| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 选题的背景及意义 | 第8页 |
| 1.2 高光谱技术发展现状 | 第8-13页 |
| 1.2.1 高光谱成像技术的发展现状 | 第8-11页 |
| 1.2.2 高光谱数据处理发展现状 | 第11-12页 |
| 1.2.3 高光谱数据处理发展趋势 | 第12-13页 |
| 1.3 基于局部二值模式技术的高光谱图像分类技术发展现状 | 第13-16页 |
| 1.3.1 局部二值模式技术发展现状 | 第13-15页 |
| 1.3.2 局部二值模式技术在高光谱图像中的应用 | 第15-16页 |
| 1.3.3 局部二值模式的高光谱图像发展趋势 | 第16页 |
| 1.4 研究内容 | 第16-18页 |
| 第二章 基于空谱联合的高光谱影像分类技术 | 第18-30页 |
| 2.1 高光谱图像数据的表达方式 | 第18-19页 |
| 2.2 高光谱图像数据的特征描述 | 第19-24页 |
| 2.2.1 高光谱图像的空间特征描述方法 | 第19-21页 |
| 2.2.2 高光谱图像的光谱特征描述方法 | 第21-24页 |
| 2.2.3 高光谱图像的空谱联合特征描述方法 | 第24页 |
| 2.3 高光谱图像数据的空谱联合特征的选择准则 | 第24-25页 |
| 2.4 常用分类器介绍 | 第25-29页 |
| 2.4.1 支持向量机回归模型 | 第25-27页 |
| 2.4.2 核多元逻辑回归模型 | 第27-28页 |
| 2.4.3 K-近邻分类算法 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于单波段多尺度局部二值模式的高光谱图像分类算法 | 第30-41页 |
| 3.1 高光谱影像特征提取 | 第30-32页 |
| 3.1.1 多尺度局部二值模型技术 | 第30-31页 |
| 3.1.2 单波段多尺度局部二值模型空间纹理特征提取 | 第31-32页 |
| 3.1.3 空谱特征融合 | 第32页 |
| 3.2 算法设计与实现 | 第32-37页 |
| 3.2.1 实验数据 | 第32-34页 |
| 3.2.2 算法设计 | 第34-35页 |
| 3.2.3 算法实现 | 第35-37页 |
| 3.3 实验内容与结果分析 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于光谱向量多尺度局部二值模式的高光谱图像分类算法 | 第41-46页 |
| 4.1 光谱向量多尺度局部二值模式空间纹理特征提取 | 第41-42页 |
| 4.2 空谱特征融合 | 第42页 |
| 4.3 实验内容与结果分析 | 第42-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 5.1 工作总结 | 第46页 |
| 5.2 发展展望 | 第46-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 攻读学位期间发表的论文 | 第52-53页 |
