| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第一章 绪论 | 第16-23页 |
| 1.1 课题的研究背景和意义 | 第16-17页 |
| 1.2 课题的国内外研究概况 | 第17-20页 |
| 1.2.1 矿产遥感图像的预处理 | 第17-18页 |
| 1.2.2 矿产遥感图像的聚类 | 第18-19页 |
| 1.2.3 矿产遥感图像的矿化蚀变信息提取 | 第19-20页 |
| 1.3 本文的章节安排及创新点 | 第20-23页 |
| 1.3.1 本文的章节安排 | 第20-21页 |
| 1.3.2 本文的主要创新点 | 第21-23页 |
| 第二章 基于分阶段进化粒子群优化的NSST域矿产遥感图像增强方法 | 第23-32页 |
| 2.1 引言 | 第23-24页 |
| 2.2 NSST域矿产遥感图像增强方法 | 第24-25页 |
| 2.2.1 基于非线性变换和自适应贝叶斯阈值法的高频子带调整 | 第24-25页 |
| 2.2.2 基于模糊集的低频子带增强 | 第25页 |
| 2.3 基于分阶段进化粒子群优化的自适应增强方法 | 第25-28页 |
| 2.3.1 分阶段进化粒子群优化算法 | 第25-26页 |
| 2.3.2 图像增强效果的评价指标 | 第26-27页 |
| 2.3.3 矿产遥感图像增强方法的具体步骤 | 第27-28页 |
| 2.4 实验结果与分析 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于L_0梯度最小化模型和NSST的矿产遥感图像边缘检测方法 | 第32-38页 |
| 3.1 引言 | 第32-33页 |
| 3.2 矿产遥感图像边缘检测方法的原理与步骤 | 第33-35页 |
| 3.2.1 基于L_0梯度最小化模型和Canny算子的边缘检测 | 第33-34页 |
| 3.2.2 基于NSST和模极大值法的高频子带边缘检测 | 第34页 |
| 3.2.3 矿产遥感图像边缘检测方法的具体步骤 | 第34-35页 |
| 3.3 实验结果与分析 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于改进FAST和SURF的矿产遥感图像匹配方法 | 第38-47页 |
| 4.1 引言 | 第38-39页 |
| 4.2 改进的FAST算法 | 第39-40页 |
| 4.3 矿产遥感图像匹配方法的原理与步骤 | 第40-43页 |
| 4.3.1 特征点检测 | 第40-41页 |
| 4.3.2 特征点描述 | 第41-42页 |
| 4.3.3 特征点匹配 | 第42页 |
| 4.3.4 矿产遥感图像匹配方法的具体步骤 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于改进ISODATA和快速密度峰值搜索的矿产遥感图像聚类方法 | 第47-56页 |
| 5.1 引言 | 第47-48页 |
| 5.2 矿产遥感图像聚类方法的原理与步骤 | 第48-52页 |
| 5.2.1 基于快速密度峰值搜索算法的初始聚类中心选取 | 第48-49页 |
| 5.2.2 改进的ISODATA方法 | 第49-51页 |
| 5.2.3 矿产遥感图像聚类方法的具体步骤 | 第51-52页 |
| 5.3 实验结果与分析 | 第52-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 基于PCA和布谷鸟算法优化SVM的遥感矿化蚀变信息提取方法 | 第56-67页 |
| 6.1 引言 | 第56-57页 |
| 6.2 研究区成矿地质背景 | 第57-58页 |
| 6.3 基于波段比值法和PCA的训练样本选取 | 第58-59页 |
| 6.3.1 波段比值法 | 第58页 |
| 6.3.2 主成分分析 | 第58-59页 |
| 6.4 基于布谷鸟算法优化的SVM | 第59-61页 |
| 6.4.1 支持向量机 | 第59页 |
| 6.4.2 基于布谷鸟算法的SVM最优参数选取 | 第59-61页 |
| 6.5 遥感矿化蚀变信息提取方法的具体步骤 | 第61-62页 |
| 6.6 实验结果与分析 | 第62-66页 |
| 6.7 本章小结 | 第66-67页 |
| 第七章 总结和展望 | 第67-69页 |
| 7.1 本文的主要工作 | 第67-68页 |
| 7.2 进一步的研究工作及展望 | 第68-69页 |
| 参考文献 | 第69-79页 |
| 致谢 | 第79-80页 |
| 在学期间的研究成果及发表的学术论文 | 第80页 |
