面向分类的高光谱影像特征提取技术研究
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 引言 | 第10-11页 |
| 1.2 高光谱遥感技术研究现状 | 第11-16页 |
| 1.2.1 高光谱成像技术发展 | 第11-14页 |
| 1.2.2 高光谱影像分析技术 | 第14-16页 |
| 1.3 论文研究内容 | 第16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 高光谱影像降维及分类方法 | 第18-31页 |
| 2.1 高光谱影像描述空间及降维的必要性 | 第18-20页 |
| 2.1.1 高光谱影像描述空间 | 第18-19页 |
| 2.1.2 高光谱影像降维的必要性 | 第19-20页 |
| 2.2 高光谱影像降维方法 | 第20-26页 |
| 2.2.1 特征选择 | 第20-22页 |
| 2.2.2 特征提取 | 第22-24页 |
| 2.2.3 流形学习 | 第24-26页 |
| 2.3 高光谱影像分类方法 | 第26-30页 |
| 2.3.1 基于光谱空间的影像分类 | 第27-28页 |
| 2.3.2 基于特征空间的影像分类 | 第28-29页 |
| 2.3.3 基于特征提取的分类方案 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 高光谱遥感本征维数估计 | 第31-40页 |
| 3.1 高光谱本征维数估计 | 第31-35页 |
| 3.1.1 本征维数 | 第31页 |
| 3.1.2 本征维数估计方法概述 | 第31-35页 |
| 3.2 自适应性的最大似然估计方法 | 第35-36页 |
| 3.3 高光谱影像降维实验 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 面向分类的高光谱影像局部线性嵌入方法 | 第40-58页 |
| 4.1 局部线性嵌入算法 | 第40-46页 |
| 4.1.1 LLE 算法原理 | 第40-41页 |
| 4.1.2 LLE 算法步骤 | 第41-45页 |
| 4.1.3 LLE 算法的优缺点 | 第45-46页 |
| 4.2 改进的局部线性嵌入算法 | 第46-47页 |
| 4.3 支持向量机 | 第47-52页 |
| 4.3.1 机器学习问题 | 第47-48页 |
| 4.3.2 支持向量机的理论基础 | 第48-51页 |
| 4.3.3 支持向量机的特点 | 第51页 |
| 4.3.4 分类精度评价 | 第51-52页 |
| 4.4 特征提取及分类实验 | 第52-57页 |
| 4.4.1 分类流程 | 第52-53页 |
| 4.4.2 分类实验 | 第53-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 基于二维主成分分析的高光谱影像分类研究 | 第58-69页 |
| 5.1 主成分分析（PCA） | 第58-59页 |
| 5.2 基于矩阵的二维特征提取 | 第59-63页 |
| 5.2.1 二维投影的思想 | 第60页 |
| 5.2.2 二维主成分分析（2DPCA） | 第60-62页 |
| 5.2.3 2DPCA 与按行分块的 PCA | 第62页 |
| 5.2.4 最近邻分类方法 | 第62-63页 |
| 5.2.5 特征提取的评价标准 | 第63页 |
| 5.2.6 基于二维矩阵特征提取的优点 | 第63页 |
| 5.3 特征提取及分类试验 | 第63-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69页 |
| 6.2 存在的不足和下一步工作 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第74-75页 |
| 致谢 | 第75页 |
