| 摘要 | 第1-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第8-16页 |
| ·研究背景和意义 | 第8-9页 |
| ·高光谱遥感发展现状 | 第9-13页 |
| ·成像光谱仪技术 | 第9页 |
| ·高光谱数据特点 | 第9-10页 |
| ·高光谱数据描述模型 | 第10-11页 |
| ·高光谱影像处理技术 | 第11-13页 |
| ·研究内容 | 第13-14页 |
| ·论文组织结构 | 第14-16页 |
| 第二章 光谱混合模型 | 第16-29页 |
| ·混合光谱的成因 | 第16-19页 |
| ·数学模型 | 第19-24页 |
| ·线性混合模型 | 第19-22页 |
| ·非线性混合模型 | 第22-23页 |
| ·随机混合模型 | 第23-24页 |
| ·检验数据生成 | 第24-28页 |
| ·线性混合检验数据生成 | 第25-27页 |
| ·非线性混合检验数据生成 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 端元个数估计算法 | 第29-39页 |
| ·基于NPD 的虚拟维数估计算法 | 第29-30页 |
| ·基于OSP 的端元个数估计算法 | 第30-33页 |
| ·正交子空间投影原理 | 第30-31页 |
| ·基于多重回归的噪声估计方法 | 第31-32页 |
| ·端元个数估计 | 第32-33页 |
| ·实验分析 | 第33-38页 |
| ·检验数据实验 | 第34-35页 |
| ·真实高光谱影像实验 | 第35-38页 |
| ·实验结果分析 | 第38页 |
| ·本章小结 | 第38-39页 |
| 第四章 端元提取算法 | 第39-54页 |
| ·端元提取 | 第39-42页 |
| ·典型端元提取技术 | 第39-41页 |
| ·空间信息辅助下的端元提取技术 | 第41-42页 |
| ·基于PSO 的端元提取算法 | 第42-49页 |
| ·粒子群算法原理 | 第42-43页 |
| ·基于PSO 的端元提取算法 | 第43-45页 |
| ·实验分析 | 第45-49页 |
| ·基于离散随机混合模型(DSMM)的端元束提取算法 | 第49-52页 |
| ·DSMM 算法背景 | 第50-51页 |
| ·实验分析 | 第51-52页 |
| ·本章小结 | 第52-54页 |
| 第五章 线性光谱解混算法 | 第54-73页 |
| ·典型解混算法 | 第54-58页 |
| ·加权最小二乘分解 | 第58-62页 |
| ·算法背景 | 第58-59页 |
| ·实验分析 | 第59-62页 |
| ·非监督解混算法 | 第62-71页 |
| ·独立成分分析 | 第63页 |
| ·基于NNMF 的解混算法 | 第63-65页 |
| ·NNMF 实验分析 | 第65-71页 |
| ·本章小结 | 第71-73页 |
| 第六章 基于支撑向量机的亚像元分类 | 第73-87页 |
| ·算法背景 | 第73-81页 |
| ·SVC 原理 | 第73-76页 |
| ·SVR 原理 | 第76-79页 |
| ·SVR 用于分类的可行性 | 第79-80页 |
| ·生成训练样本 | 第80-81页 |
| ·实验分析 | 第81-86页 |
| ·基于SVC 的亚像元分类实验 | 第81-84页 |
| ·基于SVR 的亚像元分类实验 | 第84-86页 |
| ·实验结果分析 | 第86页 |
| ·本章小结 | 第86-87页 |
| 第7章 总结与展望 | 第87-89页 |
| ·总结 | 第87页 |
| ·展望 | 第87-89页 |
| 参考文献 | 第89-94页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第94-95页 |
| 致谢 | 第95页 |