| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题的背景及来源 | 第9-12页 |
| 1.2 课题研究的目的与意义 | 第12-14页 |
| 1.3 国内外研究现状分析 | 第14-17页 |
| 1.3.1 光谱图像与 LiDAR 联合分类研究现状 | 第14-16页 |
| 1.3.2 遥感图像分类研究现状 | 第16-17页 |
| 1.4 本文的主要内容和组织结构 | 第17-19页 |
| 第2章 数据预处理与特征生成 | 第19-35页 |
| 2.1 引言 | 第19页 |
| 2.2 光谱成像/LIDAR 数据源的遥感机理 | 第19-25页 |
| 2.2.1 多/高光谱成像的原理与数据特点 | 第19-21页 |
| 2.2.2 激光雷达工作原理及数据特点 | 第21-25页 |
| 2.3 数据预处理 | 第25-27页 |
| 2.4 两类数据的特征生成 | 第27-34页 |
| 2.4.1 特征生成总体流程 | 第27页 |
| 2.4.2 光谱特征生成 | 第27-29页 |
| 2.4.3 nDSM 特征的生成 | 第29-31页 |
| 2.4.4 基于 Morphological Profiles 的空间信息提取 | 第31-33页 |
| 2.4.5 其他特征的生成 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 光谱图像与 LIDAR 数据联合分类的多核方法 | 第35-52页 |
| 3.1 引言 | 第35页 |
| 3.2 核方法与多核学习基本理论 | 第35-37页 |
| 3.3 基于多核学习的异源异构特征联合分类 | 第37-42页 |
| 3.3.1 异源异构特征联合分类的多核模型建立 | 第37-39页 |
| 3.3.2 F 范数约束下的尺度维多核优化 | 第39-40页 |
| 3.3.3 最大线性可分准则下的特征维多核优化 | 第40-42页 |
| 3.4 实验与结果分析 | 第42-51页 |
| 3.4.1 实验所用数据介绍 | 第42-44页 |
| 3.4.2 实验设置与结果分析 | 第44-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 基于多核学习联合分类的半监督扩展 | 第52-64页 |
| 4.1 引言 | 第52页 |
| 4.2 半监督学习与图方法 | 第52-54页 |
| 4.3 多核学习嵌套的半监督联合分类方法 | 第54-59页 |
| 4.3.1 图的构建与图连接权值的优化 | 第54-57页 |
| 4.3.2 用于联合分类的图拉普拉斯多核学习方法 | 第57-59页 |
| 4.4 实验与结果分析 | 第59-63页 |
| 4.4.1 实验设置 | 第59-60页 |
| 4.4.2 结果与分析 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第71-73页 |
| 致谢 | 第73页 |
