摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第9-19页 |
1.1 研究背景与意义 | 第9-13页 |
1.1.1 高光谱成像仪的发展 | 第9-10页 |
1.1.2 高光谱遥感影像的特点 | 第10-11页 |
1.1.3 高光谱遥感的应用现状 | 第11-13页 |
1.2 国内外研究现状 | 第13-16页 |
1.2.1 高光谱遥感影像的降维处理 | 第13-15页 |
1.2.2 高光谱遥感影像的分类方法 | 第15-16页 |
1.3 论文的主要研究内容 | 第16-17页 |
1.4 论文的结构和章节安排 | 第17-19页 |
第2章 高光谱遥感影像波段选择和分类的方法研究 | 第19-29页 |
2.1 基于评价准则的波段选择方法 | 第19-22页 |
2.1.1 基于信息量的波段选择方法 | 第19-20页 |
2.1.2 基于类间可分性的波段选择方法 | 第20-22页 |
2.2 基于启发式智能算法的波段选择 | 第22-23页 |
2.2.1 遗传算法 | 第22页 |
2.2.2 粒子群优化算法 | 第22-23页 |
2.3 高光谱遥感影像的分类 | 第23-27页 |
2.3.1 监督分类方法 | 第23-24页 |
2.3.2 非监督分类方法 | 第24-26页 |
2.3.3 半监督分类方法 | 第26-27页 |
2.4 本章小结 | 第27-29页 |
第3章 基于混沌杜鹃搜索算法的波段选择 | 第29-43页 |
3.1 杜鹃搜索算法 | 第29-30页 |
3.2 混沌映射 | 第30-31页 |
3.3 基于混沌杜鹃搜索算法的波段选择 | 第31-34页 |
3.3.1 算法的编码形式 | 第31-32页 |
3.3.2 目标函数 | 第32页 |
3.3.3 基于混沌杜鹃搜索算法的波段选择流程 | 第32-34页 |
3.4 实验结果及分析 | 第34-41页 |
3.4.1 HYDICE Washington DC Mall数据实验 | 第34-38页 |
3.4.2 AVIRIS SalinasA数据实验 | 第38-41页 |
3.5 本章小结 | 第41-43页 |
第4章 基于空谱信息结合的tri-training半监督分类 | 第43-63页 |
4.1 几种常见的分类器 | 第43-47页 |
4.1.1 支持向量机 | 第43-44页 |
4.1.2 随机森林 | 第44-45页 |
4.1.3 极限学习机 | 第45-46页 |
4.1.4 最近邻分类 | 第46-47页 |
4.2 基于tri-trining协同训练的半监督分类思想 | 第47-49页 |
4.3 基于空谱信息结合的tri-training半监督分类 | 第49-52页 |
4.3.1 未标记样本的选择策略 | 第49-50页 |
4.3.2 基分类器的选择和集成 | 第50-51页 |
4.3.3 基于空谱信息结合的tri-training半监督协同分类 | 第51-52页 |
4.4 实验结果与分析 | 第52-61页 |
4.4.1 AVIRIS Indian pines数据实验 | 第53-56页 |
4.4.2 ROSIS Pavia University数据实验 | 第56-61页 |
4.5 本章小结 | 第61-63页 |
第5章 结论与展望 | 第63-66页 |
5.1 工作总结与创新 | 第63-64页 |
5.2 研究工作展望 | 第64-66页 |
参考文献 | 第66-72页 |
攻读硕士期间发表的科研项目成果 | 第72-73页 |
参与的科研项目 | 第72页 |
发表的科研成果 | 第72-73页 |
致谢 | 第73-74页 |