| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号说明 | 第16-18页 |
| 第1章 引言 | 第18-54页 |
| 1.1 研究背景与意义 | 第18-20页 |
| 1.2 国内外研究现状 | 第20-47页 |
| 1.2.1 高光谱遥感技术的发展 | 第20-22页 |
| 1.2.2 高光谱遥感特征提取算法 | 第22-32页 |
| 1.2.3 高光谱遥感监督分类算法 | 第32-39页 |
| 1.2.4 高光谱遥感半监督分类算法 | 第39-47页 |
| 1.3 研究内容和技术路线 | 第47-50页 |
| 1.3.1 研究内容 | 第47-49页 |
| 1.3.2 技术路线 | 第49-50页 |
| 1.4 论文组织结构 | 第50-51页 |
| 1.5 实验数据介绍 | 第51-54页 |
| 第2章 空谱特征与丰度信息提取 | 第54-70页 |
| 2.1 基于形态学的空谱特征提取方法 | 第54-60页 |
| 2.2 基于类别的丰度信息提取方法 | 第60-68页 |
| 2.2.1 基于类别的端元提取 | 第62-63页 |
| 2.2.2 基于类别的稀疏解混 | 第63-65页 |
| 2.2.3 丰度信息提取结果 | 第65-68页 |
| 2.3 本章小结 | 第68-70页 |
| 第3章 稀疏多元逻辑回归分类器与MRF空间优化 | 第70-85页 |
| 3.1 稀疏多元逻辑回归分类模型 | 第70-76页 |
| 3.1.1 多元逻辑回归（MLR） | 第70-72页 |
| 3.1.2 稀疏多元逻辑回归（SMLR） | 第72-74页 |
| 3.1.3 SMLR与SVM的区别 | 第74-76页 |
| 3.2 基于MRF的空间优化算法 | 第76-77页 |
| 3.3 特征提取及空间优化分类实验 | 第77-83页 |
| 3.3.1 Indian Pines航空高光谱图像数据实验 | 第77-80页 |
| 3.3.2 方麓茶场航空高光谱图像数据实验 | 第80-83页 |
| 3.4 本章小结 | 第83-85页 |
| 第4章 结合丰度信息与空谱特征的监督分类 | 第85-104页 |
| 4.1 基于类别可分性的特征选择 | 第85-86页 |
| 4.2 基于SMLR的合成核分类 | 第86-88页 |
| 4.3 INDIAN PINES航空高光谱图像数据实验 | 第88-95页 |
| 4.3.1 基于特征选择的分类实验 | 第89-93页 |
| 4.3.2 合成核分类实验 | 第93-95页 |
| 4.4 方麓茶场航空高光谱图像数据实验 | 第95-103页 |
| 4.4.1 基于特征选择的分类实验 | 第95-100页 |
| 4.4.2 合成核分类实验 | 第100-103页 |
| 4.5 本章小结 | 第103-104页 |
| 第5章 结合丰度信息与空谱特征的半监督分类 | 第104-123页 |
| 5.1 结合丰度信息与后验概率的主动学习 | 第104-107页 |
| 5.2 INDIAN PINES航空高光谱图像数据实验 | 第107-114页 |
| 5.2.1 权重系数分析 | 第107-108页 |
| 5.2.2 半监督分类结果 | 第108-113页 |
| 5.2.3 与监督分类结果的比较 | 第113-114页 |
| 5.3 方麓茶场航空高光谱图像数据实验 | 第114-121页 |
| 5.3.1 权重系数分析 | 第114-115页 |
| 5.3.2 半监督分类结果 | 第115-120页 |
| 5.3.3 与监督分类结果的比较 | 第120-121页 |
| 5.4 本章小结 | 第121-123页 |
| 第6章 结论与展望 | 第123-127页 |
| 6.1 本文主要成果及结论 | 第123-125页 |
| 6.2 本文创新点 | 第125-126页 |
| 6.3 不足与展望 | 第126-127页 |
| 参考文献 | 第127-135页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第135-139页 |
| 致谢 | 第139-141页 |
