| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-10页 |
| 第一章 引言 | 第10-22页 |
| ·高光谱遥感的概念、发展及特点 | 第10-14页 |
| ·高光谱的概念 | 第10-11页 |
| ·高光谱遥感的发展进程 | 第11-12页 |
| ·高光谱遥感的特点 | 第12-14页 |
| ·高光谱遥感土地利用分类国内外研究现状 | 第14-19页 |
| ·遥感图像分类原理及概念 | 第14页 |
| ·高光谱遥感土地利用分类的优势和劣势 | 第14-16页 |
| ·高光谱土地利用分类 | 第16-19页 |
| ·研究目的、意义和内容 | 第19-21页 |
| ·研究目的及意义 | 第19页 |
| ·研究内容 | 第19-20页 |
| ·论文组织结构 | 第20-21页 |
| ·论文技术路线 | 第21-22页 |
| 第二章 研究区概况 | 第22-25页 |
| ·研究区地理概况 | 第22-23页 |
| ·遥感数据 | 第23-25页 |
| ·EO-1 Hyperion 高光谱成像仪介绍 | 第23页 |
| ·多光谱数据 | 第23-24页 |
| ·林业专题数据 | 第24-25页 |
| 第三章 数据预处理 | 第25-31页 |
| ·图像裁剪 | 第25页 |
| ·像元值到绝对辐射值的转换 | 第25-26页 |
| ·有效波段选择 | 第26-27页 |
| ·大气校正 | 第27-29页 |
| ·几何校正 | 第29-30页 |
| ·小结 | 第30-31页 |
| 第四章 面向像元结合两种无参机器学习方法的 Hyperion 高光谱影像分类 | 第31-40页 |
| 前言 | 第31页 |
| ·神经网络分类 | 第31-32页 |
| ·支持向量机 | 第32-33页 |
| ·应用研究实例比较 | 第33-36页 |
| ·最小噪声变换 MNF | 第33-35页 |
| ·地物类型的确定 | 第35页 |
| ·训练样本选择 | 第35-36页 |
| ·支持向量机与神经网络参数设定 | 第36页 |
| ·分类结果与分析 | 第36-38页 |
| ·讨论 | 第38-40页 |
| 第五章 结合纹理信息 Hyperion 高光谱影像分类 | 第40-48页 |
| 前言 | 第40页 |
| ·技术路线 | 第40-41页 |
| ·端元（end member）提取 | 第41-42页 |
| ·线性波谱分离（LSU） | 第42-43页 |
| ·纹理分析 | 第43页 |
| ·支持向量机 | 第43-44页 |
| ·结果与分析 | 第44-46页 |
| ·结论与讨论 | 第46-48页 |
| 第六章 结论与展望 | 第48-51页 |
| ·研究结果 | 第48-49页 |
| ·存在的问题 | 第49页 |
| ·展望 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 个人简介 | 第57-58页 |
| 致谢 | 第58页 |