| 摘要 | 第10-12页 |
| ABSTRACT | 第12-14页 |
| 第一章 绪论 | 第15-22页 |
| 1.1 课题研究背景及意义 | 第15-17页 |
| 1.2 高光谱成像技术现状 | 第17-20页 |
| 1.2.1 高光谱成像技术发展现状 | 第17-18页 |
| 1.2.2 高光谱图像特征提取技术研究现状 | 第18页 |
| 1.2.3 高光谱图像分类识别技术研究现状 | 第18-20页 |
| 1.3 高光谱成像技术的典型应用 | 第20-21页 |
| 1.3.1 地质检测与矿物识别 | 第20页 |
| 1.3.2 农业生产 | 第20页 |
| 1.3.3 食品安全 | 第20页 |
| 1.3.4 生物医学 | 第20-21页 |
| 1.4 本文的研究内容和组织结构 | 第21-22页 |
| 第二章 高光谱成像原理 | 第22-30页 |
| 2.1 高光谱成像系统 | 第22-24页 |
| 2.1.1 光谱分光技术 | 第22-23页 |
| 2.1.2 空间成像技术 | 第23-24页 |
| 2.2 高光谱数据的组织方式 | 第24-26页 |
| 2.2.1 图像模型 | 第25页 |
| 2.2.2 光谱响应曲线 | 第25-26页 |
| 2.2.3 光谱特征向量 | 第26页 |
| 2.3 高光谱图像的特性 | 第26-27页 |
| 2.4 常用的高光谱图像数据 | 第27-29页 |
| 2.4.1 Washington DC Mall | 第27-28页 |
| 2.4.2 AVIRIS Indian Pine | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 高光谱图像特征提取方法研究 | 第30-48页 |
| 3.1 光谱域特征提取 | 第30-34页 |
| 3.1.1 主成分分析 | 第30-32页 |
| 3.1.2 线性判别分析 | 第32-34页 |
| 3.2 空间域特征提取 | 第34-38页 |
| 3.2.1 马尔科夫随机场 | 第35-36页 |
| 3.2.2 Gabor滤波 | 第36-38页 |
| 3.3 基于张量的稀疏特征降维方法(STDR) | 第38-44页 |
| 3.3.1 张量代数 | 第39-40页 |
| 3.3.2 TDLA算法 | 第40-41页 |
| 3.3.3 STDA算法 | 第41页 |
| 3.3.4 STDR算法原理 | 第41-44页 |
| 3.4 实验设计与结果分析 | 第44-47页 |
| 3.4.1 实验设计 | 第44页 |
| 3.4.2 实验一：AVIRIS Indian Pines | 第44-46页 |
| 3.4.3 实验二：Washington DC Mall | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 高光谱图像分类识别技术研究 | 第48-79页 |
| 4.1 概述 | 第48页 |
| 4.2 高光谱图像分类识别的一般流程 | 第48-50页 |
| 4.3 典型的分类识别算法 | 第50-56页 |
| 4.3.1 光谱角度匹配 | 第50-52页 |
| 4.3.2 最大似然分类器 | 第52页 |
| 4.3.3 支持向量机 | 第52-55页 |
| 4.3.4 随机森林 | 第55-56页 |
| 4.4 分类性能评估 | 第56-58页 |
| 4.4.1 混淆矩阵 | 第56-57页 |
| 4.4.2 kappa系数 | 第57-58页 |
| 4.5 一种多中心MSAM-MRF分类方法 | 第58-65页 |
| 4.5.1 多中心拟合模型 | 第58-59页 |
| 4.5.2 高斯标准化与马尔科夫优化 | 第59-60页 |
| 4.5.3 MSAM-MRF算法流程 | 第60-62页 |
| 4.5.4 实验设计 | 第62-63页 |
| 4.5.5 实验结果比较与分析 | 第63-65页 |
| 4.6 一种CSRF分类方法 | 第65-78页 |
| 4.6.1 CSRF算法流程 | 第66-67页 |
| 4.6.2 光谱域-空间域混合互相关特征提取方法 | 第67-69页 |
| 4.6.3 特定类构建决策树的随机森林模型 | 第69-70页 |
| 4.6.4 实验设计 | 第70-72页 |
| 4.6.5 实验结果与分析 | 第72-78页 |
| 4.7 本章小结 | 第78-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-88页 |
| 攻读硕士研究生期间研究成果 | 第88-90页 |
| 学位论文评阅及答辨情况表 | 第90页 |