| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 高光谱影像数据特点 | 第11-13页 |
| 1.3 国内外现状 | 第13-14页 |
| 1.4 本文的研究内容 | 第14-15页 |
| 1.5 论文的结构安排 | 第15-16页 |
| 2 高光谱数据特征提取算法研究 | 第16-28页 |
| 2.1 引言 | 第16-17页 |
| 2.2 经典线性特征提取算法 | 第17-19页 |
| 2.2.1 主成分分析(PCA) | 第17-18页 |
| 2.2.2 线性判别分析（LDA） | 第18-19页 |
| 2.2.3 经典线性特征提取算法总结 | 第19页 |
| 2.3 非线性流形学习算法 | 第19-24页 |
| 2.3.1 局部线性嵌入（LLE） | 第20-21页 |
| 2.3.2 等距映射算法（ISOMAP） | 第21-23页 |
| 2.3.3 拉普拉斯特征映射算法（LE） | 第23-24页 |
| 2.4 线性流形学习算法 | 第24-26页 |
| 2.4.1 邻域保持嵌入算法（NPE） | 第24-25页 |
| 2.4.2 正交邻域保护嵌入算法（ONPE） | 第25页 |
| 2.4.3 保持近邻判别嵌入算法（NPDE） | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 3 半监督邻域保持嵌入（SSNPE）算法及实验数据分析 | 第28-39页 |
| 3.1 半监督邻域保持嵌入（SSNPE）算法 | 第28-29页 |
| 3.2 半监督邻域保持嵌入（SSNPE）实验结果 | 第29-38页 |
| 3.2.1 Urban 数据集 | 第29-32页 |
| 3.2.2 Botswana 数据集 | 第32-35页 |
| 3.2.3 Indian Pine 数据集 | 第35-38页 |
| 3.3 本章算法总结 | 第38-39页 |
| 4 高光谱影像数据分类算法研究 | 第39-62页 |
| 4.1 高光谱影像数据分类算法 | 第39-47页 |
| 4.1.1 最大似然分类 | 第39-40页 |
| 4.1.2 神经网络算法 | 第40-43页 |
| 4.1.3 支持向量机 | 第43-46页 |
| 4.1.4 K 近邻分类器 | 第46-47页 |
| 4.1.5 小结 | 第47页 |
| 4.2 半监督 K 近邻分类（SSKNN）算法 | 第47-48页 |
| 4.3 奇异值问题的处理 | 第48-49页 |
| 4.4 半监督 K 近邻（SSKNN）算法及实验结果分析 | 第49-61页 |
| 4.4.1 Urban 数据集 | 第49-53页 |
| 4.4.2 Botswana 数据集 | 第53-57页 |
| 4.4.3 Indian Pine 数据集 | 第57-61页 |
| 4.5 本章小结 | 第61-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 本文研究工作总结 | 第62-63页 |
| 5.2 本文研究工作展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69页 |
| A. 攻读硕士学位期间发表的论文目录 | 第69页 |
| B. 参与项目情况 | 第69页 |