| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 高光谱遥感图像分析 | 第12-15页 |
| 1.2.1 高光谱图像数据描述 | 第12-14页 |
| 1.2.2 高光谱图像数据特性 | 第14-15页 |
| 1.3 国内外的研究现状 | 第15-18页 |
| 1.3.1 高光谱图像无监督聚类的研究现状 | 第15-17页 |
| 1.3.2 高光谱图像半监督聚类的研究现状 | 第17-18页 |
| 1.4 本文主要内容和创新点 | 第18-19页 |
| 1.5 本文的组织结构 | 第19-20页 |
| 第二章 基于子空间表示的聚类 | 第20-30页 |
| 2.1 谱聚类算法 | 第20-21页 |
| 2.1.1 相似图 | 第20-21页 |
| 2.1.2 图论的拉普拉斯矩阵 | 第21页 |
| 2.2 低秩子空间聚类算法 | 第21-23页 |
| 2.3 稀疏子空间聚类算法 | 第23-26页 |
| 2.3.1 稀疏优化问题 | 第24-25页 |
| 2.3.2 利用稀疏表示系数进行聚类 | 第25-26页 |
| 2.4 稀疏子空间算法在高光谱图像聚类中的可行性 | 第26-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 基于稀疏子空间算法高光谱图像聚类的相似矩阵构造 | 第30-42页 |
| 3.1 基于稀疏子空间算法的余弦欧式相似矩阵构造 | 第30-32页 |
| 3.2 基于稀疏子空间算法动态加权的余弦欧式矩阵构造 | 第32-33页 |
| 3.3 实验与分析 | 第33-41页 |
| 3.3.1 实验数据描述 | 第34页 |
| 3.3.2 Pavia centre scene数据集上的实验分析 | 第34-37页 |
| 3.3.3 Pavia University scene数据集上的实验分析 | 第37-38页 |
| 3.3.4 两个数据集上聚类表现的评价 | 第38-40页 |
| 3.3.5 讨论 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于稀疏子空间算法类概率模型的高光谱图像聚类 | 第42-59页 |
| 4.1 稀疏表示分类代表的类概率 | 第42-43页 |
| 4.2 基于稀疏子空间算法的类概率传递 | 第43-47页 |
| 4.2.1 CPPSSC的数学模型 | 第44-45页 |
| 4.2.2 通过ADMM迭代求解CPPSSC算法 | 第45-47页 |
| 4.3 相关实验与分析 | 第47-56页 |
| 4.3.1 实验数据集介绍 | 第47-48页 |
| 4.3.2 CPPSSC算法在Pavia University上聚类的定量分析 | 第48-51页 |
| 4.3.3 CPPSSC算法中稀疏表示系数的块对角化 | 第51-52页 |
| 4.3.4 CPPSSC算法在Indian Pines数据集上聚类结果的定量分析 | 第52-54页 |
| 4.3.5 CPPSSC算法在两个数据集上聚类表现的AC和NMI | 第54-55页 |
| 4.3.6 CPPSSC算法在两个数据集上聚类的参数分析 | 第55-56页 |
| 4.4 讨论 | 第56-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间发表的学术论文 | 第66页 |
