| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 缩略语表 | 第10-11页 |
| 1 绪论 | 第11-17页 |
| 1.1 课题研究意义 | 第11页 |
| 1.2 高光谱技术国内外研究进展与发展趋势 | 第11-13页 |
| 1.2.1 国内外研究现状 | 第11-13页 |
| 1.2.2 高光谱技术的发展趋势 | 第13页 |
| 1.3 高光谱成像技术描述 | 第13页 |
| 1.4 主要研究内容及技术路线 | 第13-16页 |
| 1.5 本章内容小结 | 第16-17页 |
| 2 高光谱牧草的采集图像与高光谱数据的预处理 | 第17-30页 |
| 2.1 实验材料 | 第17页 |
| 2.2 高光谱牧草图像采集及高光谱数据处理与步骤相关的技术 | 第17-18页 |
| 2.3 采集的高光谱图像的ROI区域选取及经过ROI提取的光谱数据 | 第18-24页 |
| 2.4 高光谱牧草光谱数据的预处理 | 第24-29页 |
| 2.4.1 标准化处理 | 第25-26页 |
| 2.4.2 多元散射校正 | 第26-27页 |
| 2.4.3 归一化 | 第27-29页 |
| 2.5 本章内容小结 | 第29-30页 |
| 3 高光谱牧草光谱数据的降维 | 第30-36页 |
| 3.1 光谱数据降维的方法概述 | 第30-33页 |
| 3.1.1 主成分分析方法概述 | 第30-31页 |
| 3.1.2 连续投影方法概述 | 第31-32页 |
| 3.1.3 局部线性嵌入方法概述 | 第32-33页 |
| 3.2 高光谱平均光谱数据进行降维 | 第33-35页 |
| 3.2.1 主成分的降维结果 | 第33页 |
| 3.2.2 连续投影的降维结果 | 第33页 |
| 3.2.3 局部保留投影的降维结果 | 第33-35页 |
| 3.3 本章内容小结 | 第35-36页 |
| 4 高光谱牧草光谱数据的分类 | 第36-50页 |
| 4.1 SVM分类法 | 第36-43页 |
| 4.2 最邻近法(1NN) | 第43-44页 |
| 4.3 BP神经网络分类法 | 第44-45页 |
| 4.4 牧草光谱数据的分类结果 | 第45-49页 |
| 4.4.1 支持向量机分类结果 | 第45-47页 |
| 4.4.2 1NN的分类结果 | 第47页 |
| 4.4.3 BP神经网络的分类结果 | 第47-49页 |
| 4.5 本章内容小结 | 第49-50页 |
| 5 基于高光谱技术的牧草叶绿素的估测 | 第50-59页 |
| 5.1 算法概述 | 第50-53页 |
| 5.1.1 偏最小二乘法回归模型进行叶绿素含量估测算法 | 第50-53页 |
| 5.1.2 进行定量分析模型的性能指标 | 第53页 |
| 5.2 叶绿素含量测定的实验材料 | 第53-54页 |
| 5.3 叶绿素含量的化学测量 | 第54页 |
| 5.4 叶绿素含量的估测 | 第54-57页 |
| 5.4.1 连续投影算法对叶绿素含量的估测 | 第54-56页 |
| 5.4.2 BP神经网络对叶绿素含量的估测 | 第56-57页 |
| 5.4.3 偏最小二乘法回归模型对叶绿素含量的估测 | 第57页 |
| 5.5 比较模型对牧草叶绿素含量的估测 | 第57-58页 |
| 5.6 本章内容小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 全文总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-64页 |
