基于高光谱遥感图像分类的水域变化检测
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·研究背景及意义 | 第8页 |
| ·国内外研究发展 | 第8-12页 |
| ·高光谱遥感发展历程 | 第8-10页 |
| ·高光谱遥感图像分类研究现状 | 第10-11页 |
| ·遥感技术水域动态变化检测研究现状 | 第11-12页 |
| ·本文研究内容和组织结构 | 第12-13页 |
| 2 高光谱遥感图像分类 | 第13-23页 |
| ·高光谱遥感分类概念及特点 | 第13-14页 |
| ·高光谱遥感图像分类原理 | 第13页 |
| ·高光谱遥感图像分类的特点 | 第13-14页 |
| ·遥感图像分类使用的主要特征 | 第14-15页 |
| ·光谱特征 | 第15页 |
| ·纹理特征 | 第15页 |
| ·空间结构特征 | 第15页 |
| ·传统的高光谱遥感图像分类方法 | 第15-19页 |
| ·监督分类 | 第15-18页 |
| ·非监督分类 | 第18-19页 |
| ·分类精度评价 | 第19-20页 |
| ·验证数据集 | 第20-22页 |
| ·Indian Pines数据集 | 第20页 |
| ·Pavia University数据集 | 第20-21页 |
| ·Salinas数据集 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 3 结合主动学习和滤波后处理的高光谱图像分类方法 | 第23-31页 |
| ·多项逻辑回归 | 第23-24页 |
| ·基于不确定采样的主动学习法 | 第24页 |
| ·引导滤波 | 第24-25页 |
| ·实验结果及分析 | 第25-30页 |
| ·实验参数设定 | 第25-26页 |
| ·Indian Pines数据实验 | 第26-28页 |
| ·Pavia Univesity数据实验 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 4 基于局部保持投影的稀疏表示分类方法 | 第31-39页 |
| ·局部Fisher判别分析法 | 第31-32页 |
| ·K近邻稀疏表示分类 | 第32-33页 |
| ·K近邻法 | 第32页 |
| ·Tikhonov正则化子空间稀疏表示分类 | 第32-33页 |
| ·实验结果及分析 | 第33-38页 |
| ·Pavia University数据实验 | 第33-36页 |
| ·Salinas数据实验 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 5 基于高光谱图像分类的水域变化检测 | 第39-45页 |
| ·研究背景 | 第39页 |
| ·水域变化检测原理 | 第39-41页 |
| ·水体信息提取常用方法及比较分析 | 第40-41页 |
| ·水域变化检测 | 第41页 |
| ·遥感影像水域变化检测 | 第41-44页 |
| ·数据选择 | 第41页 |
| ·高光谱图像实验结果 | 第41-44页 |
| ·本章小结 | 第44-45页 |
| 6 总结与展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 攻读硕士学位期间取得的研究成果和参与项目 | 第51-52页 |
| 致谢 | 第52页 |
