| 图目录 | 第1-8页 |
| 表目录 | 第8-9页 |
| 摘要 | 第9-10页 |
| Abstract | 第10-12页 |
| 英文缩写说明 | 第12-14页 |
| 第一章 绪论 | 第14-21页 |
| §1．1 课题背景及意义 | 第14-16页 |
| §1．2 国内外研究现状 | 第16-19页 |
| §1．3 论文的研究内容和组织结构 | 第19-21页 |
| 第二章 高光谱图像数据特性及其分类理论 | 第21-39页 |
| §2．1 引言 | 第21页 |
| §2．2 高光谱数据特性分析 | 第21-29页 |
| §2．2．1 高光谱图像数据表示 | 第21-22页 |
| §2．2．2 高维数据的一般特性 | 第22-24页 |
| §2．2．3 高光谱数据的统计特性 | 第24-28页 |
| §2．2．4 高光谱数据的光谱混合现象 | 第28-29页 |
| §2．3 高光谱数据分类技术 | 第29-38页 |
| §2．3．1 关于直接光谱匹配的确定性方法 | 第29-30页 |
| §2．3．2 一般统计分类问题 | 第30-33页 |
| §2．3．3 高光谱图像数据分类问题 | 第33-38页 |
| §2．4 本章小结 | 第38-39页 |
| 第三章 基于全局线性降维的非监督分类 | 第39-61页 |
| §3．1 引言 | 第39页 |
| §3．2 针对高光谱数据的降维技术 | 第39-41页 |
| §3．2．1 高光谱数据减缩的必要性和可行性 | 第40页 |
| §3．2．2 高光谱数据降维方法分析 | 第40-41页 |
| §3．3 结合PCA与GMM的非监督分类 | 第41-47页 |
| §3．3．1 PCA及其主成分维数确定 | 第41-43页 |
| §3．3．2 高斯混合模型(GMM) | 第43-44页 |
| §3．3．3 高斯混合模型的EM求解 | 第44-46页 |
| §3．3．4 合并策略下的模型估计 | 第46-47页 |
| §3．4 基于模型选择方法的类别数确定 | 第47-59页 |
| §3．4．1 模型选择方法 | 第47-49页 |
| §3．4．2 MDL／BIC准则 | 第49-51页 |
| §3．4．3 混合MDL(MMDL)准则 | 第51-53页 |
| §3．4．4 PCA-MDL(PMDL)准则 | 第53-54页 |
| §3．4．5 实验结果 | 第54-59页 |
| §3．5 本章小结 | 第59-61页 |
| 第四章 基于混合概率PCA的非监督分类 | 第61-79页 |
| §4．1 引言 | 第61页 |
| §4．2 子空间法模式识别 | 第61-62页 |
| §4．3 基于混合概率PCA的非监督分类 | 第62-71页 |
| §4．3．1 混合概率PCA | 第62-68页 |
| §4．3．2 基于混合概率PCA的分类算法 | 第68-69页 |
| §4．3．3 实验结果 | 第69-71页 |
| §4．4 基于模型选择方法的降维维数或类别数的确定 | 第71-76页 |
| §4．4．1 类别数确定 | 第71页 |
| §4．4．2 降维维数确定 | 第71-73页 |
| §4．4．3 针对不同类别的降维维数确定 | 第73-75页 |
| §4．4．4 模型选择统一方案 | 第75-76页 |
| §4．5 模型复杂度分析 | 第76-77页 |
| §4．6 本章小结 | 第77-79页 |
| 第五章 结合图像空间结构信息的支持向量机监督分类 | 第79-100页 |
| §5．1 引言 | 第79-80页 |
| §5．2 统计学习理论和SVM | 第80-89页 |
| §5．2．1 统计学习理论 | 第80-84页 |
| §5．2．2 SVM与核技巧(Kernel Trick) | 第84-88页 |
| §5．2．3 多类分类问题 | 第88-89页 |
| §5．3 针对高光谱图像的SVM分类算法核函数的参数选择 | 第89-92页 |
| §5．3．1 模型选择问题 | 第89-91页 |
| §5．3．2 原始空间的线性投影对SVM的影响 | 第91-92页 |
| §5．3．3 训练样本选取问题 | 第92页 |
| §5．4 基于Gabor滤波的SVM分类 | 第92-98页 |
| §5．4．1 纹理特征描述方法 | 第92-95页 |
| §5．4．2 针对高光谱图像的纹理特征计算 | 第95-96页 |
| §5．4．3 实验结果 | 第96-98页 |
| §5．5 本章小结 | 第98-100页 |
| 第六章 结束语 | 第100-102页 |
| §6．1 论文的主要研究成果及创新点 | 第100页 |
| §6．2 进一步的研究方向 | 第100-102页 |
| 附录 | 第102-110页 |
| 致谢 | 第110-112页 |
| 参考文献 | 第112-124页 |
| 作者在攻博期间完成的主要论文 | 第124页 |
