| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第1章 绪论 | 第11-23页 |
| ·研究背景和意义 | 第11-12页 |
| ·高光谱遥感影像分类的研究进展 | 第12-18页 |
| ·高光谱遥感影像分类面临的挑战 | 第12-13页 |
| ·高光谱遥感影像分类的研究现状 | 第13-18页 |
| ·主要研究内容和章节安排 | 第18-23页 |
| ·研究目标 | 第18-19页 |
| ·主要研究内容 | 第19-21页 |
| ·论文结构 | 第21-23页 |
| 第2章 高光谱遥感影像分类的基本理论 | 第23-40页 |
| ·高光谱遥感影像 | 第23-24页 |
| ·遥感影像分类概述 | 第24-29页 |
| ·非监督分类方法 | 第24-25页 |
| ·监督分类方法 | 第25-28页 |
| ·遥感影像分类精度评价方法 | 第28-29页 |
| ·支持向量机用于高光谱遥感影像分类 | 第29-34页 |
| ·高光谱遥感影像的分类步骤 | 第29-30页 |
| ·基于支持向量机的高光谱遥感影像分类 | 第30-34页 |
| ·实验及其结果分析 | 第34-39页 |
| ·Indian Pines影像分类实验 | 第34-37页 |
| ·Botswana影像分类实验 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第3章 高光谱遥感影像的降维方法 | 第40-53页 |
| ·高光谱遥感影像分类中降维的意义 | 第40-41页 |
| ·特征提取方法 | 第41-44页 |
| ·特征选择方法 | 第44-48页 |
| ·特征选择的实现过程 | 第44-45页 |
| ·特征选择的分类 | 第45-48页 |
| ·波段选择方法 | 第48-50页 |
| ·实验与结果分析 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第4章 智能优化算法用于高光谱遥感影像分类 | 第53-96页 |
| ·遗传算法用于高光谱遥感影像自动波段选择和参数优化 | 第53-64页 |
| ·遗传算法概述 | 第53-54页 |
| ·遗传算法的应用领域 | 第54-55页 |
| ·遗传算法的特点 | 第55页 |
| ·遗传算法的组成 | 第55-56页 |
| ·遗传算法的基本过程 | 第56-58页 |
| ·遗传算法用于高光谱影像的自动波段选取(GA-BSSVM) | 第58-61页 |
| ·实验与结果分析 | 第61-64页 |
| ·粒子群优化算法用于高光谱影像波段的自动选择和参数优化 | 第64-77页 |
| ·粒子群优化算法 | 第64-66页 |
| ·PSO用于高光谱影像的波段选择 | 第66-77页 |
| ·两种改进的PSO算法用于高光谱遥感影像分类 | 第77-87页 |
| ·基于模拟退火-粒子群优算法的波段选择算法(SA-PSO-BSSVM) | 第77-81页 |
| ·指定波段数目的PSO算法用于高光谱遥感影像的波段选择 | 第81-87页 |
| ·人工免疫算法用于高光谱影像分类的波段选择和参数优化 | 第87-95页 |
| ·人工免疫算法及克隆选择 | 第87-88页 |
| ·人工免疫优化算法的研究现状和应用领域 | 第88-89页 |
| ·克隆选择算法 | 第89-92页 |
| ·实验与结果分析 | 第92-95页 |
| ·本章小结 | 第95-96页 |
| 第5章 智能优化算法在基于纹理和小波特征的高光谱遥感影像分类中的应用 | 第96-119页 |
| ·纹理概述 | 第96-98页 |
| ·纹理的定义 | 第96-97页 |
| ·图像纹理分析的国内外研究现状 | 第97-98页 |
| ·基于智能优化算法的纹理特征选择 | 第98-106页 |
| ·灰度共生矩阵的定义 | 第98页 |
| ·灰度共生矩阵的特征参数 | 第98-100页 |
| ·实验与结果分析 | 第100-106页 |
| ·基于智能优化算法的小波特征提取 | 第106-118页 |
| ·一维小波特征提取 | 第107-114页 |
| ·静态离散小波分解(SWT) | 第114-118页 |
| ·本章小结 | 第118-119页 |
| 第6章 总结与展望 | 第119-121页 |
| ·全文总结 | 第119-120页 |
| ·进一步的工作 | 第120-121页 |
| 参考文献 | 第121-128页 |
| 攻读博士学位期间发表的论文和科研情况 | 第128-129页 |
| 致谢 | 第129页 |
