41-42页 |
| 4.1.1 影像分割 | 第41-42页 |
| 4.1.2 构建特征空间 | 第42页 |
| 4.1.3 构建分类模型 | 第42页 |
| 4.2 最优化理论 | 第42-44页 |
| 4.3 支持向量机模型 | 第44-49页 |
| 4.3.1 线性支持向量机 | 第44-47页 |
| 4.3.2 非线性支持向量机 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 分类实验结果分析 | 第50-56页 |
| 5.1 实验方案设计 | 第50-51页 |
| 5.2 基于支持向量机的高光谱图像分类 | 第51-54页 |
| 5.3 结果分析 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 附录 | 第64页 |
