| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题的背景及来源 | 第9-10页 |
| 1.2 课题研究的目的和意义 | 第10-11页 |
| 1.3 相关技术的发展与研究现状综述 | 第11-16页 |
| 1.3.1 高光谱图像分类技术研究现状 | 第11-13页 |
| 1.3.2 高光谱解混技术研究现状 | 第13-15页 |
| 1.3.3 核学习理论发展综述 | 第15-16页 |
| 1.4 本文的主要研究内容 | 第16-18页 |
| 第2章 基于核学习的高光谱图像分类方法研究 | 第18-27页 |
| 2.1 引言 | 第18页 |
| 2.2 核方法的一般表述 | 第18-20页 |
| 2.2.1 核函数概念 | 第18-19页 |
| 2.2.2 核函数性质 | 第19-20页 |
| 2.3 支持向量机 | 第20-23页 |
| 2.3.1 二类分类问题 | 第20-21页 |
| 2.3.2 多类分类问题 | 第21-22页 |
| 2.3.3 概率输出型 SVM | 第22-23页 |
| 2.4 多核学习算法 | 第23-25页 |
| 2.4.1 多核学习的理论基础 | 第23-24页 |
| 2.4.2 SimpleMKL 算法 | 第24-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 基于混合光谱分析的地物精细分类技术 | 第27-39页 |
| 3.1 引言 | 第27页 |
| 3.2 高光谱图像端元提取技术 | 第27-31页 |
| 3.2.1 N-FINDR 算法 | 第27-28页 |
| 3.2.2 顶点成分分析 | 第28-29页 |
| 3.2.3 独立成分分析 | 第29-30页 |
| 3.2.4 基于 P-SVM 的端元提取算法 | 第30-31页 |
| 3.3 高光谱图像混合像元分解技术 | 第31-33页 |
| 3.4 仿真实验 | 第33-38页 |
| 3.4.1 非监督端元提取算法比较 | 第33-35页 |
| 3.4.2 基于 P-SVM 端元提取的线性光谱解混 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 高光谱图像空间特征提取及空谱联合分类技术 | 第39-58页 |
| 4.1 引言 | 第39页 |
| 4.2 高光谱图像空间特征提取 | 第39-43页 |
| 4.2.1 空间纹理特征与灰度共生矩阵 | 第39-40页 |
| 4.2.2 空间纹理特征提取与度量 | 第40-43页 |
| 4.3 高光谱图像空谱特征联合分类方法研究 | 第43-49页 |
| 4.3.1 空谱特征决策级融合系统 | 第43-45页 |
| 4.3.2 空谱特征核融合方法研究 | 第45-49页 |
| 4.4 仿真实验 | 第49-57页 |
| 4.4.1 实验数据源简介 | 第49-50页 |
| 4.4.2 决策级融合实验 | 第50-52页 |
| 4.4.3 特征级融合实验 | 第52-55页 |
| 4.4.4 基于复合核的特征提取实验 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第65-67页 |
| 致谢 | 第67页 |