高光谱遥感图像分类技术研究
| 摘要 | 第1-11页 |
| Abstract | 第11-14页 |
| 第一章 绪论 | 第14-40页 |
| ·高光谱遥感技术简介 | 第15-20页 |
| ·高光谱遥感的基本概念 | 第15-16页 |
| ·高光谱遥感的发展现状 | 第16-18页 |
| ·高光谱遥感的应用现状 | 第18-20页 |
| ·课题的研究目的及意义 | 第20-22页 |
| ·高光谱数据分类技术 | 第22-36页 |
| ·高光谱图像的数据特性 | 第23-25页 |
| ·高光谱图像分类方法回顾 | 第25-32页 |
| ·面临的主要问题及发展趋势 | 第32-34页 |
| ·分类基准数据及分类精度评价指标 | 第34-36页 |
| ·论文的主要研究内容及成果 | 第36-40页 |
| 第二章 高光谱数据降维方法研究 | 第40-57页 |
| ·引言 | 第40-41页 |
| ·基于波段子集的高光谱图像特征提取技术 | 第41-48页 |
| ·基于SMNF 高光谱图像分类算法 | 第42页 |
| ·波段子集划分 | 第42-44页 |
| ·分组MNF 特征提取 | 第44-45页 |
| ·最小二乘支持向量机 | 第45-46页 |
| ·实验结果与讨论 | 第46-48页 |
| ·总结 | 第48页 |
| ·基于组合优化算法的高光谱图像特征选择技术 | 第48-55页 |
| ·相关算法介绍 | 第49-50页 |
| ·基于组合优化算法的波段选择算法 | 第50-53页 |
| ·实验结果与讨论 | 第53-55页 |
| ·本章小结 | 第55-57页 |
| 第三章 基于谱域-空域特征融合的高光谱分类算法 | 第57-70页 |
| ·引言 | 第57页 |
| ·基于数学形态学的高光谱图像空域特征提取 | 第57-63页 |
| ·数学形态学 | 第57-58页 |
| ·空域特征提取 | 第58-59页 |
| ·基于扩展的数学形态学的空域特征提取 | 第59-63页 |
| ·基于谱域-空域特征融合的高光谱图像分类技术 | 第63-66页 |
| ·谱域-空域组合特征 | 第63-64页 |
| ·组合核函数方法 | 第64-66页 |
| ·实验结果 | 第66-68页 |
| ·基于组合特征的分类实验结果 | 第66-67页 |
| ·基于组合核函数的分类实验结果 | 第67-68页 |
| ·本章小结 | 第68-70页 |
| 第四章 基于半监督学习的高光谱图像分类技术 | 第70-94页 |
| ·引言 | 第70页 |
| ·基于光谱加权直推式支持向量机的半监督分类算法 | 第70-78页 |
| ·凹凸过程优化（CCCP） | 第71页 |
| ·光谱加权核函数 | 第71-75页 |
| ·实验结果和分析 | 第75-78页 |
| ·结束语 | 第78页 |
| ·基于聚类核函数的高光谱图像半监督分类算法 | 第78-85页 |
| ·基于聚类组合核函数的半监督LS-SVM 算法 | 第79-82页 |
| ·实验结果和分析 | 第82-85页 |
| ·结束语 | 第85页 |
| ·基于图的半监督分类算法 | 第85-93页 |
| ·图模型的构造 | 第85-86页 |
| ·基于密度敏感的相似性度量 | 第86-87页 |
| ·类别先验信息 | 第87-88页 |
| ·算法步骤 | 第88-89页 |
| ·实验结果与分析 | 第89-93页 |
| ·本章小结 | 第93-94页 |
| 第五章 基于集成学习的高光谱图像分类技术 | 第94-103页 |
| ·引言 | 第94-95页 |
| ·集成学习概述 | 第95-97页 |
| ·高光谱图像SVM 集成分类算法 | 第97-101页 |
| ·独立分量分析（ICA）预处理 | 第97-98页 |
| ·基于ICA 高光谱图像SVM 集成分类算法 | 第98-99页 |
| ·高光谱图像数据实验结果 | 第99-101页 |
| ·本章小结 | 第101-103页 |
| 第六章 总结与展望 | 第103-107页 |
| ·本文主要贡献 | 第103-105页 |
| ·进一步研究方向 | 第105-107页 |
| 致谢 | 第107-109页 |
| 作者在学期间取得的学术成果 | 第109-111页 |
| 参考文献 | 第111-128页 |
| 附录A 机载成像仪技术参数介绍 | 第128页 |
