| 致谢1 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-18页 |
| 1.2.1 线性特征提取方法研究现状 | 第14-16页 |
| 1.2.2 非线性特征提取方法研究现状 | 第16-18页 |
| 1.3 研究内容和章节安排 | 第18-20页 |
| 1.3.1 研究内容 | 第18页 |
| 1.3.2 论文章节安排 | 第18-20页 |
| 第2章 高光谱数据降维方法及关键问题分析 | 第20-36页 |
| 2.1 线性高光谱数据降维方法 | 第20-25页 |
| 2.1.1 主成分分析方法 | 第20-23页 |
| 2.1.2 最小噪声分数变换方法 | 第23-25页 |
| 2.2 非线性高光谱数据降维方法 | 第25-29页 |
| 2.2.1 核主成分分析方法 | 第25-27页 |
| 2.2.2 核最小噪声分数变换方法 | 第27-29页 |
| 2.3 核MNF变换中的噪声估计问题分析 | 第29-34页 |
| 2.3.1 空间光谱维去相关的噪声估计算法 | 第29-31页 |
| 2.3.2 噪声估计算法的评价实验 | 第31-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第3章 优化的核最小噪声分数算法OKMNF | 第36-55页 |
| 3.1 OKMNF算法原理 | 第36-41页 |
| 3.1.1 空间光谱信息综合的噪声评估 | 第37-39页 |
| 3.1.2 核化和正则化 | 第39-40页 |
| 3.1.3 OKMNF变换 | 第40-41页 |
| 3.2 实验结果和分析 | 第41-54页 |
| 3.2.1 参数设置 | 第41-43页 |
| 3.2.2 噪声估计算法的评价实验 | 第43-45页 |
| 3.2.3 OKMNF降维方法的实验结果分析 | 第45-54页 |
| 3.3 本章小结 | 第54-55页 |
| 第4章 基于图像分割的KMNF变换算法KM-KMNF | 第55-67页 |
| 4.1 KM-KMNF算法原理 | 第55-58页 |
| 4.1.1 OK-means聚类方法 | 第55-56页 |
| 4.1.2 KM-KMNF算法 | 第56-58页 |
| 4.2 实验结果和分析 | 第58-65页 |
| 4.2.1 基于Pavia University数据实验 | 第58-61页 |
| 4.2.2 基于Indian Pines数据实验 | 第61-65页 |
| 4.3 本章小结 | 第65-67页 |
| 第5章 基于超像元的OKMNF降维分类一体化算法 | 第67-76页 |
| 5.1 SP-OKMNF-SP算法原理 | 第67-70页 |
| 5.1.1 OSLIC超像元分割方法 | 第67-69页 |
| 5.1.2 SP-OKMNF-SP降维分类方法 | 第69-70页 |
| 5.2 实验结果和分析 | 第70-75页 |
| 5.2.1 基于Pavia University数据实验 | 第70-73页 |
| 5.2.2 基于Indian Pines数据实验 | 第73-75页 |
| 5.3 本章小结 | 第75-76页 |
| 第6章 结论与展望 | 第76-78页 |
| 6.1 主要成果和创新点 | 第76-77页 |
| 6.2 未来研究展望 | 第77-78页 |
| 参考文献 | 第78-88页 |
| 作者简历及硕士期间发表的学术论文与研究成果 | 第88-90页 |
| 致谢2 | 第90-91页 |
