| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 高光谱数据的特点 | 第12-14页 |
| 1.3 高光谱图像分类研究 | 第14-18页 |
| 1.3.1 高光谱图像分类研究的现状 | 第14-15页 |
| 1.3.2 高光谱图像分类原理 | 第15-18页 |
| 1.4 论文的章节安排 | 第18-21页 |
| 第2章 高光谱遥感图像分类相关理论基础 | 第21-53页 |
| 2.1 分类评价准则 | 第21-22页 |
| 2.2 支持向量机理论基础 | 第22-24页 |
| 2.2.1 VC维 | 第22页 |
| 2.2.2 结构风险最小化原理 | 第22-24页 |
| 2.3 SVM分类原理 | 第24-29页 |
| 2.3.1 KKT互补条件 | 第24-25页 |
| 2.3.2 最优分类超平面 | 第25-27页 |
| 2.3.3 非线性问题 | 第27-29页 |
| 2.4 构造最简多分类器 | 第29-35页 |
| 2.4.1 孪生支持向量机 | 第30-31页 |
| 2.4.2 线性TWSVM | 第31-34页 |
| 2.4.3 非线性TWSVM | 第34-35页 |
| 2.5 最小孪生支持向量机 | 第35-39页 |
| 2.5.1 线性LSTSVM | 第35-37页 |
| 2.5.2 非线性LSTWSVM | 第37-39页 |
| 2.6 实验分析 | 第39-42页 |
| 2.6.1 实验运行环境 | 第39页 |
| 2.6.2 实验数据集 | 第39-42页 |
| 2.7 实验结果与分析 | 第42-52页 |
| 2.7.1 印第安农林数据集分类性能比较 | 第43-47页 |
| 2.7.2 帕维亚大学数据集分类性能比较 | 第47-52页 |
| 2.8 本章小结 | 第52-53页 |
| 第3章 基于样本缩减的LSTWSVM分类算法 | 第53-65页 |
| 3.1 LSTWSVM算法分析 | 第53-54页 |
| 3.2 LSTWSVM | 第54-55页 |
| 3.3 实验分析 | 第55-62页 |
| 3.3.1 印第安农林数据集分类性能比较 | 第55-59页 |
| 3.3.2 帕维亚大学数据集分类性能比较 | 第59-62页 |
| 3.4 本章小结 | 第62-65页 |
| 第4章 融合光谱信息的LSTWSVM样本缩减分类方法 | 第65-79页 |
| 4.1 基本理论 | 第65-71页 |
| 4.1.1 主成分分析 | 第65-67页 |
| 4.1.2 Gabor滤波 | 第67-69页 |
| 4.1.3 数学形态学 | 第69-71页 |
| 4.2 与空间信息融合的LSTSVM分类方法 | 第71-72页 |
| 4.3 实验分析 | 第72-77页 |
| 4.3.1 印第安农林数据集实验分析 | 第72-75页 |
| 4.3.2 帕维亚数据集实验分析 | 第75-77页 |
| 4.4 本章小结 | 第77-79页 |
| 结论 | 第79-81页 |
| 参考文献 | 第81-87页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第87-89页 |
| 致谢 | 第89页 |