| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-19页 |
| ·课题研究背景和意义 | 第10-13页 |
| ·课题研究背景 | 第10-11页 |
| ·课题研究意义 | 第11-13页 |
| ·本课题国内外研究现状 | 第13-18页 |
| ·传统遥感分类技术 | 第13-15页 |
| ·基于核技术遥感分类技术 | 第15-16页 |
| ·Boosting思想 | 第16页 |
| ·多特征组合技术 | 第16-18页 |
| ·本文的主要工作 | 第18页 |
| ·本文的各章节安排 | 第18-19页 |
| 2 基于核学习的高光谱影像分类技术研究 | 第19-32页 |
| ·引言 | 第19页 |
| ·支持向量机算法概述 | 第19-23页 |
| ·支持向量机（SVM）原理 | 第19-20页 |
| ·线性可分问题 | 第20-21页 |
| ·线性不可分问题 | 第21-22页 |
| ·非线性问题 | 第22-23页 |
| ·多类分类问题 | 第23页 |
| ·组合核学习算法概述 | 第23-25页 |
| ·直加核 | 第24页 |
| ·权重相加核 | 第24页 |
| ·交叉信息核 | 第24-25页 |
| ·多核学习算法概述 | 第25-27页 |
| ·多核学习框架 | 第25-26页 |
| ·简单多核学习（Simple MKL） | 第26-27页 |
| ·实验与分析 | 第27-31页 |
| ·数据与研究区 | 第27页 |
| ·传统遥感分类结果 | 第27-29页 |
| ·基于核学习高光谱分类结果 | 第29-30页 |
| ·核学习分类与传统统计模式识别方法对比 | 第30-31页 |
| ·本章总结 | 第31-32页 |
| 3 高光谱影像空间特征研究分析 | 第32-44页 |
| ·高光谱影像空间特征提取 | 第32-38页 |
| ·均值、方差特征 | 第32-33页 |
| ·灰度共生矩阵 | 第33-36页 |
| ·多尺度小波特征 | 第36-37页 |
| ·多尺度形态学特征 | 第37-38页 |
| ·实验 | 第38-42页 |
| ·空间纹理特征提取 | 第39-41页 |
| ·空间纹理特征测试 | 第41-42页 |
| ·分析与展望 | 第42-44页 |
| 4 基于多核Boosting多特征组合算法研究 | 第44-55页 |
| ·引言 | 第44页 |
| ·基于矢量叠加的多特征组合 | 第44-45页 |
| ·基于组合核的多特征组合 | 第45-47页 |
| ·直加核组合特征 | 第45-46页 |
| ·权重相加核组合特征 | 第46页 |
| ·交叉信息核组合特征 | 第46-47页 |
| ·基于多核学习的多特征组合 | 第47页 |
| ·基于多核Boosting的多特征组合 | 第47-51页 |
| ·Boosting思想 | 第47-48页 |
| ·Boosting算法实现步骤 | 第48-49页 |
| ·多核Boosting算法及实现 | 第49-51页 |
| ·实验一 | 第51-52页 |
| ·研究数据 | 第51-52页 |
| ·分类结果与分析 | 第52页 |
| ·实验二 | 第52-55页 |
| ·实验数据 | 第52-53页 |
| ·多特征提取步骤 | 第53-54页 |
| ·实验总结与分析 | 第54-55页 |
| 5 基于多核Boosting多特征组合高光谱影像分类实例 | 第55-65页 |
| ·实验一：AVIRIS数据 | 第55-59页 |
| ·实验数据 | 第55页 |
| ·纹理特征提取 | 第55-57页 |
| ·多特征组合 | 第57-59页 |
| ·试验二：PAVIA数据实验 | 第59-65页 |
| ·实验数据 | 第59页 |
| ·Pavia纹理特征提取 | 第59-61页 |
| ·Pavia多特征组合 | 第61-65页 |
| 6 总结与展望 | 第65-67页 |
| ·总结 | 第65页 |
| ·创新点 | 第65-66页 |
| ·展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士期间取得的成果 | 第73页 |