摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第1章 绪论 | 第14-28页 |
1.1 课题背景及研究的目的和意义 | 第14-15页 |
1.2 国内外研究现状 | 第15-24页 |
1.2.1 高光谱图像分类方法研究现状 | 第15-18页 |
1.2.2 高光谱图像特征提取方法研究现状 | 第18-19页 |
1.2.3 迁移学习方法研究现状 | 第19-21页 |
1.2.4 植被监测及参量反演方法研究现状 | 第21-24页 |
1.3 文献综述简析 | 第24-25页 |
1.4 主要研究内容及论文结构安排 | 第25-28页 |
第2章 高光谱图像分析及分类技术基础 | 第28-42页 |
2.1 引言 | 第28页 |
2.2 高光谱图像的三种模式 | 第28-30页 |
2.3 高光谱图像数据特性分析 | 第30-36页 |
2.3.1 高光谱图像的熵特性 | 第31-32页 |
2.3.2 高光谱图像的维数特性 | 第32-34页 |
2.3.3 高光谱图像的相关特性 | 第34-36页 |
2.4 高光谱图像地物分类技术基础 | 第36-41页 |
2.4.1 高光谱图像地物特征分类 | 第37-39页 |
2.4.2 高光谱图像植被组分参量分析 | 第39-41页 |
2.5 本章小结 | 第41-42页 |
第3章 基于光谱信息提取的分类研究 | 第42-64页 |
3.1 引言 | 第42-43页 |
3.2 基于局部Fisher判别的特征选择算法 | 第43-48页 |
3.2.1 Fisher判别分析及FisherScore | 第43-45页 |
3.2.2 基于局部判别的特征选择 | 第45-46页 |
3.2.3 分组的局部判别特征优化选择 | 第46-48页 |
3.3 基于图像光谱特征的融合分类算法 | 第48-51页 |
3.3.1 光谱吸收特征 | 第49-50页 |
3.3.2 光谱导数特征 | 第50-51页 |
3.4 实验结果与分析 | 第51-63页 |
3.4.1 高光谱图像实验数据 | 第51-53页 |
3.4.2 特征选择实验结果与分析 | 第53-58页 |
3.4.3 特征融合实验结果与分析 | 第58-63页 |
3.5 本章小结 | 第63-64页 |
第4章 基于知识迁移的高光谱图像特征融合分类 | 第64-86页 |
4.1 引言 | 第64页 |
4.2 迁移学习的基本理论 | 第64-69页 |
4.2.1 迁移学习的类型 | 第66-67页 |
4.2.2 迁移学习的方法 | 第67-69页 |
4.3 集成网络学习的高光谱图像分类方法 | 第69-78页 |
4.3.1 集成学习算法 | 第69-70页 |
4.3.2 网络集成学习算法 | 第70-72页 |
4.3.3 结合迁移网络学习的高光谱图像集成分类方法 | 第72-78页 |
4.4 实验结果与分析 | 第78-85页 |
4.4.1 高光谱图像实验数据 | 第78-81页 |
4.4.2 实验结果与分析 | 第81-85页 |
4.5 本章小结 | 第85-86页 |
第5章 高光谱植被参量反演及应用 | 第86-110页 |
5.1 引言 | 第86页 |
5.2 基于参量组分反演的高光谱植被分析 | 第86-94页 |
5.2.1 高光谱植被光谱曲线特性分析 | 第86-88页 |
5.2.2 高光谱植被参量组分反演方法 | 第88-92页 |
5.2.3 高光谱植被生化参量敏感度分析 | 第92-94页 |
5.3 基于参量组分图差异的植被生长状态变化分析 | 第94-104页 |
5.3.1 基于灰度差分的植被生长状态变化分析 | 第94-96页 |
5.3.2 变化检测性能评估 | 第96-98页 |
5.3.3 实验结果与分析 | 第98-104页 |
5.4 高光谱植被组分参量反演应用 | 第104-109页 |
5.4.1 实验数据介绍及分析 | 第104页 |
5.4.2 高光谱遥感图像植被易燃性分析 | 第104-109页 |
5.5 本章小结 | 第109-110页 |
结论 | 第110-112页 |
参考文献 | 第112-126页 |
附录A 本文所用图表清单 | 第126-129页 |
附录B 本文所用缩写词汇表 | 第129-131页 |
攻读博士学位期间发表的论文 | 第131-133页 |
致谢 | 第133-135页 |
个人简历 | 第135页 |