| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 高光谱遥感的研究现状 | 第18-19页 |
| 1.2.2 主动学习的研究现状 | 第19-21页 |
| 1.3 本文的主要工作与内容安排 | 第21-23页 |
| 第二章 高光谱图像分类方法及主动学习算法 | 第23-39页 |
| 2.1 引言 | 第23页 |
| 2.2 高光谱图像分类概述 | 第23-28页 |
| 2.2.1 高光谱图像的数据特征 | 第23-25页 |
| 2.2.2 高光谱图像分类方法总结 | 第25-28页 |
| 2.3 主动学习算法 | 第28-30页 |
| 2.3.1 算法原理 | 第28-29页 |
| 2.3.2 主动学习采样策略 | 第29-30页 |
| 2.4 基于主动学习的高光谱图像分类 | 第30-32页 |
| 2.4.1 基于SVM的主动学习方法 | 第30-31页 |
| 2.4.2 基于SVM的主动学习方法中常见的采样策略 | 第31-32页 |
| 2.5 基于SVM主动学习的高光谱图像分类实验 | 第32-37页 |
| 2.5.1 实验数据 | 第32-34页 |
| 2.5.2 实验及结果分析 | 第34-37页 |
| 2.6 本章小结 | 第37-39页 |
| 第三章 基于主动学习结果修正的高光谱图像分类 | 第39-55页 |
| 3.1 引言 | 第39页 |
| 3.2 光谱相似性度量 | 第39-40页 |
| 3.3 基于主动学习结果修正的高光谱图像分类 | 第40-43页 |
| 3.3.1 算法原理 | 第40-41页 |
| 3.3.2 算法实现步骤 | 第41-42页 |
| 3.3.3 结果修正方法 | 第42-43页 |
| 3.4 实验与结果分析 | 第43-53页 |
| 3.4.1 Indiana Pines实验 | 第43-48页 |
| 3.4.2 Pavia University实验 | 第48-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第四章 基于主动学习的两阶段高光谱图像分类 | 第55-65页 |
| 4.1 引言 | 第55页 |
| 4.2 基于主动学习的两阶段高光谱图像分类 | 第55-58页 |
| 4.2.1 算法原理 | 第55-56页 |
| 4.2.2 算法实现步骤 | 第56-58页 |
| 4.3 实验结果与分析 | 第58-63页 |
| 4.3.1 Indian Pines实验 | 第58-60页 |
| 4.3.2 Pavia University实验 | 第60-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第五章 结合图像分割的主动学习高光谱图像分类 | 第65-77页 |
| 5.1 引言 | 第65页 |
| 5.2 高光谱图像分割技术 | 第65-67页 |
| 5.2.1 高光谱图像降维方法 | 第65-66页 |
| 5.2.2 高光谱图像分割方法 | 第66-67页 |
| 5.3 结合图像分割的主动学习高光谱图像分类 | 第67-69页 |
| 5.3.1 算法原理 | 第67页 |
| 5.3.2 算法实现步骤 | 第67-69页 |
| 5.3.3 最大投票融合策略 | 第69页 |
| 5.4 实验结果与分析 | 第69-75页 |
| 5.4.1 Indian Pines实验 | 第69-72页 |
| 5.4.2 Pavia University实验 | 第72-75页 |
| 5.5 本章小结 | 第75-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 论文工作内容总结 | 第77-78页 |
| 6.2 工作展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 作者简介 | 第85-86页 |
| 1. 基本情况 | 第85页 |
| 2. 教育背景 | 第85页 |
| 3. 攻读硕士学位期间的研究成果 | 第85-86页 |