| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 高光谱图像数据研究现状 | 第11-13页 |
| 1.2.1 高光谱遥感技术的发展 | 第11-12页 |
| 1.2.2 高光谱图像数据特点 | 第12-13页 |
| 1.3 高光谱图像聚类研究现状 | 第13-14页 |
| 1.4 高光谱图像分类研究现状 | 第14-15页 |
| 1.5 本文的研究内容与组织结构 | 第15-18页 |
| 第2章 高光谱遥感图像聚类理论 | 第18-35页 |
| 2.1 高光谱图像聚类理论 | 第18-20页 |
| 2.1.1 高光谱图像聚类流程 | 第18-19页 |
| 2.1.2 高光谱图像聚类精度评价方法 | 第19-20页 |
| 2.2 传统聚类技术 | 第20-25页 |
| 2.2.1 基于划分的聚类算法 | 第20-22页 |
| 2.2.2 基于层次的聚类算法 | 第22-24页 |
| 2.2.3 基于密度的聚类算法 | 第24-25页 |
| 2.3 高光谱图像聚类的改进思路 | 第25-31页 |
| 2.3.1 预聚类算法 | 第25-28页 |
| 2.3.2 变换像元距离度量标准 | 第28-31页 |
| 2.4 仿真结果与分析 | 第31-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第3章 高光谱遥感图像分类理论 | 第35-52页 |
| 3.1 高光谱图像分类理论 | 第35-37页 |
| 3.1.1 高光谱图像分类流程 | 第35页 |
| 3.1.2 分类精度评价方法 | 第35-37页 |
| 3.2 有监督分类方法 | 第37-39页 |
| 3.3 半监督分类方法 | 第39-42页 |
| 3.4 基于空间信息的分类算法 | 第42-45页 |
| 3.4.1 基于核函数的空间信息分类算法 | 第43-44页 |
| 3.4.2 基于SVM的空间信息分类算法 | 第44-45页 |
| 3.5 孪生SVM相关理论 | 第45-48页 |
| 3.5.1 线性可分的孪生SVM | 第45-47页 |
| 3.5.2 非线性可分的孪生SVM | 第47-48页 |
| 3.6 仿真结果与分析 | 第48-51页 |
| 3.7 本章小结 | 第51-52页 |
| 第4章 基于聚类信息指导的高光谱图像空-谱半监督分类算法 | 第52-68页 |
| 4.1 引言 | 第52-53页 |
| 4.2 基本理论算法 | 第53-60页 |
| 4.2.1 空间信息辅助方式 | 第53-55页 |
| 4.2.2 K_Medoids聚类算法的深度改进 | 第55-58页 |
| 4.2.3 基于概率模型的SVM | 第58页 |
| 4.2.4 基于Gabor滤波的空间特征提取 | 第58-60页 |
| 4.3 结合改进聚类算法与主动学习的高光谱图像半监督分类 | 第60-62页 |
| 4.4 仿真结果与分析 | 第62-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第5章 融合聚类特征的高光谱图像半监督协同分类算法 | 第68-83页 |
| 5.1 引言 | 第68页 |
| 5.2 基本理论算法 | 第68-75页 |
| 5.2.1 最小二乘孪生SVM | 第68-70页 |
| 5.2.2 协同训练理论 | 第70-72页 |
| 5.2.3 K_Means聚类算法的深度改进 | 第72-75页 |
| 5.3 融合聚类特征的高光谱半监督协同分类 | 第75-79页 |
| 5.4 仿真结果与分析 | 第79-82页 |
| 5.5 本章小结 | 第82-83页 |
| 结论 | 第83-86页 |
| 参考文献 | 第86-94页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第94-96页 |
| 致谢 | 第96页 |
