| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 背景简介 | 第15页 |
| 1.2 选题缘由和意义 | 第15-16页 |
| 1.3 研究现状分析 | 第16-17页 |
| 1.4 论文的研究思路 | 第17-19页 |
| 第二章 基于空谱联合的高光谱图像分类技术简介 | 第19-31页 |
| 2.1 研究背景 | 第19-20页 |
| 2.2 数字图像处理与高光谱图像分类相关的内容 | 第20-22页 |
| 2.3 模式识别与高光谱图像分类相关的内容 | 第22-23页 |
| 2.4 高光谱图像分类介绍 | 第23-26页 |
| 2.4.1 高光谱图像分类的概念 | 第23-24页 |
| 2.4.2 高光谱图像分类的特点 | 第24-25页 |
| 2.4.3 高光谱图像分类的流程及步骤 | 第25-26页 |
| 2.5 基于空谱联合的高光谱图像分类简介 | 第26-29页 |
| 2.5.1 高光谱图像预处理 | 第26-27页 |
| 2.5.2 空谱联合分类小结 | 第27-29页 |
| 2.6 本章小结 | 第29-31页 |
| 第三章 基于空谱联合的高光谱图像分类初步实验 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 空谱联合分类的初步探讨 | 第31-34页 |
| 3.2.1 相关算法的简单介绍 | 第31-33页 |
| 3.2.2 具体的算法实现 | 第33-34页 |
| 3.2.3 实验使用的高光谱图像数据 | 第34页 |
| 3.3 实验结果与分析 | 第34-39页 |
| 3.3.1 Pavia University图像数据实验 | 第34-36页 |
| 3.3.2 Indian Pines图像数据实验 | 第36-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 基于分层概率模型的空谱联合高光谱图像分类 | 第41-49页 |
| 4.1 引言 | 第41页 |
| 4.2 知识背景 | 第41-42页 |
| 4.3 模型引入 | 第42-43页 |
| 4.4 基于分层概率模型的空谱联合高光谱图像分类算法介绍 | 第43-45页 |
| 4.5 实验与分析 | 第45-46页 |
| 4.5.1 实验数据及对比算法 | 第45-46页 |
| 4.5.2 实验结果分析 | 第46页 |
| 4.6 本章小结 | 第46-49页 |
| 第五章 基于3维形态学轮廓的空谱联合高光谱图像分类 | 第49-59页 |
| 5.1 引言 | 第49页 |
| 5.2 基于3维形态学轮廓的高光谱图像分类算法介绍 | 第49-52页 |
| 5.3 实验与分析 | 第52-57页 |
| 5.3.1 实验数据及对比算法 | 第52-53页 |
| 5.3.2 实验结果分析 | 第53-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第六章 结论和展望 | 第59-63页 |
| 6.1 本文的主要工作及研究结论 | 第59-60页 |
| 6.2 基于空谱联合的高光谱图像分类研究展望 | 第60-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 作者简介 | 第69-70页 |
| 1. 基本情况 | 第69页 |
| 2. 教育背景 | 第69页 |
| 3. 攻读硕士学位期间的研究成果 | 第69-70页 |
