| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第一章 绪论 | 第12-19页 |
| ·研究目的及意义 | 第12-13页 |
| ·国内外研究现状 | 第13-16页 |
| ·高光谱遥感特征提取方法研究现状 | 第13-15页 |
| ·高光谱遥感分类方法研究现状 | 第15-16页 |
| ·研究内容 | 第16页 |
| ·技术路线及关键技术 | 第16-17页 |
| ·取得的主要成果与创新点 | 第17-19页 |
| 第二章 研究区概况及辐射校正 | 第19-33页 |
| ·研究区数据 | 第19-20页 |
| ·研究区概况 | 第20-23页 |
| ·研究区典型矿物波谱分析 | 第23-24页 |
| ·研究区数据辐射校正 | 第24-32页 |
| ·辐射校正概述 | 第24-25页 |
| ·大气校正方法 | 第25-26页 |
| ·基于 FLAASH 的 AVIRIS 高光谱影像大气校正 | 第26-30页 |
| ·FLAASH 大气校正结果分析 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 基于核方法的高光谱图像特征提取 | 第33-60页 |
| ·核函数方法 | 第33-36页 |
| ·核函数方法简介 | 第33-34页 |
| ·核函数性质 | 第34-35页 |
| ·核方法的特点 | 第35-36页 |
| ·基于核主成分分析(KPCA)的高光谱图像特征提取方法 | 第36-39页 |
| ·原始模式 PCA | 第37页 |
| ·对偶模式 PCA | 第37-38页 |
| ·核 PCA | 第38-39页 |
| ·基于核最大/最小自相关因子（KMAF）的高光谱图像特征提取方法 | 第39-42页 |
| ·原始模式 MAF | 第39-40页 |
| ·对偶模式 MAF 及核矩阵构造 | 第40-41页 |
| ·规则化和核 MAF | 第41页 |
| ·执行技巧 | 第41页 |
| ·投影到特征向量 | 第41-42页 |
| ·基于核最小噪声分离变换(KMNF) 的高光谱图像特征提取方法 | 第42-44页 |
| ·原始模式 MNF | 第42-43页 |
| ·对偶模式 MNF 及核矩阵构造 | 第43页 |
| ·噪声白化和核 MNF | 第43-44页 |
| ·执行技巧 | 第44页 |
| ·投影到特征向量 | 第44页 |
| ·KPCA、KMAF、KMNF 算法比较 | 第44-45页 |
| ·基于核方法的高光谱图像特征提取实验 | 第45-59页 |
| ·KPCA 的参数对高光谱遥感图像特征提取的影响 | 第45-50页 |
| ·PCA，KPCA 高光谱遥感图像特征提取对比 | 第50-52页 |
| ·KMAF/KMNF 的参数对高光谱遥感图像特征提取的影响 | 第52-57页 |
| ·KPCA，KMAF/KMNF 高光谱遥感图像特征提取对比 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 第四章 高光谱图像端元波谱提取与分析 | 第60-83页 |
| ·高光谱图像端元提取算法 | 第60-63页 |
| ·散点图端元选择法 | 第60-61页 |
| ·纯像元指数（Pure pixel index，PPI） | 第61-62页 |
| ·N-Findr | 第62页 |
| ·迭代误差分析法（Iterative ErrorAnalysis，IEA） | 第62-63页 |
| ·手工选取方法 | 第63页 |
| ·高光谱图像端元提取实验 | 第63-75页 |
| ·基于 2 维散点图的高光谱图像端元提取实验 | 第63-66页 |
| ·高光谱图像 PPI 端元提取实验 | 第66-75页 |
| ·基于 PCA 的 PPI 端元提取 | 第66-71页 |
| ·基于 KPCA 的 PPI 端元提取 | 第71-73页 |
| ·基于 KMAF/KMNF 的 PPI 端元提取 | 第73-75页 |
| ·端元波谱识别及端元提取方法比较 | 第75-82页 |
| ·PCA 提取的端元识别 | 第76-80页 |
| ·KPCA 提取的端元识别 | 第80-81页 |
| ·KMAF/KMNF 提取的端元识别 | 第81-82页 |
| ·本章小结 | 第82-83页 |
| 第五章 基于波谱特征的高光谱图像分类与信息提取 | 第83-95页 |
| ·波谱匹配算法研究 | 第83-86页 |
| ·二值编码匹配 | 第83-84页 |
| ·光谱角填图（SpectralAngle Mapper，SAM） | 第84页 |
| ·波谱特征拟合(Spectral Feature Fitting，SFF) | 第84-85页 |
| ·匹配滤波（Matched Filtering，MF） | 第85页 |
| ·混合调制匹配滤波（Mixture-Tuned Matched Filtering，MTMF） | 第85-86页 |
| ·基于波谱特征的高光谱图像分类实验 | 第86-91页 |
| ·精度评价 | 第91-94页 |
| ·本章小结 | 第94-95页 |
| 第六章 基于支持向量机的高光谱图像分类及信息提取 | 第95-116页 |
| ·支持向量机的理论基础 | 第95-98页 |
| ·机器学习问题的表示 | 第95页 |
| ·经验风险最小化 | 第95-96页 |
| ·复杂性与推广能力 | 第96页 |
| ·VC 维 | 第96-97页 |
| ·推广性的界 | 第97页 |
| ·结构风险最小化 | 第97-98页 |
| ·支持向量机分类基本原理 | 第98-106页 |
| ·最优分类超平面 | 第99-101页 |
| ·支持向量机 | 第101-102页 |
| ·支持向量机用于高光谱图像分类 | 第102-106页 |
| ·多类支持向量机 | 第102-104页 |
| ·支持向量机高光谱图像分类优化策略 | 第104-106页 |
| ·支持向量机高光谱图像分类实验 | 第106-114页 |
| ·数据维数的影响 | 第106-109页 |
| ·核函数影响 | 第109-111页 |
| ·样本个数影响 | 第111-114页 |
| ·基于波谱特征的高光谱图像分类与基于支持向量机的高光谱图像分类比较 | 第114-115页 |
| ·本章小结 | 第115-116页 |
| 结论与讨论 | 第116-119页 |
| 1 主要研究成果与创新认识 | 第116-117页 |
| 2 存在问题与展望 | 第117-119页 |
| 致谢 | 第119-120页 |
| 参考文献 | 第120-125页 |
| 攻读学位期间取得学术成果 | 第125-126页 |
| 1 参与的主要科研项目 | 第125页 |
| 2 公开发表的论文 | 第125-126页 |
| 附件 | 第126-127页 |
