| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第1章 绪论 | 第13-31页 |
| 1.1 课题背景和研究意义 | 第13-16页 |
| 1.1.1 课题背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-16页 |
| 1.2 高光谱数据描述 | 第16-19页 |
| 1.3 高光谱图像分类的国内外研究现状及挑战 | 第19-28页 |
| 1.3.1 高光谱图像特征提取的国内外研究现状 | 第20-23页 |
| 1.3.2 高光谱图像分类的国内外研究现状 | 第23-27页 |
| 1.3.3 高光谱分类技术面临的挑战 | 第27-28页 |
| 1.4 课题主要研究内容及结构安排 | 第28-31页 |
| 第2章 高光谱图像分类基础 | 第31-49页 |
| 2.1 引言 | 第31页 |
| 2.2 高光谱图像常用的机器学习方法 | 第31-34页 |
| 2.3 支持向量机(SVM) | 第34-39页 |
| 2.4 传统基于SVM的空谱分类算法 | 第39-42页 |
| 2.4.1 基于CK的SVM空谱分类算法 | 第40页 |
| 2.4.2 基于PPR的SVM空谱分类算法 | 第40-42页 |
| 2.5 构造多标签(Multivariate Label) | 第42-43页 |
| 2.6 本文实验数据和分类性能评价指标 | 第43-47页 |
| 2.6.1 高光谱遥感数据集介绍 | 第43-46页 |
| 2.6.2 分类性能评价指标 | 第46-47页 |
| 2.7 本章小结 | 第47-49页 |
| 第3章 基于嵌入非线性共享子空间核岭回归的高光谱图像空谱分类 | 第49-71页 |
| 3.1 引言 | 第49-50页 |
| 3.2 岭回归(RR)与核岭回归(KRR) | 第50-52页 |
| 3.2.1 岭回归(RR) | 第50-51页 |
| 3.2.2 核岭回归(KRR) | 第51-52页 |
| 3.3 基于嵌入共享子空间岭回归的高光谱空谱分类算法 | 第52-54页 |
| 3.3.1 基于岭回归的空谱分类算法(SSLR) | 第52页 |
| 3.3.2 共享子空间学习(Shared Subspace Learning) | 第52-53页 |
| 3.3.3 基于嵌入共享子空间岭回归的空谱分类算法(SSSLR) | 第53-54页 |
| 3.4 基于嵌入非线性共享子空间核岭回归的高光谱空谱分类算法 | 第54-57页 |
| 3.4.1 基于核岭回归的空谱分类算法(SSKRR) | 第54-55页 |
| 3.4.2 基于嵌入非线性共享子空间核岭回归的空谱分类算法(SSSKRR) | 第55-57页 |
| 3.5 仿真实验结果与分析 | 第57-70页 |
| 3.5.1 AVIRIS Indian Pines数据集 | 第58-64页 |
| 3.5.2 ROSIS Pavia University数据集 | 第64-67页 |
| 3.5.3 AVIRIS Salinas数据集 | 第67-69页 |
| 3.5.4 鲁棒性分析 | 第69-70页 |
| 3.6 本章小结 | 第70-71页 |
| 第4章 基于SVM多层网络的高光谱图像空谱分类 | 第71-95页 |
| 4.1 引言 | 第71-72页 |
| 4.2 逻辑回归(LR) | 第72-73页 |
| 4.3 基于空间逻辑回归的高光谱支持向量空谱分类(SVM+SLR) | 第73-75页 |
| 4.4 基于SVM多层学习模型的高光谱空谱分类(SSMLL) | 第75-77页 |
| 4.5 SVM+SLR的仿真实验结果与分析 | 第77-87页 |
| 4.5.1 AVIRI SIndian Pines数据集 | 第77-81页 |
| 4.5.2 ROSIS Pavia University数据集 | 第81-84页 |
| 4.5.3 AVIRIS Salinas数据集 | 第84-87页 |
| 4.6 SSMLL的仿真实验结果与分析 | 第87-91页 |
| 4.7 对比分析SVM+SLR和SSMLL | 第91-94页 |
| 4.8 本章小结 | 第94-95页 |
| 第5章 基于EMAP空间特征提取与SVM的高光谱图像空谱分类 | 第95-119页 |
| 5.1 引言 | 第95-96页 |
| 5.2 空间特征提取 | 第96-100页 |
| 5.2.1 LBP特征 | 第96-98页 |
| 5.2.2 EMAP特征 | 第98-100页 |
| 5.3 特征降维 | 第100-102页 |
| 5.3.1 线性预测误差(LPE) | 第100-101页 |
| 5.3.2 核主成分分析(KPCA) | 第101-102页 |
| 5.4 基于多特征融合与KPCA降维的空谱分类算法(MF-KPCA) | 第102-103页 |
| 5.5 基于EMAP-IFRF的空谱分类算法(EMAP-IFRF) | 第103-106页 |
| 5.5.1 图像融合(IF) | 第103-104页 |
| 5.5.2 递归滤波器(RF) | 第104-105页 |
| 5.5.3 基于EMAP-IFRF的空谱分类算法(EMAP-IFRF) | 第105-106页 |
| 5.6 仿真实验结果与分析 | 第106-117页 |
| 5.6.1 AVIRIS Indian Pines数据集 | 第108-111页 |
| 5.6.2 ROSIS Pavia University数据集 | 第111-114页 |
| 5.6.3 AVIRIS Salinas数据集 | 第114-117页 |
| 5.7 本章小结 | 第117-119页 |
| 结论 | 第119-123页 |
| 参考文献 | 第123-137页 |
| 攻读博士学位期间发表的论文和取得的科技成果 | 第137-139页 |
| 致谢 | 第139页 |
