| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 高光谱遥感技术的发展现状 | 第11-12页 |
| 1.3 高光谱图像分类技术研究现状 | 第12-15页 |
| 1.3.1 高光谱图像监督分类方法 | 第13-14页 |
| 1.3.2 高光谱图像无监督分类方法 | 第14页 |
| 1.3.3 高光谱图像半监督分类方法 | 第14-15页 |
| 1.4 论文目标及结构安排 | 第15-17页 |
| 第2章 基于KNN非局部滤波的高光谱图像分类方法 | 第17-31页 |
| 2.1 引言 | 第17-18页 |
| 2.2 SVM分类器 | 第18-20页 |
| 2.2.1 线性SVM分类器 | 第18-19页 |
| 2.2.2 非线性SVM分类器 | 第19-20页 |
| 2.2.3 SVM在高光谱图像分类的运用 | 第20页 |
| 2.3 KNN算法 | 第20-22页 |
| 2.3.1 KNN算法原理 | 第20-21页 |
| 2.3.2 基于KNN非局部滤波器 | 第21-22页 |
| 2.4 基于KNN非局部滤波的高光谱图像分类 | 第22-23页 |
| 2.5 实验 | 第23-30页 |
| 2.5.1 高光谱图像分类精度指标 | 第23-24页 |
| 2.5.2 印度松图像(IndiaP)分类实验 | 第24-27页 |
| 2.5.3 博茨瓦纳草原湿地植被图像(Botswana)分类实验 | 第27-30页 |
| 2.6 本章总结 | 第30-31页 |
| 第3章 联合主动学习与KNN非局部滤波的高光谱图像分类方法 | 第31-43页 |
| 3.1 引言 | 第31-32页 |
| 3.2 主动学习 | 第32-37页 |
| 3.2.1 基于专家委员会的主动学习 | 第33-34页 |
| 3.2.2 基于间隔的主动学习算法 | 第34-35页 |
| 3.2.3 基于后验概率的主动学习算法 | 第35-37页 |
| 3.3 联合主动学习与KNN非局部滤波的高光谱图像分类 | 第37-38页 |
| 3.4 实验 | 第38-42页 |
| 3.4.1 印度松图像(IndiaP)实验 | 第39-41页 |
| 3.4.2 博茨瓦纳草原湿地植被图像(Botswana)实验 | 第41-42页 |
| 3.5 本章总结 | 第42-43页 |
| 第4章 高光谱图像分类软件实现 | 第43-55页 |
| 4.1 开发工具介绍 | 第43-44页 |
| 4.1.1 VS2010与MFC基本类库 | 第43页 |
| 4.1.2 计算机视觉开源库OpenCV | 第43-44页 |
| 4.2 软件结构 | 第44-45页 |
| 4.3 软件界面设计 | 第45-46页 |
| 4.4 软件开发关键技术 | 第46-48页 |
| 4.4.1 基于MFC的界面 | 第46-47页 |
| 4.4.2 高光谱图像分类方法的开发 | 第47-48页 |
| 4.4.3 高光谱图像的基本操作 | 第48页 |
| 4.5 软件的操作 | 第48-54页 |
| 4.5.1 高光谱图像的读取和显示 | 第49-51页 |
| 4.5.2 高光谱图像训练样本的选取 | 第51-52页 |
| 4.5.3 高光谱图像分类方法的选取和参数设置 | 第52-53页 |
| 4.5.4 高光谱图像分类结果 | 第53-54页 |
| 4.6 本章总结 | 第54-55页 |
| 总结与展望 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第64页 |
