| 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11-14页 |
| 第一章 绪论 | 第14-26页 |
| 1.1 高光谱遥感技术简介 | 第14-15页 |
| 1.2 高光谱遥感成像 | 第15-16页 |
| 1.3 高光谱遥感的研究目的与意义 | 第16-17页 |
| 1.4 高光谱地物分类方法发展及存在问题 | 第17-24页 |
| 1.4.1 监督分类方法 | 第17-20页 |
| 1.4.2 半监督分类方法 | 第20-22页 |
| 1.4.3 无监督分类方法 | 第22-23页 |
| 1.4.4 存在的问题 | 第23-24页 |
| 1.5 论文架构与内容安排 | 第24-26页 |
| 第二章 基于子空间学习和稀疏编码的高光谱影像地物分类 | 第26-42页 |
| 2.1 基于子空间学习和稀疏编码的分类算法 | 第26-29页 |
| 2.1.1 稀疏保持投影 | 第26-27页 |
| 2.1.2 拉普拉斯组稀疏编码分类器 | 第27-29页 |
| 2.2 基于子空间学习和稀疏编码的高光谱影像地物分类 | 第29-31页 |
| 2.3 实验结果与分析 | 第31-41页 |
| 2.3.1 实验条件 | 第31-35页 |
| 2.3.2 Indiana Pines数据实验结果与分析 | 第35-37页 |
| 2.3.3 Salinas数据实验结果与分析 | 第37-38页 |
| 2.3.4 PaviaU数据实验结果与分析 | 第38-39页 |
| 2.3.5 PaviaC数据实验结果与分析 | 第39-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第三章 基于稀疏低秩回归的高光谱影像地物分类 | 第42-52页 |
| 3.1 回归模型 | 第42-43页 |
| 3.1.1 多元线性回归模型 | 第42-43页 |
| 3.1.2 Lasso回归模型 | 第43页 |
| 3.2 稀疏低秩回归算法 | 第43-44页 |
| 3.3 基于稀疏低秩回归的高光谱影像地物分类 | 第44-45页 |
| 3.4 实验结果与分析 | 第45-51页 |
| 3.4.1 Indaina Pines数据实验结果与分析 | 第46-47页 |
| 3.4.2 Salinas数据实验结果与分析 | 第47-48页 |
| 3.4.3 PaviaU数据实验结果与分析 | 第48-49页 |
| 3.4.4 PaviaC数据实验结果分析 | 第49-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 基于虚拟标签回归的半监督高光谱影像地物分类 | 第52-64页 |
| 4.1 基于虚拟标签回归的半监督分类 | 第52-55页 |
| 4.1.1 随机游走图的构建 | 第52-53页 |
| 4.1.2 虚拟标签获取 | 第53-54页 |
| 4.1.3 基于虚拟标签回归的半监督分类 | 第54-55页 |
| 4.2 基于虚拟标签回归的高光谱影像地物分类 | 第55-56页 |
| 4.3 实验结果与分析 | 第56-62页 |
| 4.3.1 Indiana Pines数据实验结果与分析 | 第57-58页 |
| 4.3.2 Salinas数据实验结果与分析 | 第58-59页 |
| 4.3.3 PaviaU数据实验结果与分析 | 第59-60页 |
| 4.3.4 PaviaC数据实验结果与分析 | 第60-62页 |
| 4.4 本章小结 | 第62-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64页 |
| 5.2 展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-74页 |
| 作者简介 | 第74-75页 |
