| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 高光谱遥感图像技术简介 | 第13-16页 |
| 1.2 高光谱图像技术发展及国内外研究状况 | 第16-19页 |
| 1.2.1 高光谱图像及其相关 | 第16-17页 |
| 1.2.2 光谱图像处理的发展现状 | 第17-18页 |
| 1.2.3 国内外高光谱图像的研究状况 | 第18-19页 |
| 1.3 高光谱图像分类技术 | 第19-21页 |
| 1.4 课题的主要研究内容和结构安排 | 第21-23页 |
| 第二章 基于光谱不同相似度衡量的最小正则子空间分类模型 | 第23-35页 |
| 2.1 最小正则子空间分类算法理论 | 第23-24页 |
| 2.2 不同相似度衡量方式介绍 | 第24-27页 |
| 2.2.1 光谱角度衡量(SAM) | 第25页 |
| 2.2.2 光谱信息散度(SID) | 第25-27页 |
| 2.2.3 正交子空间投影散度(OPD) | 第27页 |
| 2.3 高光谱图像介绍及实验结果 | 第27-33页 |
| 2.3.1 实验数据简介 | 第27-29页 |
| 2.3.2 实验结果及评价 | 第29-33页 |
| 2.4 本章小结 | 第33-35页 |
| 第三章 与马尔科夫随机场融合的最小正则子空间分类模型 | 第35-53页 |
| 3.1 马尔科夫随机场介绍 | 第35-38页 |
| 3.1.1 领域系统介绍 | 第35-37页 |
| 3.1.2 马尔科夫随机场定义 | 第37-38页 |
| 3.2 图割算法简介 | 第38-41页 |
| 3.3 概率模型的建立 | 第41页 |
| 3.4 高光谱图像介绍及实验结果 | 第41-51页 |
| 3.4.1 高光谱图像数据 | 第41-42页 |
| 3.4.2 实验分类效果 | 第42-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第四章 结合光谱空间信息的协同表达分类模型 | 第53-63页 |
| 4.1 基于高斯模型的权值表达 | 第53-55页 |
| 4.2 高光谱图像介绍和分类结果 | 第55-60页 |
| 4.2.1 实验数据及比较算法 | 第55页 |
| 4.2.2 实验分类效果 | 第55-60页 |
| 4.3 本章小结 | 第60-63页 |
| 第五章 结论与展望 | 第63-65页 |
| 5.1 结论 | 第63页 |
| 5.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士期间所发表的论文 | 第69-71页 |
| 致谢 | 第71-73页 |
| 作者和导师简介 | 第73-74页 |
| 北京化工大学硕士研究生学位论文答辩委员会决议书 | 第74-75页 |