| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-21页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 高光谱遥感影像分类技术 | 第8-15页 |
| 1.2.1 高光谱遥感技术 | 第8-11页 |
| 1.2.2 空间数据挖掘 | 第11页 |
| 1.2.3 高光谱影像分类主要方法 | 第11-15页 |
| 1.3 国内外降维技术研究现状 | 第15-20页 |
| 1.3.1 基于特征提取技术的高光谱遥感影像研究现状 | 第17-19页 |
| 1.3.2 基于特征选择技术的高光谱遥感影像研究现状 | 第19-20页 |
| 1.4 研究内容及章节结构 | 第20-21页 |
| 2 基于特征提取的降维算法 | 第21-31页 |
| 2.1 基于谱的特征提取 | 第21-23页 |
| 2.1.1 线性判别分析（LDA）算法 | 第21页 |
| 2.1.2 主成分分析（PCA）算法 | 第21-23页 |
| 2.2 基于空间的特征提取 | 第23-30页 |
| 2.2.1 基于数学形态学 | 第23-26页 |
| 2.2.2 图像分割 | 第26-30页 |
| 2.3 本章小结 | 第30-31页 |
| 3 基于特征选择的降维算法 | 第31-36页 |
| 3.1 特征选择框架 | 第31-35页 |
| 3.1.1 子集产生与搜索策略 | 第31-33页 |
| 3.1.2 基于评价准则划分特征选择方法 | 第33-34页 |
| 3.1.3 停止策略 | 第34-35页 |
| 3.1.4 子集验证 | 第35页 |
| 3.2 本章小结 | 第35-36页 |
| 4 基于谱-空-纹特征融合的高光谱影像分类方法 | 第36-49页 |
| 4.1 引言 | 第36页 |
| 4.2 基于谱-空-纹的特征提取 | 第36-39页 |
| 4.2.1 基于灰度共生矩阵的纹理特征提取 | 第36-37页 |
| 4.2.2 基于数学形态学的空间特征提取 | 第37-38页 |
| 4.2.3 融合谱-空-纹的相似度距离 | 第38-39页 |
| 4.3 谱-空-纹伪近邻分类器 | 第39-40页 |
| 4.3.1 伪近邻分类器 | 第39页 |
| 4.3.2 基于谱-空-纹的伪近邻分类器（SSTPNN） | 第39-40页 |
| 4.4 实验结果分析 | 第40-47页 |
| 4.4.1 实验数据 | 第40-43页 |
| 4.4.2 实验参数 | 第43-44页 |
| 4.4.3 实验评价 | 第44-47页 |
| 4.5 本章小结 | 第47-49页 |
| 5 基于GANBPSO-SVM的高光谱影像特征选择方法 | 第49-58页 |
| 5.1 引言 | 第49页 |
| 5.2 粒子群优化算法 | 第49-51页 |
| 5.2.1 经典的粒子群算法（PSO） | 第49-50页 |
| 5.2.2 二进制粒子群算法（BPSO） | 第50页 |
| 5.2.3 新的二进制粒子群优化算法（NBPSO） | 第50-51页 |
| 5.3 GANBPSO-SVM的特征选择与分类 | 第51-53页 |
| 5.4 实验结果分析 | 第53-57页 |
| 5.4.1 实验数据 | 第53页 |
| 5.4.2 实验参数 | 第53页 |
| 5.4.3 实验评价 | 第53-57页 |
| 5.5 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-67页 |
| 攻读硕士学位期间发表学术论文情况 | 第67-68页 |
| 致谢 | 第68页 |
