| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 高光谱图像的特点及应用 | 第10-12页 |
| 1.2.1 高光谱图像的数据特点 | 第10-11页 |
| 1.2.2 高光谱图像的应用领域 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 本文的主要内容和组织结构 | 第14-16页 |
| 1.4.1 研究内容 | 第14-15页 |
| 1.4.2 论文框架 | 第15-16页 |
| 2 高光谱图像特征提取及分类算法 | 第16-34页 |
| 2.1 引言 | 第16页 |
| 2.2 高光谱图像特征提取算法 | 第16-26页 |
| 2.2.1 全局线性特征提取算法 | 第16-19页 |
| 2.2.2 非线性流形学习算法 | 第19-23页 |
| 2.2.3 线性流形学习算法 | 第23-26页 |
| 2.3 高光谱图像分类算法 | 第26-30页 |
| 2.3.1 k最近邻分类(kNN) | 第27-28页 |
| 2.3.2 光谱角制图分类(SAM) | 第28页 |
| 2.3.3 支持向量机分类(SVM) | 第28-30页 |
| 2.4 分类精度评价指标 | 第30-31页 |
| 2.4.1 混淆矩阵 | 第30-31页 |
| 2.4.2 总体分类精度 | 第31页 |
| 2.4.3 平均分类精度 | 第31页 |
| 2.4.4 Kappa系数 | 第31页 |
| 2.5 高光谱图像数据集 | 第31-33页 |
| 2.5.1 University of Pavia数据集 | 第31-32页 |
| 2.5.2 Salinas数据集 | 第32-33页 |
| 2.5.3 Urban数据集 | 第33页 |
| 2.6 本章小结 | 第33-34页 |
| 3 基于空-谱协同嵌入算法的高光谱图像分类 | 第34-50页 |
| 3.1 引言 | 第34页 |
| 3.2 相关原理分析 | 第34-36页 |
| 3.2.1 图嵌入理论 | 第34-35页 |
| 3.2.2 图像空间信息 | 第35-36页 |
| 3.3 空-谱协同嵌入算法 | 第36-41页 |
| 3.3.1 SSCD度量近邻 | 第37-38页 |
| 3.3.2 SSCE算法原理 | 第38-40页 |
| 3.3.3 SSCNN分类原理 | 第40页 |
| 3.3.4 SSCE算法步骤 | 第40-41页 |
| 3.4 实验结果与分析 | 第41-49页 |
| 3.4.1 实验设置 | 第41-43页 |
| 3.4.2 PaviaU数据集实验结果 | 第43-46页 |
| 3.4.3 Salinas数据集实验结果 | 第46-48页 |
| 3.4.4 实验结论 | 第48-49页 |
| 3.5 本章小结 | 第49-50页 |
| 4 基于流形重构保持嵌入算法的高光谱图像分类 | 第50-64页 |
| 4.1 引言 | 第50页 |
| 4.2 流形重构保持嵌入算法 | 第50-54页 |
| 4.2.1 WMF算法原理 | 第50-51页 |
| 4.2.2 MRPE算法原理 | 第51-53页 |
| 4.2.3 MRPE算法步骤 | 第53-54页 |
| 4.3 实验结果与分析 | 第54-62页 |
| 4.3.1 实验设置 | 第54-57页 |
| 4.3.2 PaviaU数据集实验结果 | 第57-59页 |
| 4.3.3 Urban数据集实验结果 | 第59-62页 |
| 4.3.4 实验结论 | 第62页 |
| 4.4 本章小结 | 第62-64页 |
| 5 总结与展望 | 第64-66页 |
| 5.1 工作总结 | 第64-65页 |
| 5.2 研究展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录 | 第70页 |
| A 作者在攻读硕士学位期间发表的论文 | 第70页 |
| B 作者在攻读硕士学位期间参与的科研项目 | 第70页 |
| C 作者在攻读硕士学位期间的获奖情况 | 第70页 |