| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景与意义 | 第15-17页 |
| 1.1.1 高光谱遥感图像的特点与应用 | 第15-16页 |
| 1.1.2 高光谱遥感图像特征降维、波段选择和分类的意义 | 第16-17页 |
| 1.2 国内外研究现状分析 | 第17-20页 |
| 1.2.1 特征选择研究现状分析 | 第17-19页 |
| 1.2.2 特征提取算法研究现状分析 | 第19-20页 |
| 1.2.3 分类算法研究现状分析 | 第20页 |
| 1.3 论文的主要工作及内容安排 | 第20-23页 |
| 第二章 传统降维算法的介绍 | 第23-29页 |
| 2.1 几种典型的特征提取算法 | 第23-25页 |
| 2.1.1 主成分分析法PCA | 第23页 |
| 2.1.2 线性判别分析LDA | 第23-24页 |
| 2.1.3 标度切SC | 第24-25页 |
| 2.2 几种经典的特征选择算法 | 第25-27页 |
| 2.2.1 顺序前进算法SFS | 第25页 |
| 2.2.2 顺序后退算法SBS | 第25-26页 |
| 2.2.3 近邻传播算法AP | 第26-27页 |
| 2.3 总结 | 第27-29页 |
| 第三章 基于张量特征提取的高光谱图像分类 | 第29-47页 |
| 3.1 引言 | 第29页 |
| 3.2 张量及其运算法则介绍 | 第29-31页 |
| 3.3 张量标度切TSC | 第31-34页 |
| 3.4 半监督张量标度切 | 第34-36页 |
| 3.4.1 半监督特征降维框架 | 第34页 |
| 3.4.2 半监督张量标度切STSC | 第34-36页 |
| 3.5 基于张量特征降维的高光谱图像分类方法 | 第36-46页 |
| 3.5.1 实验设计 | 第36-39页 |
| 3.5.2 分类结果与分析 | 第39-44页 |
| 3.5.3 带有类标的训练样本个数对各降维算法性能的影响 | 第44-45页 |
| 3.5.4 不带类标样本个数对STSC算法性能的影响 | 第45-46页 |
| 3.6 总结 | 第46-47页 |
| 第四章 基于深度学习的高光谱遥感图像波段选择 | 第47-61页 |
| 4.1 引言 | 第47页 |
| 4.2 深度学习 | 第47页 |
| 4.3 基于自编码器(AE)的高光谱图像波段选择 | 第47-53页 |
| 4.3.1 基于AE的高光谱图像波段的特征学习 | 第47-50页 |
| 4.3.2 基于Softmax的波段相似性求解 | 第50-52页 |
| 4.3.3 谱聚类选出候选波段集 | 第52-53页 |
| 4.4 基于栈式自编码器SAE的高光谱遥感图像的波段选择 | 第53-54页 |
| 4.5 实验设计 | 第54-59页 |
| 4.5.1 准备实验 | 第54-55页 |
| 4.5.2 分类结果分析 | 第55-57页 |
| 4.5.3 各算法的性能随所选波段数的增加的性能变化情况 | 第57-58页 |
| 4.5.4 对所选择出来的波段进行分析 | 第58-59页 |
| 4.6 总结 | 第59-61页 |
| 第五章 基于多任务联合稀疏表示的高光谱图像分类 | 第61-71页 |
| 5.1 引言 | 第61-62页 |
| 5.2 稀疏表示分类 | 第62-63页 |
| 5.2.1 稀疏表示 | 第62页 |
| 5.2.2 联合稀疏表示 | 第62-63页 |
| 5.3 多任务学习 | 第63-64页 |
| 5.4 基于权重多任务联合稀疏表示分类方法 | 第64-65页 |
| 5.5 基于权重多任务联合稀疏表示高光谱遥感图像分类方法 | 第65-69页 |
| 5.5.1 对比实验 | 第66-68页 |
| 5.5.2 分类性能随邻域窗大小变化的情况 | 第68-69页 |
| 5.6 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 论文总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-81页 |
| 致谢 | 第81-83页 |
| 作者简介 | 第83页 |
