| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 引言 | 第17-37页 |
| 1.1 研究背景及意义 | 第17-23页 |
| 1.1.1 研究背景 | 第17-22页 |
| 1.1.2 研究意义 | 第22-23页 |
| 1.2 国内外研究进展 | 第23-30页 |
| 1.2.1 国外研究进展 | 第24-28页 |
| 1.2.2 国内研究进展 | 第28-29页 |
| 1.2.3 存在问题 | 第29-30页 |
| 1.3 实验数据 | 第30-33页 |
| 1.4 本文的组织结构 | 第33-37页 |
| 第二章 高光谱遥感处理相关方法与策略 | 第37-51页 |
| 2.1 高光谱遥感处理技术 | 第37-39页 |
| 2.1.1 特征选择与特征提取 | 第37-38页 |
| 2.1.2 光谱匹配 | 第38-39页 |
| 2.1.3 混合象元分解 | 第39页 |
| 2.2 高光谱遥感图像分类 | 第39-44页 |
| 2.2.1 支持向量机 | 第40-42页 |
| 2.2.2 极限学习 | 第42-43页 |
| 2.2.3 旋转森林 | 第43-44页 |
| 2.3 光谱和空间特征联合的高光谱遥感影像分类 | 第44-47页 |
| 2.3.1 光谱和空间特征联合的高光谱遥感影像分类同步处理 | 第45-46页 |
| 2.3.2 光谱和空间特征联合的高光谱遥感影像分类后处理 | 第46-47页 |
| 2.4 基于集成学习的高光谱影像分类 | 第47-51页 |
| 第三章 基于形态学属性剖面的高光谱影像多分类器集成方法 | 第51-65页 |
| 3.1 基于形态学属性剖面的空间特征提取 | 第51-53页 |
| 3.2 基于形态学属性剖面的分类算法 | 第53-54页 |
| 3.3 实验及分析 | 第54-63页 |
| 3.4 小结 | 第63-65页 |
| 第四章 基于自适应形态学属性剖面的高光谱影像多分类器集成方法 | 第65-87页 |
| 4.1 基于自适应形态学属性剖面空间特征提取 | 第65-66页 |
| 4.2 基于自适应形态学属性剖面分类算法 | 第66-68页 |
| 4.3 实验及分析 | 第68-85页 |
| 4.4 小结 | 第85-87页 |
| 第五章 综合聚类信息的高光谱影像多分类器集成方法 | 第87-103页 |
| 5.1 基于聚类信息的空间特征提取 | 第87-88页 |
| 5.2 多数投票对象分类 | 第88-89页 |
| 5.3 邻域滤波优化 （Filtering Optimization Processing, FP) | 第89-90页 |
| 5.4 综合聚类信息的分类算法 | 第90-93页 |
| 5.5 实验及分析 | 第93-101页 |
| 5.6 小结 | 第101-103页 |
| 第六章 结论与展望 | 第103-107页 |
| 6.1 研究结论 | 第103页 |
| 6.2 论文创新点 | 第103-104页 |
| 6.3 研究展望 | 第104-107页 |
| 参考文献 | 第107-115页 |
| 致谢 | 第115-117页 |
| 在学期间所取得的学术成果 | 第117-118页 |
