| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 高光谱遥感图像的发展历程及应用 | 第8-9页 |
| 1.2 高光谱遥感图像的特点 | 第9-11页 |
| 1.3 高光谱遥感图像技术的研究现状 | 第11-12页 |
| 1.4 本文的主要研究内容 | 第12-16页 |
| 2 高光谱遥感图像特征提取及分类方法 | 第16-36页 |
| 2.1 传统特征提取方法 | 第16-21页 |
| 2.1.1 主成分分析(PCA) | 第16-18页 |
| 2.1.2 线性判别分析(LDA) | 第18-20页 |
| 2.1.3 多维尺度分析(MDS) | 第20-21页 |
| 2.2 流形学习方法 | 第21-28页 |
| 2.2.1 局部线性嵌入(LLE) | 第21-23页 |
| 2.2.2 等距特征映射(ISOMAP) | 第23-25页 |
| 2.2.3 拉普拉斯特征映射(LE) | 第25-26页 |
| 2.2.4 邻域保持嵌入(NPE) | 第26-27页 |
| 2.2.5 局部保持投影(LPP) | 第27-28页 |
| 2.3 高光谱遥感图像的分类方法 | 第28-32页 |
| 2.3.1 k最近邻分类(k-NN) | 第28-29页 |
| 2.3.2 光谱角制图分类(SAM) | 第29-30页 |
| 2.3.3 支持向量机分类(SVM) | 第30-32页 |
| 2.4 高光谱遥感图像分类精度的评价方法 | 第32-33页 |
| 2.4.1 混淆矩阵(Confusion Matrix) | 第32页 |
| 2.4.2 生产者精度(Producer Accuracy) | 第32-33页 |
| 2.4.3 使用者精度(User Accuracy) | 第33页 |
| 2.4.4 总体精度(Overall Accuracy) | 第33页 |
| 2.4.5 Kappa系数(Kappa Coefficient) | 第33页 |
| 2.5 本章小结 | 第33-36页 |
| 3 面向高光谱遥感图像分类的半监督Laplace鉴别嵌入 | 第36-48页 |
| 3.1 引言 | 第36-37页 |
| 3.2 谱图理论 | 第37页 |
| 3.3 半监督Laplace鉴别嵌入算法 | 第37-40页 |
| 3.3.1 SSLDE算法原理 | 第37-39页 |
| 3.3.2 SSLDE算法步骤 | 第39-40页 |
| 3.4 实验结果与分析 | 第40-47页 |
| 3.4.1 KSC数据集 | 第40-43页 |
| 3.4.2 Urban数据集 | 第43-45页 |
| 3.4.3 算法复杂度比较 | 第45-46页 |
| 3.4.4 实验结论分析 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 面向高光谱遥感图像分类的半监督丛流形学习 | 第48-64页 |
| 4.1 引言 | 第48页 |
| 4.2 丛流形学习 | 第48-50页 |
| 4.3 半监督的丛流形学习 | 第50-53页 |
| 4.3.1 SSBML算法原理 | 第50-52页 |
| 4.3.2 SSBML算法步骤 | 第52-53页 |
| 4.4 实验与分析 | 第53-63页 |
| 4.4.1 KSC数据集 | 第54-58页 |
| 4.4.2 Pavia U数据集 | 第58-62页 |
| 4.4.3 实验结论分析 | 第62-63页 |
| 4.5 本章小结 | 第63-64页 |
| 5 总结与展望 | 第64-68页 |
| 5.1 本文工作总结 | 第64-65页 |
| 5.2 研究展望 | 第65-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 附录 | 第74页 |
| A. 作者在攻读硕士学位期间发表的论文 | 第74页 |
