| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景及选题依据 | 第9-10页 |
| 1.2 主动学习算法 | 第10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.4 存在的问题 | 第13-14页 |
| 1.5 研究内容和技术路线 | 第14-16页 |
| 1.6 论文组织结构 | 第16-18页 |
| 第2章 高光谱影像主动学习分类策略与理论 | 第18-27页 |
| 2.1 主动学习理论 | 第18-20页 |
| 2.1.1 概述 | 第18页 |
| 2.1.2 分类 | 第18-20页 |
| 2.2 高光谱遥感影像 | 第20-22页 |
| 2.2.1 高光谱遥感影像数据特点 | 第20页 |
| 2.2.2 数据模型 | 第20-21页 |
| 2.2.3 Hughes现象 | 第21-22页 |
| 2.3 实验高光谱数据 | 第22-26页 |
| 2.3.1 AVIRIS实验数据 | 第22-24页 |
| 2.3.2 ROSIS实验数据 | 第24-25页 |
| 2.3.3 实验结果判断准则 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于多样性采样的主动学习高光谱影像分类 | 第27-44页 |
| 3.1 概述 | 第27-28页 |
| 3.2 相关工作 | 第28-32页 |
| 3.2.1 支持向量机（SVM） | 第28-31页 |
| 3.2.2 欧氏距离（Eucidean-Distance） | 第31页 |
| 3.2.3 信息熵（Entropy-based） | 第31-32页 |
| 3.2.4 期望误差 | 第32页 |
| 3.3 样本选择方法 | 第32-35页 |
| 3.3.1 多样性准则 | 第32-33页 |
| 3.3.2 最小期望误差准则 | 第33-35页 |
| 3.4 分类过程描述 | 第35页 |
| 3.5 实验结果与分析 | 第35-42页 |
| 3.5.1 AVIRIS和ROSIS数据分类结果 | 第37-41页 |
| 3.5.2 训练样本数量对分类结果的影响 | 第41-42页 |
| 3.5.3 算法时间复杂度 | 第42页 |
| 3.6 小结 | 第42-44页 |
| 第4章 基于角度LSH的高光谱影像主动学习分类 | 第44-55页 |
| 4.1 概述 | 第44-45页 |
| 4.2 相关工作 | 第45-46页 |
| 4.2.1 支持向量机理论（SVM） | 第45页 |
| 4.2.2 Hash函数 | 第45页 |
| 4.2.3 基于距离的Hash解决方法 | 第45-46页 |
| 4.3 基于角度的LSH方法 | 第46-48页 |
| 4.4 分类过程描述 | 第48页 |
| 4.5 实验结果与分析 | 第48-54页 |
| 4.5.1 AVIRIS和ROSIS数据集分类结果 | 第50-53页 |
| 4.5.2 采样时间 | 第53-54页 |
| 4.5.3 计算时间复杂度 | 第54页 |
| 4.6 小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读学位期间取得学术成果 | 第63页 |