| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-34页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 研究现状 | 第15-30页 |
| 1.2.1 高光谱图像数据特点 | 第16页 |
| 1.2.2 高光谱图像特征提取研究现状 | 第16-22页 |
| 1.2.3 高光谱图像分类研究现状 | 第22-30页 |
| 1.3 论文主要研究内容 | 第30-31页 |
| 1.4 论文的组织和安排 | 第31-34页 |
| 第二章 基于多粒子群协同进化的高光谱特征提取 | 第34-54页 |
| 2.1 引言 | 第34-35页 |
| 2.2 支持向量机和优化算法 | 第35-37页 |
| 2.2.1 支持向量机(SVM) | 第35-37页 |
| 2.2.2 粒子群优化算法 | 第37页 |
| 2.2.3 多粒子群协同进化算法 | 第37页 |
| 2.3 基于MIPSO-SVM的波段特征提取及参数优化模型 | 第37-39页 |
| 2.3.1 改进的粒子群优化算法IPSO | 第37-38页 |
| 2.3.2 MIPSO-SVM算法描述 | 第38-39页 |
| 2.4 实验与分析 | 第39-52页 |
| 2.4.1 实验设置 | 第40-44页 |
| 2.4.2 AVIRI SIndine数据实验分析 | 第44-48页 |
| 2.4.3 Pavia Universty数据实验分析 | 第48-52页 |
| 2.5 本章小结 | 第52-54页 |
| 第三章 基于稀疏表示字典的高光谱图像分类 | 第54-88页 |
| 3.1 引言 | 第54-55页 |
| 3.2 高光谱图像稀疏表示分类基础 | 第55-61页 |
| 3.2.1 图像稀疏表示理论基础 | 第55-58页 |
| 3.2.2 高光谱图像稀疏表示分类 | 第58-60页 |
| 3.2.3 高光谱图像稀疏表示分类性能分析 | 第60-61页 |
| 3.3 基于鉴别性稀疏表示的高光谱图像分类 | 第61-67页 |
| 3.3.1 LBP描述及HLBP描述子 | 第62-64页 |
| 3.3.2 基于鉴别性稀疏表示的高光谱图像分类 | 第64-67页 |
| 3.4 基于类别字典和空间特性的高光谱图像分类 | 第67-69页 |
| 3.4.1 基于聚类分析生成类别字典 | 第67-68页 |
| 3.4.2 自适应空间约束稀疏表示系数求解 | 第68-69页 |
| 3.4.3 基于类别字典和空间特性的分类算法描述 | 第69页 |
| 3.5 实验与分析 | 第69-85页 |
| 3.5.1 基于鉴别性稀疏表示的分类实验与分析 | 第70-79页 |
| 3.5.2 基于类别字典和空间特性的分类实验结果及分析 | 第79-85页 |
| 3.6 本章小结 | 第85-88页 |
| 第四章 基于MNF和EMP特征的随机森林高光谱图像分类 | 第88-108页 |
| 4.1 引言 | 第88页 |
| 4.2 随机森林算法基础 | 第88-91页 |
| 4.3 高光谱图像特征提取 | 第91-93页 |
| 4.3.1 光谱特征提取 | 第91-92页 |
| 4.3.2 形态学特征提取 | 第92-93页 |
| 4.4 随机森林分类 | 第93-94页 |
| 4.4.1 邻域协同修正分类结果 | 第93-94页 |
| 4.4.2 基于随机森林的空谱特征提取与分类 | 第94页 |
| 4.5 实验结果与分析 | 第94-106页 |
| 4.5.1 AVIRIS Indian Pines数据实验分析 | 第95-99页 |
| 4.5.2 ROSIS Pavia University数据实验分析 | 第99-103页 |
| 4.5.3 ROSIS Pavia Center数据实验分析 | 第103-106页 |
| 4.6 本章小结 | 第106-108页 |
| 第五章 基于张量主成分分析的高光谱图像分类 | 第108-128页 |
| 5.1 引言 | 第108-109页 |
| 5.2 张量及高光谱图像张量 | 第109-112页 |
| 5.2.1 张量概念 | 第109页 |
| 5.2.2 高光谱图像张量表示 | 第109页 |
| 5.2.3 基于循环卷积的张量模型 | 第109-112页 |
| 5.3 基于TPCA的高光谱图像特征提取与分类 | 第112-115页 |
| 5.3.1 张量主成分分析TPCA | 第112-114页 |
| 5.3.2 傅立叶域的TPCA快速算法 | 第114页 |
| 5.3.3 基于TPCA的特征提取与分类 | 第114-115页 |
| 5.4 实验结果与分析 | 第115-126页 |
| 5.4.1 Indian Pines数据实验分析 | 第115-120页 |
| 5.4.2 Pavia University数据实验分析 | 第120-124页 |
| 5.4.3 本文分类方法比较分析 | 第124-126页 |
| 5.5 本章小结 | 第126-128页 |
| 第六章 总结与展望 | 第128-132页 |
| 6.1 本文的工作总结 | 第128-130页 |
| 6.2 进一步的研究工作 | 第130-132页 |
| 参考文献 | 第132-150页 |
| 致谢 | 第150-152页 |
| 攻读博士学位期间发表的学术论文及参加的科研项目 | 第152-154页 |
