| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 高光谱图像分类研究背景与意义 | 第10-11页 |
| 1.2 高光谱图像分类的研究现状和发展动态 | 第11-13页 |
| 1.3 本文主要工作及结构安排 | 第13-16页 |
| 第二章 RTF基本理论 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 回归树简介 | 第16-18页 |
| 2.3 RTF模型 | 第18-25页 |
| 2.3.1 背景知识 | 第19-21页 |
| 2.3.2 RTF理论 | 第21-25页 |
| 2.4 小结 | 第25-26页 |
| 第三章 利用自适应空-谱上下文的RTF高光谱图像去噪方法 | 第26-38页 |
| 3.1 引言 | 第26页 |
| 3.2 利用自适应空-谱上下文的RTF高光谱图像去噪方法 | 第26-31页 |
| 3.2.1 波段选择方法 | 第27页 |
| 3.2.2 面向高光谱图像去噪的RTF模型 | 第27-30页 |
| 3.2.3 方法特点分析 | 第30-31页 |
| 3.3 实验结果分析 | 第31-36页 |
| 3.3.1 实验设置 | 第31页 |
| 3.3.2 实验结果- Purdue Campus数据 | 第31-34页 |
| 3.3.3 实验结果-Pavia数据 | 第34-36页 |
| 3.4 小结 | 第36-38页 |
| 第四章 使线性分类评价最优的RTF高光谱图像分类方法 | 第38-58页 |
| 4.1 引言 | 第38页 |
| 4.2 基于MCE的RTF高光谱图像分类方法 | 第38-43页 |
| 4.2.1 模型构建 | 第39页 |
| 4.2.2 模型推断 | 第39-40页 |
| 4.2.3 基于MCE的RTF模型训练 | 第40-43页 |
| 4.3 实验结果与分析 | 第43-57页 |
| 4.3.1 实验数据 | 第43-46页 |
| 4.3.2 实验设置 | 第46页 |
| 4.3.3 总体性能分析 | 第46-52页 |
| 4.3.4 同其他方法的比较 | 第52-57页 |
| 4.4 小结 | 第57-58页 |
| 第五章 使非线性分类评价最优的RTF高光谱图像分类方法 | 第58-68页 |
| 5.1 引言 | 第58页 |
| 5.2 基于Kappa的RTF模型训练方法 | 第58-62页 |
| 5.3 实验结果与分析 | 第62-67页 |
| 5.3.1 实验数据 | 第63页 |
| 5.3.2 结果分析 | 第63-67页 |
| 5.4 小结 | 第67-68页 |
| 结束语 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 作者在学期间取得的学术成果 | 第76页 |
