| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第14-32页 |
| 1.1 课题背景 | 第14页 |
| 1.2 研究目的和意义 | 第14-15页 |
| 1.3 高光谱遥感概述 | 第15-17页 |
| 1.3.1 高光谱数据特点 | 第15-16页 |
| 1.3.2 高光谱数据应用 | 第16-17页 |
| 1.4 高光谱遥感林业研究的发展现状 | 第17-27页 |
| 1.4.1 国外高光谱发展现状 | 第17页 |
| 1.4.2 国内高光谱发展现状 | 第17-19页 |
| 1.4.3 国内外高光谱森林类型识别的发展现状 | 第19-26页 |
| 1.4.4 高光谱森林类型识别的存在问题 | 第26-27页 |
| 1.5 猫群算法概述 | 第27-28页 |
| 1.5.1 猫群算法研究的国内外现状 | 第27页 |
| 1.5.2 猫群算法改进研究的现状 | 第27-28页 |
| 1.6 研究内容 | 第28-30页 |
| 1.7 论文章节安排 | 第30-32页 |
| 2 研究区概况及数据处理 | 第32-48页 |
| 2.1 研究区概况 | 第32-34页 |
| 2.1.1 水文 | 第33页 |
| 2.1.2 气候 | 第33页 |
| 2.1.3 地形地貌 | 第33页 |
| 2.1.4 植被 | 第33-34页 |
| 2.2 HJ-1A高光谱遥感数据 | 第34-37页 |
| 2.3 高光谱数据预处理 | 第37-45页 |
| 2.3.1 去条带处理 | 第37-38页 |
| 2.3.2 大气校正 | 第38-40页 |
| 2.3.3 几何精校正 | 第40-41页 |
| 2.3.4 图像镶嵌与融合 | 第41-44页 |
| 2.3.5 图像剪裁 | 第44-45页 |
| 2.4 外业调查数据 | 第45-47页 |
| 2.4.1 样地布设 | 第45-47页 |
| 2.4.2 辅助数据 | 第47页 |
| 2.5 本章小结 | 第47-48页 |
| 3 基于猫群算法的HJ-1A高光谱图像降维研究 | 第48-75页 |
| 3.1 引言 | 第48-49页 |
| 3.2 猫群优化算法 | 第49-55页 |
| 3.2.1 猫群优化算法原理 | 第49-50页 |
| 3.2.2 猫群优化模型 | 第50-55页 |
| 3.3 高光谱图像波段选择概述 | 第55-58页 |
| 3.3.1 波段选择的必要性 | 第55-56页 |
| 3.3.2 波段选择的原则和评价准则 | 第56-57页 |
| 3.3.3 波段选择的主要方法 | 第57-58页 |
| 3.4 猫群算法在高光谱图像波段选择中的研究 | 第58-73页 |
| 3.4.1 二进制猫群算法高光谱波段选择模型的建立 | 第58-59页 |
| 3.4.2 猫群结构编码设计 | 第59-60页 |
| 3.4.3 适应度值选取 | 第60-62页 |
| 3.4.4 基于BCSO的高光谱波段选择实现步骤 | 第62-65页 |
| 3.4.5 基于BCSO的高光谱波段选择实验 | 第65-73页 |
| 3.5 本章小结 | 第73-75页 |
| 4 基于猫群算法的高光谱森林类型识别 | 第75-105页 |
| 4.1 引言 | 第75-76页 |
| 4.2 基于基本猫群算法的高光谱图像森林聚类研究 | 第76-91页 |
| 4.2.1 聚类中心选取及有效性评估 | 第76-77页 |
| 4.2.2 基于CSO的高光谱聚类模型 | 第77-78页 |
| 4.2.3 基于CSO高光谱聚类模型实现森林类型识别 | 第78-83页 |
| 4.2.4 结果与分析 | 第83-91页 |
| 4.3 改进的半监督模糊C聚类模型 | 第91-103页 |
| 4.3.1 相关理论与模型 | 第91-93页 |
| 4.3.2 CSO-SMFC高光谱图像聚类模型 | 第93-96页 |
| 4.3.3 结果与分析 | 第96-103页 |
| 4.4 本章小结 | 第103-105页 |
| 5 基于猫群算法的高光谱优势树种(组)识别 | 第105-139页 |
| 5.1 引言 | 第105-106页 |
| 5.2 基于基本猫群算法的高光谱优势树种(组)识别 | 第106-121页 |
| 5.2.1 基于猫群的高光谱分类模型 | 第106-107页 |
| 5.2.2 分类规则的构造 | 第107-108页 |
| 5.2.3 猫群结构编码设计 | 第108-110页 |
| 5.2.4 适应度值选取 | 第110页 |
| 5.2.5 规则修剪和分类 | 第110-111页 |
| 5.2.6 基于猫群算法的高光谱分类实现步骤 | 第111-113页 |
| 5.2.7 基于CSO-Miner模型实现优势树种(组)分类 | 第113-121页 |
| 5.3 改进的自适应猫群算法 | 第121-122页 |
| 5.4 基于ACSO-SVM算法的高光谱优势树种(组)识别 | 第122-137页 |
| 5.4.1 支持向量机 | 第122-126页 |
| 5.4.2 基于ACSO-SVM的高光谱森林分类模型 | 第126-130页 |
| 5.4.3 结果与分析 | 第130-137页 |
| 5.5 本章小结 | 第137-139页 |
| 结论 | 第139-142页 |
| 1 研究总结 | 第139-141页 |
| 2 研究展望 | 第141-142页 |
| 参考文献 | 第142-154页 |
| 附录 | 第154-155页 |
| 攻读学位期间发表的学术论文 | 第155-156页 |
| 致谢 | 第156-157页 |
