| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-24页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究目的与意义 | 第13-14页 |
| 1.3 国内外研究现状与进展 | 第14-21页 |
| 1.3.1 高光谱遥感应用研究综述 | 第14-16页 |
| 1.3.2 高光谱数据的算法研究综述 | 第16-18页 |
| 1.3.3 光谱混合分析研究综述 | 第18-20页 |
| 1.3.4 国内外研究评述 | 第20-21页 |
| 1.4 研究内容与方法 | 第21-24页 |
| 1.4.1 研究内容 | 第21页 |
| 1.4.2 研究方法 | 第21-24页 |
| 2 背景信息与数据预处理 | 第24-35页 |
| 2.1 相关概念 | 第24-27页 |
| 2.1.1 城市与郊区 | 第24-25页 |
| 2.1.2 空间分辨率与光谱分辨率 | 第25-26页 |
| 2.1.3 土地覆被和土地利用 | 第26-27页 |
| 2.2 研究区概况 | 第27-28页 |
| 2.3 ENVI光谱库数据 | 第28-30页 |
| 2.4 Hyperion数据特点 | 第30-31页 |
| 2.5 Hyperion数据的预处理 | 第31-35页 |
| 3 约束条件下线性混合像元解混的模拟 | 第35-51页 |
| 3.1 解混理论 | 第35-37页 |
| 3.1.1 线性混合模型（LMM） | 第35-37页 |
| 3.1.2 最小二乘（LSE） | 第37页 |
| 3.2 植被-土壤（V-S）混合像元解混的模拟 | 第37-46页 |
| 3.2.1 一种植被与一种土壤混合 | 第39-43页 |
| 3.2.2 两种植被与一种土壤的混合 | 第43-46页 |
| 3.2.3 植被与土壤混合的结果分析 | 第46页 |
| 3.3 植被-不透水层-土壤（V-I-S）混合像元解混模拟 | 第46-50页 |
| 3.4 小结 | 第50-51页 |
| 4 Hyperion高光谱影像的线性光谱解混 | 第51-64页 |
| 4.1 确定端元 | 第51-58页 |
| 4.1.1 主成分变换（PCT） | 第51-54页 |
| 4.1.2 端元选取 | 第54-58页 |
| 4.2 解混结果 | 第58-60页 |
| 4.3 精度检测 | 第60-62页 |
| 4.4 小结 | 第62-64页 |
| 5 丰度的利用与分析 | 第64-80页 |
| 5.1 基于丰度特征的聚类 | 第64-66页 |
| 5.1.1 常用非监督分类的问题 | 第64-65页 |
| 5.1.2 考虑空间特征的非监督分类 | 第65-66页 |
| 5.2 植被丰度分析 | 第66-75页 |
| 5.2.1 中部区域的植被丰度 | 第68-70页 |
| 5.2.2 北部区域的植被丰度 | 第70-72页 |
| 5.2.3 南部区域的植被丰度 | 第72-74页 |
| 5.2.4 植被丰度的综合比较 | 第74-75页 |
| 5.3 城区周边的土地覆被的变化 | 第75-79页 |
| 5.4 小结 | 第79-80页 |
| 6 基于Hyperion数据的特定目标信息检测应用 | 第80-97页 |
| 6.1 目标信息识别方法 | 第80-82页 |
| 6.1.1 正交子空间投影（OSP）及其衍生方法 | 第80-81页 |
| 6.1.2 线性约束最小方差（LCMV） | 第81-82页 |
| 6.2 小目标识别 | 第82-91页 |
| 6.2.1 目标光谱提取 | 第82-83页 |
| 6.2.2 Hyperion影像中的目标识别 | 第83-89页 |
| 6.2.3 精度检验 | 第89-91页 |
| 6.3 多目标识别 | 第91-95页 |
| 6.3.1 有完全先验知识的多目标识别 | 第92-93页 |
| 6.3.2 无完全先验知识的多目标识别 | 第93-95页 |
| 6.3.3 精度检验 | 第95页 |
| 6.4 小结 | 第95-97页 |
| 7 结论与展望 | 第97-100页 |
| 7.1 研究结论 | 第97-98页 |
| 7.2 主要创新点 | 第98页 |
| 7.3 研究的不足 | 第98页 |
| 7.4 展望 | 第98-100页 |
| 致谢 | 第100-101页 |
| 参考文献 | 第101-112页 |
| 附录 | 第112页 |