高光谱图像兴趣体自动提取技术研究
| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-20页 |
| ·高光谱遥感技术简介 | 第10-16页 |
| ·高光谱遥感概述 | 第10-12页 |
| ·高光谱图像及其特性 | 第12-13页 |
| ·高光谱遥感与多光谱遥感的区别 | 第13-14页 |
| ·高光谱遥感的发展 | 第14-16页 |
| ·兴趣体 | 第16-18页 |
| ·兴趣体的概念 | 第16-17页 |
| ·研究意义 | 第17页 |
| ·研究现状 | 第17-18页 |
| ·主要研究内容 | 第18-19页 |
| ·研究内容 | 第18页 |
| ·文章创新点 | 第18-19页 |
| ·论文组织结构 | 第19-20页 |
| 2 高光谱图像降维技术 | 第20-29页 |
| ·高光谱图像的降维方法 | 第20-26页 |
| ·降维的必要性 | 第20-21页 |
| ·降维的方法 | 第21-26页 |
| ·基于“三准则”的波段选择 | 第26-28页 |
| ·波段选择的“三准则” | 第26-27页 |
| ·基于“三准则”的波段选择思想 | 第27页 |
| ·现有方法和文章方法的对比 | 第27-28页 |
| ·图像数据的数值评价 | 第28页 |
| ·标准差 | 第28页 |
| ·离散系数 | 第28页 |
| ·本章小结 | 第28-29页 |
| 3 基于信息量和类间可分性的光谱维波段选择算法 | 第29-42页 |
| ·实验数据描述及预处理 | 第29-30页 |
| ·实验数据描述 | 第29页 |
| ·图像预处理 | 第29-30页 |
| ·基于信息量的谱域波段选择算法 | 第30-37页 |
| ·相关性及相关系数矩阵 | 第30-33页 |
| ·基于信息量的波段选择算法 | 第33-35页 |
| ·基于子空间划分和波段指数的最大信息量算法 | 第35-37页 |
| ·基于类间可分性的空域—谱域波段选择算法 | 第37-41页 |
| ·基于类间可分性的空域波段选择方法 | 第37-38页 |
| ·基于类间可分性的谱域波段选择方法 | 第38-41页 |
| ·基于B距离和欧氏距离的最大类间可分算法 | 第41页 |
| ·本章小结 | 第41-42页 |
| 4 基于灰色关联决策的光谱维波段选择优化算法 | 第42-49页 |
| ·灰色系统 | 第42-43页 |
| ·灰色建模和灰色数学 | 第42页 |
| ·灰色分析与灰色决策 | 第42-43页 |
| ·灰色关联决策 | 第43-45页 |
| ·基本思想 | 第43页 |
| ·方法流程 | 第43-45页 |
| ·基于灰色关联决策的光谱维波段选择优化算法 | 第45-47页 |
| ·光谱维的总波段选择算法及流程 | 第45页 |
| ·实验及结果 | 第45-47页 |
| ·波段选择结果与其他方法对比 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 5 基于图像分割的空间维感兴趣区域确定方法 | 第49-61页 |
| ·伪彩色图像的图像分割方法 | 第49-55页 |
| ·基于阈值的图像分割 | 第49-52页 |
| ·基于边缘的图像分割 | 第52-54页 |
| ·基于聚类的图像分割 | 第54-55页 |
| ·特定波段组合图像的空间平面分割 | 第55-59页 |
| ·二维最大熵分割法结果 | 第55页 |
| ·边缘检测分割法结果 | 第55页 |
| ·欧氏聚类图像分割法结果 | 第55-58页 |
| ·三种方法所获取兴趣体的对比 | 第58-59页 |
| ·高光谱图像兴趣体自动提取算法 | 第59页 |
| ·高光谱图像兴趣体的自动提取结果 | 第59-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 作者简历 | 第67-69页 |
| 学位论文数据集 | 第69页 |
