|
|
|
基于EO-1 Hyperion高光谱遥感图像的地表物分类研究 |
|
论文目录 |
|
摘要 | 第3-4页 | Abstract | 第4页 | 1 引言 | 第9-18页 | 1.1 高光谱遥感图像概述 | 第9-12页 | 1.1.1 高光谱遥感图像的概念和特点 | 第9-11页 | 1.1.2 高光谱遥感图像的发展过程 | 第11-12页 | 1.2 课题研究的背景和意义 | 第12-13页 | 1.3 课题研究的国内外研究现状 | 第13-17页 | 1.3.1 高光谱遥感图像国内研究现状 | 第13-15页 | 1.3.2 高光谱遥感图像国外研究现状 | 第15-17页 | 1.4 研究内容与组织结构安排 | 第17页 | 1.5 本章小结 | 第17-18页 | 2 研究区概况及图像数据预处理 | 第18-26页 | 2.1 研究区概况介绍 | 第18页 | 2.2 遥感图像数据获取 | 第18页 | 2.3 高光谱遥感图像数据预处理 | 第18-24页 | 2.3.1 高光谱遥感图像中非正常像元分类 | 第19页 | 2.3.2 未标定和受水汽影响波段的去除 | 第19-20页 | 2.3.3 绝对辐射值变换 | 第20页 | 2.3.4 坏线修复技术 | 第20-21页 | 2.3.5 Smile效应以及条纹去除 | 第21-22页 | 2.3.6 遥感图像大气纠正 | 第22-24页 | 2.4 技术指标评价体系——混淆矩阵与Kappa系数法 | 第24-25页 | 2.5 本章小结 | 第25-26页 | 3 高光谱遥感图像分类 | 第26-38页 | 3.1 遥感图像分类概述 | 第26页 | 3.2 遥感图像分类流程 | 第26-29页 | 3.2.1 基于特征提取的最小噪声分离 | 第28-29页 | 3.2.2 纯净像元指数(PPI)端元提取 | 第29页 | 3.3 分类方法 | 第29-37页 | 3.3.1 K-means算法 | 第29-30页 | 3.3.2 ISODATA分类算法 | 第30-32页 | 3.3.3 人工神经网络 | 第32-35页 | 3.3.4 光谱角填图 | 第35-37页 | 3.4 本章小结 | 第37-38页 | 4 高光谱遥感图像分类精度评价 | 第38-46页 | 4.1 监督分类与非监督分类 | 第38-41页 | 4.2 不同分类算法精度评价 | 第41-45页 | 4.2.1 K-means算法分类结果分析 | 第41-42页 | 4.2.2 lsodata算法分类结果分析 | 第42-43页 | 4.2.3 Neural Net算法分类结果分析 | 第43页 | 4.2.4 光谱角算法分类结果分析 | 第43-45页 | 4.3 结果分析与总结 | 第45页 | 4.4 本章小结 | 第45-46页 | 5 总结与展望 | 第46-47页 | 5.1 总结 | 第46页 | 5.2 展望 | 第46-47页 | 致谢 | 第47-48页 | 参考文献 | 第48-52页 | 作者简介 | 第52页 |
|
|
|
|
论文编号BS4639790,这篇论文共52页 会员购买按0.35元/页下载,共需支付18.2元。 直接购买按0.5元/页下载,共需要支付26元 。 |
|
|
我还不是会员,注册会员!
会员下载更优惠!充值送钱! |
我只需要这篇,无需注册!
直接网上支付,方便快捷! |
|
|
|
版权申明:本目录由www.jylw.com网站制作,本站并未收录原文,如果您是作者,需要删除本篇论文目录请通过QQ或其它联系方式告知我们,我们承诺24小时内删除。 |
|
|