| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 降维技术的研究现状 | 第11-12页 |
| 1.2.2 半监督分类的研究现状 | 第12-13页 |
| 1.3 论文内容及结构安排 | 第13-15页 |
| 第2章 高光谱图像降维及分类理论介绍 | 第15-33页 |
| 2.1 引言 | 第15页 |
| 2.2 高光谱图像降维处理 | 第15-19页 |
| 2.2.1 特征提取 | 第15-17页 |
| 2.2.2 特征选择 | 第17-19页 |
| 2.3 高光谱图像分类技术 | 第19-29页 |
| 2.3.1 一般分类流程 | 第19-20页 |
| 2.3.2 监督分类 | 第20-25页 |
| 2.3.3 无监督分类 | 第25-26页 |
| 2.3.4 半监督分类 | 第26-27页 |
| 2.3.5 分类评价指标 | 第27-29页 |
| 2.4 高光谱图像数据集 | 第29-32页 |
| 2.4.1 ROSIS帕维亚大学数据集 | 第29页 |
| 2.4.2 KSC肯迪尼航天中心数据集 | 第29-30页 |
| 2.4.3 AVIRIS印第安纳数据集 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于烟花算法的高光谱图像降维 | 第33-49页 |
| 3.1 降维的必要性 | 第33-34页 |
| 3.2 烟花算法 | 第34-37页 |
| 3.2.1 烟花算法基本原理 | 第34-37页 |
| 3.2.2 烟花算法流程 | 第37页 |
| 3.3 基于FWA降维的高光谱图像分类 | 第37-39页 |
| 3.3.1 度量准则确定 | 第37-38页 |
| 3.3.2 算法流程 | 第38-39页 |
| 3.4 仿真实验与结果分析 | 第39-48页 |
| 3.4.1 实验环境及数据 | 第39-40页 |
| 3.4.2 实验参数的选取 | 第40-42页 |
| 3.4.3 算法复杂度及评价指标 | 第42-43页 |
| 3.4.4 实验结果分析 | 第43-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 一种增强差异性的Tri-training算法 | 第49-61页 |
| 4.1 Tri-training算法 | 第49-51页 |
| 4.1.1 Tri-training算法原理 | 第49-51页 |
| 4.1.2 Tri-training算法存在的问题 | 第51页 |
| 4.2 改进的Tri-training算法半监督分类 | 第51-54页 |
| 4.2.1 分类器多样化 | 第51-52页 |
| 4.2.2 基于标记类别的分层抽样 | 第52页 |
| 4.2.3 算法流程 | 第52-54页 |
| 4.3 仿真实验与结果分析 | 第54-59页 |
| 4.3.1 实验环境及数据 | 第54页 |
| 4.3.2 实验设置及性能评价指标 | 第54-55页 |
| 4.3.3 AVIRIS印第安纳数据集实验 | 第55-56页 |
| 4.3.4 ROSIS帕维亚大学数据集实验 | 第56-58页 |
| 4.3.5 KSC肯尼迪航天中心数据集实验 | 第58-59页 |
| 4.4 本章小结 | 第59-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-70页 |
| 攻读学士学位期间发表的论文和取得的科研成果 | 第70-71页 |
| 致谢 | 第71页 |
