| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 高光谱图像分类的研究现状与面临的问题 | 第17-18页 |
| 1.3 论文主要工作与内容安排 | 第18-20页 |
| 第二章 基于主动学习的高光谱图像分类方法 | 第20-36页 |
| 2.1 引言 | 第20页 |
| 2.2 高光谱图像分类概述 | 第20-27页 |
| 2.2.1 高光谱图像的数据特征 | 第20-22页 |
| 2.2.2 高光谱图像分类方法总结 | 第22-27页 |
| 2.3 主动学习算法 | 第27-30页 |
| 2.3.1 算法原理 | 第28页 |
| 2.3.2 主动学习的采样策略 | 第28-30页 |
| 2.4 基于主动学习的高光谱图像分类 | 第30-35页 |
| 2.4.1 实验数据 | 第30-32页 |
| 2.4.2 实验结果及分析 | 第32-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于区域划分的AL和SSL结合的高光谱图像分类方法 | 第36-48页 |
| 3.1 引言 | 第36页 |
| 3.2 基于区域划分的AL和SSL结合的高光谱图像分类方法 | 第36-41页 |
| 3.2.1 区域划分策略 | 第37-39页 |
| 3.2.2 AL结合SSL的方法 | 第39页 |
| 3.2.3 算法的实现流程 | 第39-41页 |
| 3.3 实验结果及分析 | 第41-47页 |
| 3.3.1 Indian Pines实验 | 第41-44页 |
| 3.3.2 Pavia University实验 | 第44-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于改进的主动学习和邻域信息结合的高光谱图像分类方法 | 第48-60页 |
| 4.1 引言 | 第48页 |
| 4.2 基于改进的主动学习和邻域信息结合的高光谱图像分类方法 | 第48-52页 |
| 4.2.1 提取边界中具有代表性的样本 | 第49-50页 |
| 4.2.2 测试样本的预处理 | 第50页 |
| 4.2.3 邻域信息 | 第50-51页 |
| 4.2.4 算法的实现步骤 | 第51-52页 |
| 4.3 实验结果及分析 | 第52-59页 |
| 4.3.1 Indian Pines实验 | 第52-56页 |
| 4.3.2 Pavia University实验 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 基于分割结果矫正的高光谱图像分类方法 | 第60-74页 |
| 5.1 引言 | 第60页 |
| 5.2 空谱结合策略 | 第60-62页 |
| 5.3 PCA | 第62页 |
| 5.4 基于分割结果矫正的高光谱图像分类方法 | 第62-64页 |
| 5.4.1 算法原理 | 第62-63页 |
| 5.4.2 算法的实现步骤 | 第63-64页 |
| 5.5 实验结果及分析 | 第64-72页 |
| 5.5.1 Indiana Pines实验 | 第65-68页 |
| 5.5.2 Pavia University实验 | 第68-72页 |
| 5.6 本章小结 | 第72-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 论文工作总结 | 第74页 |
| 6.2 工作展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |
