| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 选题依据 | 第9-10页 |
| 1.3 高光谱影像分类的研究现状 | 第10-11页 |
| 1.4 研究内容和章节安排 | 第11-13页 |
| 2 高光谱影像的基本理论 | 第13-21页 |
| 2.1 引言 | 第13页 |
| 2.2 高光谱影像 | 第13-15页 |
| 2.2.1 高光谱影像的表达 | 第13-14页 |
| 2.2.2 高光谱影像的特性 | 第14-15页 |
| 2.3 高光谱遥感的发展现状及其应用 | 第15-16页 |
| 2.4 高光谱影像的分类方法 | 第16-18页 |
| 2.5 高光谱影像分类评价指标 | 第18-19页 |
| 2.6 本文采用的实验数据来源 | 第19-20页 |
| 2.7 本章小结 | 第20-21页 |
| 3 基于偏态二叉树的最小二乘支持向量机的高光谱影像分类算法 | 第21-33页 |
| 3.1 引言 | 第21页 |
| 3.2 最小二乘支持向量机 | 第21-26页 |
| 3.2.1 线性支持向量机 | 第21-24页 |
| 3.2.2 非线性支持向量机 | 第24-25页 |
| 3.2.3 最小二乘支持向量机原理 | 第25-26页 |
| 3.3 偏态二叉树的最小二乘支持向量机 | 第26-28页 |
| 3.3.1 偏态二叉树的最小二乘支持向量机分类算法 | 第26-27页 |
| 3.3.2 最小二乘支持向量机的参数选择 | 第27-28页 |
| 3.4 实验结果与分析 | 第28-32页 |
| 3.5 本章小结 | 第32-33页 |
| 4 基于波段子集的ICA特征提取方法的LS-SVM高光谱影像分类 | 第33-40页 |
| 4.1 引言 | 第33页 |
| 4.2 两种成分分析方法 | 第33-34页 |
| 4.2.1 主成分分析 | 第33-34页 |
| 4.2.2 独立分量分析 | 第34页 |
| 4.3 基于波段子集的ICA特征提取的高光谱影像分类 | 第34-35页 |
| 4.3.1 波段子集的划分 | 第34-35页 |
| 4.3.2 波段子集的ICA特征提取流程 | 第35页 |
| 4.4 实验分析 | 第35-39页 |
| 4.4.1 实验方法 | 第35-36页 |
| 4.4.2 实验结果与分析 | 第36-39页 |
| 4.5 本章小结 | 第39-40页 |
| 5 基于粒子群算法的高光谱影像的波段选择和参数优化 | 第40-47页 |
| 5.1 引言 | 第40页 |
| 5.2 基本粒子群算法 | 第40-41页 |
| 5.3 粒子群改进算法 | 第41-43页 |
| 5.3.1 标准粒子群算法 | 第41-42页 |
| 5.3.2 自适应粒子群算法 | 第42-43页 |
| 5.3.3 离散二进制粒子群算法 | 第43页 |
| 5.4 PSO优化高光谱影像波段和LS-SVM模型参数 | 第43-45页 |
| 5.4.1 粒子设计 | 第43-44页 |
| 5.4.2 适应度函数 | 第44页 |
| 5.4.3 PSOLS-SVM的优化算法的流程 | 第44-45页 |
| 5.5 实验结果与分析 | 第45-46页 |
| 5.6 本章小结 | 第46-47页 |
| 6 总结与展望 | 第47-49页 |
| 6.1 总结 | 第47页 |
| 6.2 展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 攻读学位期间主要的研究成果目录 | 第53-54页 |
| 致谢 | 第54页 |
