| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 目录 | 第10-14页 |
| 图目录 | 第14-17页 |
| 表目录 | 第17-19页 |
| 第1章 绪论 | 第19-34页 |
| 1.1 研究背景及研究意义 | 第19-21页 |
| 1.2 国内外研究现状与分析 | 第21-29页 |
| 1.2.1 高光谱影像光谱特征提取与分析 | 第21-23页 |
| 1.2.2 高光谱影像纹理特征描述与分析 | 第23-26页 |
| 1.2.3 高光谱数据多分类器集成技术 | 第26-28页 |
| 1.2.4 当前研究中存在的问题 | 第28-29页 |
| 1.3 研究目标与研究内容 | 第29-30页 |
| 1.3.1 研究目标 | 第29-30页 |
| 1.3.2 研究内容 | 第30页 |
| 1.4 研究方法与技术路线 | 第30-32页 |
| 1.4.1 研究方法 | 第30-31页 |
| 1.4.2 技术路线 | 第31-32页 |
| 1.5 论文组织 | 第32-34页 |
| 第2章 高光谱影像数据特征分析 | 第34-51页 |
| 2.1 高光谱影像数据信息表达与评价 | 第34-41页 |
| 2.1.1 高光谱影像的数学表达 | 第34-36页 |
| 2.1.2 高维几何空间与信息分布 | 第36-39页 |
| 2.1.3 高光谱影像的信息描述与评价 | 第39-41页 |
| 2.2 高光谱数据特征分析 | 第41-48页 |
| 2.2.1 高光谱数据特性 | 第41-45页 |
| 2.2.2 维数灾难与Hughes现象 | 第45-46页 |
| 2.2.3 高光谱影像噪声与混合像元分析 | 第46-48页 |
| 2.3 实验用典型高光谱影像数据 | 第48-50页 |
| 2.3.1 AVIRIS Lunar Lake数据 | 第48页 |
| 2.3.2 HYDICE DC Mall Ⅱ数据 | 第48-49页 |
| 2.3.3 HYMAP Purdue Campus数据 | 第49页 |
| 2.3.4 AVIRIS Indian Pines数据 | 第49-50页 |
| 2.4 本章小结 | 第50-51页 |
| 第3章 基于OPD和聚类的高光谱数据特征选择与提取 | 第51-86页 |
| 3.1 高光谱数据特征选择与提取概述 | 第51-63页 |
| 3.1.1 鸽笼原理 | 第51-52页 |
| 3.1.2 波段选择与特征提取分析 | 第52-54页 |
| 3.1.3 波段选择的一般方法 | 第54-60页 |
| 3.1.4 特征提取的一般方法 | 第60-63页 |
| 3.2 基于正交投影散射的波段选择 | 第63-66页 |
| 3.2.1 正交投影散射算法 | 第64-65页 |
| 3.2.2 监督波段选择过程 | 第65-66页 |
| 3.3 基于自适应仿射传播的波段选择 | 第66-68页 |
| 3.3.1 自适应仿射传播原理 | 第66-67页 |
| 3.3.2 非监督波段选择过程 | 第67-68页 |
| 3.4 基于改进K-均值的特征提取 | 第68-75页 |
| 3.4.1 K-均值及其存在问题 | 第68-71页 |
| 3.4.2 改进K-均值算法 | 第71-74页 |
| 3.4.3 算法复杂度分析 | 第74-75页 |
| 3.5 高光谱数据特征选择与提取实验分析 | 第75-85页 |
| 3.5.1 波段选择分析 | 第75-78页 |
| 3.5.2 特征提取分析 | 第78-83页 |
| 3.5.3 K值估计分析 | 第83-85页 |
| 3.6 本章小结 | 第85-86页 |
| 第4章 基于V-GLCM的高光谱影像纹理描述、提取与分析 | 第86-109页 |
| 4.1 高光谱影像体纹理及其特点 | 第86-87页 |
| 4.2 GLCM模型 | 第87-90页 |
| 4.2.1 GLCM原理 | 第87-88页 |
| 4.2.2 相关参数分析 | 第88-90页 |
| 4.3 V-GLCM模型及纹理分析 | 第90-98页 |
| 4.3.1 体扩展及统计指标 | 第90-93页 |
| 4.3.2 V-GLCM算法过程 | 第93页 |
| 4.3.3 窗口尺寸分析 | 第93-96页 |
| 4.3.4 纹理旋转不变性分析 | 第96-98页 |
| 4.4 高光谱影像V-GLCM纹理实验与分析 | 第98-108页 |
| 4.4.1 窗口尺寸实验分析 | 第98-100页 |
| 4.4.2 纹理旋转不变性实验分析 | 第100-105页 |
| 4.4.3 高光谱影像纹理提取 | 第105-108页 |
| 4.5 本章小结 | 第108-109页 |
| 第5章 高光谱影像多分类器性能分析与集成 | 第109-141页 |
| 5.1 多分类器集成概述 | 第109-114页 |
| 5.1.1 弱可学习理论 | 第109-111页 |
| 5.1.2 分类器及其性能评价 | 第111-113页 |
| 5.1.3 多分类器组合类型 | 第113-114页 |
| 5.2 结合光谱和纹理信息的多分类器集成 | 第114-121页 |
| 5.2.1 多分类器集成方法 | 第115-118页 |
| 5.2.2 光谱聚类子空间的分类器集成 | 第118-120页 |
| 5.2.3 结合光谱和纹理信息的多分类器集成 | 第120-121页 |
| 5.3 高光谱影像多分类器性能分析 | 第121-134页 |
| 5.3.1 ROC曲线与AUC | 第121-124页 |
| 5.3.2 ROC扩展及分析 | 第124页 |
| 5.3.3 分类器性能评价实验 | 第124-134页 |
| 5.4 高光谱影像多分类器集成实验与分析 | 第134-140页 |
| 5.4.1 基于训练样本的多分类器集成实验分析 | 第134-137页 |
| 5.4.2 光谱聚类子空间的多分类器集成实验分析 | 第137-138页 |
| 5.4.3 结合光谱和纹理信息的多分类器集成 | 第138-140页 |
| 5.5 本章小结 | 第140-141页 |
| 第6章 高光谱影像典型案例应用与分析 | 第141-154页 |
| 6.1 端元提取和矿物识别案例分析 | 第141-146页 |
| 6.1.1 AVIRIS Cuprite数据简介 | 第141-142页 |
| 6.1.2 数据降维分析 | 第142-143页 |
| 6.1.3 端元提取和矿物识别分析 | 第143-146页 |
| 6.2 城市土地得用案例分析 | 第146-153页 |
| 6.2.1 HYDICE DC Mall Ⅰ数据简介 | 第146-147页 |
| 6.2.2 光谱特征提取分析 | 第147-149页 |
| 6.2.3 纹理特征提取分析 | 第149-151页 |
| 6.2.4 城市土地利用分类分析 | 第151-153页 |
| 6.3 本章小结 | 第153-154页 |
| 第7章 结论与展望 | 第154-157页 |
| 7.1 研究结论 | 第154-155页 |
| 7.2 特色与创新 | 第155-156页 |
| 7.3 问题与展望 | 第156-157页 |
| 参考文献 | 第157-167页 |
| 在读期间发表的学术论文及研究成果 | 第167-169页 |
| 致谢 | 第169-170页 |
