| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景及研究意义 | 第10-12页 |
| 1.1.1 高光谱遥感的研究背景 | 第10页 |
| 1.1.2 高光谱遥感的应用前景 | 第10-11页 |
| 1.1.3 高光谱遥感图像分类的研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 成像光谱仪的发展现状 | 第12-13页 |
| 1.2.2 高光谱分类的研究现状 | 第13-16页 |
| 1.2.3 高光谱分类存在的问题 | 第16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 技术路线及章节安排 | 第17-19页 |
| 1.4.1 技术路线 | 第17页 |
| 1.4.2 章节安排 | 第17-19页 |
| 第二章 高光谱数据介绍及降维处理 | 第19-28页 |
| 2.1 高光谱数据介绍 | 第19-22页 |
| 2.1.1 AVIRIS高光谱数据Indian Pines | 第19-20页 |
| 2.1.2 AVIRIS高光谱数据Salinas | 第20-21页 |
| 2.1.3 ROSIS高光谱数据Pavia University | 第21-22页 |
| 2.2 高光谱数据降维处理 | 第22-27页 |
| 2.2.1 降维的必要性 | 第22-23页 |
| 2.2.2 降维方法介绍 | 第23-24页 |
| 2.2.3 高光谱数据降维结果 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于密度峰值的自适应聚类算法 | 第28-37页 |
| 3.1 引言 | 第28页 |
| 3.2 基于密度峰值的聚类算法 | 第28-30页 |
| 3.2.1 寻找聚类中心 | 第28-30页 |
| 3.2.2 数据点归类 | 第30页 |
| 3.2.3 算法流程 | 第30页 |
| 3.3 基于密度峰值的自适应聚类算法 | 第30-34页 |
| 3.4 实验数据与结果分析 | 第34-36页 |
| 3.4.1 实验数据介绍 | 第34页 |
| 3.4.2 结果与分析 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于密度峰值自适应聚类算法的融合分类 | 第37-77页 |
| 4.1 算法理论基础 | 第37-44页 |
| 4.1.1 光谱匹配算法 | 第37页 |
| 4.1.2 神经网络算法 | 第37-40页 |
| 4.1.3 支持向量机算法 | 第40-44页 |
| 4.2 密度峰值自适应聚类与光谱匹配方法融合分类 | 第44-49页 |
| 4.2.1 算法原理及流程 | 第44-45页 |
| 4.2.2 实验结果与分析 | 第45-49页 |
| 4.3 密度峰值自适应聚类与统计特征方法融合分类 | 第49-76页 |
| 4.3.1 算法原理与流程 | 第49-51页 |
| 4.3.2 样本容量影响实验分析 | 第51-71页 |
| 4.3.3 实验结果与分析 | 第71-76页 |
| 4.4 本章小结 | 第76-77页 |
| 第五章 结论及展望 | 第77-79页 |
| 5.1 结论 | 第77页 |
| 5.2 展望 | 第77-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-85页 |
| 硕士期间取得的成果 | 第85-86页 |