| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8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15-21页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 高光谱图像分类的研究现状 | 第16-18页 |
| 1.2.1 高光谱图像分类的研究现状 | 第16-17页 |
| 1.2.2 基于空谱信息的高光谱图像分类方法研究现状 | 第17-18页 |
| 1.3 论文的主要工作与内容安排 | 第18-21页 |
| 第二章 基于SVM的高光谱图像分类方法 | 第21-33页 |
| 2.1 引言 | 第21页 |
| 2.2 高光谱图像的数据特征 | 第21-22页 |
| 2.3 支持向量机 | 第22-25页 |
| 2.4 基于SVM的高光谱图像分类方法 | 第25-32页 |
| 2.4.1 实验数据 | 第25-28页 |
| 2.4.2 高光谱图像分类精度的评价 | 第28页 |
| 2.4.3 实验结果及分析 | 第28-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于空间坐标与光谱特征融合的高光谱图像分类方法 | 第33-45页 |
| 3.1 引言 | 第33页 |
| 3.2 基于空间坐标与光谱特征融合的高光谱图像分类方法 | 第33-37页 |
| 3.2.1 构建训练样本集与测试样本集 | 第34页 |
| 3.2.2 主成分分析法 | 第34页 |
| 3.2.3 基于空间坐标的高光谱图像分类方法 | 第34-35页 |
| 3.2.4 基于空谱特征融合的高光谱图像分类方法 | 第35页 |
| 3.2.5 算法的实现步骤 | 第35-37页 |
| 3.3 实验结果及分析 | 第37-43页 |
| 3.3.1 Indian Pines实验 | 第37-41页 |
| 3.3.2 Pavia University实验 | 第41-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 基于主动学习与空间坐标的高光谱图像分类方法 | 第45-59页 |
| 4.1 引言 | 第45页 |
| 4.2 主动学习算法 | 第45-47页 |
| 4.2.1 算法原理 | 第45-46页 |
| 4.2.2 主动学习的采样策略 | 第46-47页 |
| 4.3 基于主动学习与空间坐标的高光谱图像分类方法 | 第47-50页 |
| 4.3.1 采样策略的设计 | 第48页 |
| 4.3.2 算法的实现步骤 | 第48-50页 |
| 4.4 实验结果及分析 | 第50-56页 |
| 4.4.1 Indian Pines实验 | 第50-53页 |
| 4.4.2 Pavia University实验 | 第53-56页 |
| 4.5 本章小结 | 第56-59页 |
| 第五章 基于集成学习与空间坐标的高光谱图像分类方法 | 第59-71页 |
| 5.1 引言 | 第59页 |
| 5.2 集成学习概述 | 第59-62页 |
| 5.3 基于集成学习与空间坐标的高光谱图像分类方法 | 第62-64页 |
| 5.3.1 基分类器的建立 | 第62页 |
| 5.3.2 空间坐标与集成学习的结合方法 | 第62-63页 |
| 5.3.3 算法的实现步骤 | 第63-64页 |
| 5.4 实验结果及分析 | 第64-70页 |
| 5.4.1 Indian Pines实验 | 第64-67页 |
| 5.4.2 Pavia University实验 | 第67-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 论文工作总结 | 第71-72页 |
| 6.2 工作展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |
