| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 论文研究背景及意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-20页 |
| 1.2.1 高光谱图像特征提取与选择研究现状 | 第17-18页 |
| 1.2.2 高光谱图像分类方法研究现状 | 第18-20页 |
| 1.3 论文的研究内容及章节安排 | 第20-23页 |
| 1.3.1 论文主要研究内容及创新点 | 第20-21页 |
| 1.3.2 论文结构安排 | 第21-23页 |
| 第二章 高光谱图像特征提取和分类方法理论基础 | 第23-35页 |
| 2.1 高光谱图像特征提取介绍 | 第23-27页 |
| 2.1.1 主成分分析法 | 第23-24页 |
| 2.1.2 最佳指数因子法 | 第24-25页 |
| 2.1.3 自适应波段选择法 | 第25-26页 |
| 2.1.4 自动子空间划分法 | 第26-27页 |
| 2.2 高光谱图像分类介绍 | 第27-31页 |
| 2.2.1 监督分类 | 第27-28页 |
| 2.2.2 光谱角度填图法 | 第28-29页 |
| 2.2.3 神经网络分类方法 | 第29-31页 |
| 2.3 高光谱图像分类精度评价 | 第31-33页 |
| 2.3.1 误差矩阵 | 第31-32页 |
| 2.3.2 总体分类精度 | 第32页 |
| 2.3.3 Kappa系数 | 第32-33页 |
| 2.4 高光谱图像数据集介绍 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于多特征和仿射传播聚类算法的高光谱图像波段选择 | 第35-55页 |
| 3.1 引言 | 第35页 |
| 3.2 相关理论背景 | 第35-39页 |
| 3.2.1 灰度共生矩阵 | 第35-37页 |
| 3.2.2 仿射传播聚类算法 | 第37-39页 |
| 3.3 基于多特征和仿射传播聚类算法的波段选择 | 第39-42页 |
| 3.3.1 相似度矩阵构造 | 第39-40页 |
| 3.3.2 仿射传播聚类算法波段选择过程 | 第40-41页 |
| 3.3.3 基于GE-AP算法的波段选择框架 | 第41-42页 |
| 3.4 实验结果与分析 | 第42-54页 |
| 3.4.1 对比实验仿真结果 | 第42-49页 |
| 3.4.2 基于GE-AP算法的波段选择实验结果 | 第49-52页 |
| 3.4.3 结果分析 | 第52-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 基于聚类和类内波段指数的高光谱图像分类方法 | 第55-79页 |
| 4.1 引言 | 第55页 |
| 4.2 基于聚类和类内波段指数的算法研究 | 第55-60页 |
| 4.2.1 噪声波段去除 | 第55-56页 |
| 4.2.2 类内波段指数 | 第56-59页 |
| 4.2.3 基于AP-ICBI的高光谱图像分类方法框架 | 第59-60页 |
| 4.3 支持向量机模型 | 第60-68页 |
| 4.3.1 支持向量机原理分析 | 第60-66页 |
| 4.3.2 SVM参数寻优 | 第66-68页 |
| 4.4 实验结果与分析 | 第68-78页 |
| 4.4.1 实验数据 | 第68-69页 |
| 4.4.2 实验环境 | 第69页 |
| 4.4.3 结果分析 | 第69-78页 |
| 4.5 本章小结 | 第78-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 5.1 工作总结 | 第79-80页 |
| 5.2 研究展望 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-89页 |
| 作者简介 | 第89-90页 |
