| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究的背景和意义 | 第9-11页 |
| 1.1.1 高光谱遥感的起源和发展 | 第9页 |
| 1.1.2 高光谱遥感的特点 | 第9-10页 |
| 1.1.3 高光谱遥感的应用 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 降维算法研究现状 | 第11-12页 |
| 1.2.2 地物分类研究现状 | 第12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 论文结构安排 | 第13-15页 |
| 第二章 波段选择算法 | 第15-21页 |
| 2.1 熵与联合熵 | 第15页 |
| 2.2 自适应子空间分解 | 第15-16页 |
| 2.3 最佳指数 | 第16-17页 |
| 2.4 自适应波段选择 | 第17-18页 |
| 2.5 基于最大信息量的波段选择方法 | 第18-19页 |
| 2.6 本章小结 | 第19-21页 |
| 第三章 选剔同步的波段选择算法 | 第21-41页 |
| 3.1 选剔同步的波段选择算法 | 第21-25页 |
| 3.1.1 主成分分析 | 第21-22页 |
| 3.1.2 互信息 | 第22-23页 |
| 3.1.3 R-KL系数 | 第23-24页 |
| 3.1.4 算法描述 | 第24-25页 |
| 3.2 实验数据及验证方法 | 第25-31页 |
| 3.2.1 实验数据介绍 | 第25-29页 |
| 3.2.2 最大似然分类算法 | 第29页 |
| 3.2.3 分类评价准则 | 第29-31页 |
| 3.3 实验及结果分析 | 第31-39页 |
| 3.3.1 Indian Pine数据实验 | 第31-34页 |
| 3.3.2 Pavia University数据实验 | 第34-36页 |
| 3.3.3 Salinas数据实验 | 第36-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 基于光谱空间的分类算法研究 | 第41-51页 |
| 4.1 基于光谱空间的分类算法 | 第41-43页 |
| 4.1.1 编码匹配 | 第41-42页 |
| 4.1.2 光谱角匹配 | 第42-43页 |
| 4.1.3 光谱信息散度 | 第43页 |
| 4.2 基于小波变换的光谱角匹配分类算法 | 第43-46页 |
| 4.2.1 连续小波变换 | 第43-44页 |
| 4.2.2 离散小波变换 | 第44页 |
| 4.2.3 离散数字信号的有限级小波分解 | 第44-46页 |
| 4.2.4 算法描述 | 第46页 |
| 4.3 实验及结果分析 | 第46-50页 |
| 4.3.1 Indian Pine数据实验 | 第46-48页 |
| 4.3.2 SalinasA数据实验 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士期间科研成果 | 第57-59页 |
| 致谢 | 第59页 |