| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 课题研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 基于内容的高光谱遥感图像检索研究现状 | 第10-12页 |
| 1.2.2 云计算及在遥感领域的应用研究现状 | 第12-15页 |
| 1.3 论文主要内容 | 第15-17页 |
| 1.3.1 论文主要研究内容 | 第15-16页 |
| 1.3.2 论文结构安排 | 第16-17页 |
| 2 相关技术 | 第17-27页 |
| 2.1 基于Hadoop的云计算技术 | 第17-21页 |
| 2.1.1 HDFS | 第17-19页 |
| 2.1.2 MapReduce | 第19-21页 |
| 2.2 基于内存计算的Spark | 第21-23页 |
| 2.2.1 Spark框架 | 第21-22页 |
| 2.2.2 Spark核心思想 | 第22-23页 |
| 2.3 相关Web技术 | 第23-26页 |
| 2.3.1 Spring框架 | 第23-24页 |
| 2.3.2 SpringMVC框架 | 第24-25页 |
| 2.3.3 MyBatis框架 | 第25页 |
| 2.3.4 jQuery框架 | 第25-26页 |
| 2.3.5 MySQL数据库 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于混合像元分解的高光谱图像检索方法的设计及Spark并行 | 第27-44页 |
| 3.1 引言 | 第27页 |
| 3.2 基于混合像元分解的高光谱图像检索方法的设计 | 第27-29页 |
| 3.2.1 检索方法 | 第28页 |
| 3.2.2 高光谱遥感图像检索流程 | 第28-29页 |
| 3.3 基于Spark的高光谱端元提取算法并行设计 | 第29-37页 |
| 3.3.1 纯净像元指数算法 | 第30-31页 |
| 3.3.2 基于Spark的PPI端元提取分布式并行优化算法 | 第31-33页 |
| 3.3.3 实验及结果分析 | 第33-37页 |
| 3.4 光谱特征匹配算法 | 第37-38页 |
| 3.5 基于Spark的高光谱图像丰度反演并行算法设计 | 第38-43页 |
| 3.5.1 最小二乘法丰度估计 | 第38-39页 |
| 3.5.2 基于Spark的丰度反演分布式并行实现 | 第39-41页 |
| 3.5.3 实验结果分析 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 4 基于HDFS/Spark的高光谱图像检索系统的设计与开发实现 | 第44-60页 |
| 4.1 引言 | 第44页 |
| 4.2 系统整体设计 | 第44-47页 |
| 4.2.1 系统架构 | 第44-46页 |
| 4.2.2 系统功能设计 | 第46-47页 |
| 4.3 高光谱遥感图像数据的存储与数据库的设计 | 第47-51页 |
| 4.3.1 高光谱遥感图像数据的存储 | 第47-49页 |
| 4.3.2 系统相关数据表设计 | 第49页 |
| 4.3.3 高光谱遥感图像入库 | 第49-51页 |
| 4.4 系统具体开发实现与测试 | 第51-59页 |
| 4.4.1 系统开发环境与支撑平台的搭建 | 第51-52页 |
| 4.4.2 系统主要界面实现 | 第52-53页 |
| 4.4.3 高光谱图像入库 | 第53-54页 |
| 4.4.4 高光谱图像管理 | 第54-55页 |
| 4.4.5 高光谱图像检索实现与测试 | 第55-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| 5.1 研究总结 | 第60-61页 |
| 5.2 研究展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 附录 | 第68页 |
