| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1. 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 高光谱图像分类的研究现状 | 第10-11页 |
| 1.3 论文研究内容 | 第11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 1.5 本章小结 | 第12-13页 |
| 2. 地理信息系统与高光谱图像分类技术 | 第13-18页 |
| 2.1 地理信息系统 | 第13-15页 |
| 2.1.1 GIS概念与发展过程 | 第13页 |
| 2.1.2 GIS的基本功能 | 第13-14页 |
| 2.1.3 GIS中的空间分析原理和方法 | 第14-15页 |
| 2.2 高光谱图像分类技术 | 第15-16页 |
| 2.2.1 高光谱图像的数据特点 | 第15-16页 |
| 2.2.2 高光谱图像的分类方法 | 第16页 |
| 2.3 面临的问题及未来发展方向 | 第16-17页 |
| 2.3.1 高光谱分类面临问题 | 第17页 |
| 2.3.2 高光谱分类发展趋势 | 第17页 |
| 2.4 本章小结 | 第17-18页 |
| 3. 半监督学习分类算法 | 第18-24页 |
| 3.1 生成模式的半监督分类算法 | 第18-19页 |
| 3.2 协同训练的半监督分类算法 | 第19-21页 |
| 3.3 低密度的半监督分类算法 | 第21-23页 |
| 3.3.1 转导式支持向量机TSVM | 第21-23页 |
| 3.4 本章小结 | 第23-24页 |
| 4. 图的半监督分类算法 | 第24-32页 |
| 4.1 图构造 | 第24-25页 |
| 4.2 图的半监督分类经典算法 | 第25-31页 |
| 4.2.1 标记传播算法（LP） | 第25-26页 |
| 4.2.2 最小分割法（Mincut） | 第26-27页 |
| 4.2.3 高斯随机场调和函数（GRHF） | 第27-28页 |
| 4.2.4 局部和全局一致算法（LGC） | 第28-29页 |
| 4.2.5 流行正则化（MR） | 第29-31页 |
| 4.3 本章小结 | 第31-32页 |
| 5. 基于空间特征与纹理信息的高光谱图像半监督分类 | 第32-45页 |
| 5.1 研究的流程 | 第32-33页 |
| 5.2 高光谱图像特征提取方法 | 第33-34页 |
| 5.2.1 空谱特征提取方法 | 第33页 |
| 5.2.2 纹理特征提取方法 | 第33-34页 |
| 5.3 基于图的半监督高光谱图像分类 | 第34-35页 |
| 5.4 实验结果与分析 | 第35-44页 |
| 5.4.1 Indian Pines数据集实验结果与结论分析 | 第36-40页 |
| 5.4.2 PaviaU数据集实验结果与结论分析 | 第40-44页 |
| 5.5 本章小结 | 第44-45页 |
| 6. 结论与展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士学位期间发表学术论文情况 | 第49-50页 |
| 致谢 | 第50页 |