| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-31页 |
| 1.1 课题背景 | 第13-19页 |
| 1.2 高光谱遥感图像分类技术概述 | 第19-22页 |
| 1.3 高光谱遥感图像分类技术国内外研究现状 | 第22-26页 |
| 1.4 课题研究内容与研究意义 | 第26-28页 |
| 1.4.1 研究内容 | 第26-27页 |
| 1.4.2 研究意义 | 第27-28页 |
| 1.5 论文结构与创新性说明 | 第28-31页 |
| 第2章 高光谱遥感图像特性分析 | 第31-37页 |
| 2.1 引言 | 第31-32页 |
| 2.2 光谱信息分析 | 第32页 |
| 2.3 空间结构信息分析 | 第32-33页 |
| 2.4 光谱信息和空间结构信息融合 | 第33-34页 |
| 2.5 高光谱遥感图像分类精度评价 | 第34-35页 |
| 2.6 本章小结 | 第35-37页 |
| 第3章 基于PCA Network的高光谱图像特征提取分类方法 | 第37-51页 |
| 3.1 引言 | 第37-39页 |
| 3.2 基于PCA Network的高光谱图像分类算法 | 第39-44页 |
| 3.2.1 PCA Network | 第39页 |
| 3.2.2 基于PCA Network的高光谱图像分类算法 | 第39-42页 |
| 3.2.3 高光谱图像的主成分分析 | 第42-43页 |
| 3.2.4 SVM分类 | 第43-44页 |
| 3.2.5 算法 | 第44页 |
| 3.3 基于PCA Network的改进高光谱图像分类算法 | 第44-47页 |
| 3.3.1 波段选择 | 第46页 |
| 3.3.2 高斯SVM | 第46页 |
| 3.3.3 阈值判定 | 第46-47页 |
| 3.3.4 改进算法 | 第47页 |
| 3.4 实验结果与分析 | 第47-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 基于CNN的高光谱图像特征提取分类方法 | 第51-65页 |
| 4.1 基于CNN的高光谱图像分类算法 | 第51-57页 |
| 4.1.1 CNN | 第52-54页 |
| 4.1.2 算法 | 第54-55页 |
| 4.1.3 实验结果及分析 | 第55-57页 |
| 4.2 基于预定义特征提取的高光谱图像分类 | 第57-60页 |
| 4.2.1 基于主成分分析的高光谱图像分类算法 | 第57-58页 |
| 4.2.2 基于小波主成分分析的高光谱图像分类算法 | 第58-60页 |
| 4.3 分类结果分析 | 第60-62页 |
| 4.4 本章小结 | 第62-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 本文工作回顾 | 第65-66页 |
| 5.2 研究内容展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-75页 |
| 攻读学位期间研究成果 | 第75页 |
