| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 遥感图像目标识别 | 第8-9页 |
| 1.3 遥感图像分割 | 第9-10页 |
| 1.4 本文研究内容和结构安排 | 第10-11页 |
| 第二章 1范数支持向量机在高光谱图像地物分类中的应用 | 第11-21页 |
| 2.1 支持向量机 | 第11-13页 |
| 2.1.1 最优分类面 | 第11-12页 |
| 2.1.2 SVM算法 | 第12-13页 |
| 2.2 1范数支持向量机 | 第13-15页 |
| 2.3 仿真实验 | 第15-19页 |
| 2.3.1 高光谱图像数据 | 第15-18页 |
| 2.3.2 1-norm SVM 的实验结果 | 第18-19页 |
| 2.4 本章小结 | 第19-21页 |
| 第三章 基于等距映射像素分布流算法的高光谱图像地物分割 | 第21-43页 |
| 3.1 流形学习回顾 | 第21-24页 |
| 3.1.1 常用的流形学习算法 | 第21-23页 |
| 3.1.2 等距映射算法(ISOMAP) | 第23-24页 |
| 3.2 等距映射像素分布流(ISOMAP PD-Flow) | 第24-31页 |
| 3.2.1 算法的基本假设 | 第24-27页 |
| 3.2.2 算法流程 | 第27-28页 |
| 3.2.3 统计信息差值序列中的变化信息找到边界 | 第28-29页 |
| 3.2.4 对分割出的地物块进行类别标记 | 第29-31页 |
| 3.3 仿真实验 | 第31-41页 |
| 3.3.1 ISOMAP算法处理高光谱图像 | 第31-35页 |
| 3.3.2 等距映射像素分布流算法处理高光谱图像 | 第35-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 针对高光谱图像地物分割结果的边界点校正方法 | 第43-51页 |
| 4.1 k近邻算法及其改进 | 第43-44页 |
| 4.2 边界点校正方法 | 第44-47页 |
| 4.2.1 校正的可行性研究 | 第44-46页 |
| 4.2.2 校正方法 | 第46-47页 |
| 4.3 仿真实验 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 总结和展望 | 第51-53页 |
| 5.1 论文总结 | 第51页 |
| 5.2 工作展望 | 第51-53页 |
| 致谢 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 研究生期间的研究成果 | 第59-60页 |
