| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景 | 第15-20页 |
| 1.1.1 高光谱遥感影像技术的发展概况 | 第15-16页 |
| 1.1.2 高光谱图像地物分类的概述 | 第16-19页 |
| 1.1.3 高光谱数据降维的必要性 | 第19-20页 |
| 1.2 研究目的与意义 | 第20页 |
| 1.3 研究内容与创新 | 第20-23页 |
| 第二章 基于模糊标签的判别子空间投影的高光谱数据降维和分类方法 | 第23-41页 |
| 2.1 模糊标签的概念 | 第23-24页 |
| 2.2 基于模糊标签的拉普拉斯正则项 | 第24-25页 |
| 2.3 基于模糊标签的判别子空间投影方法 | 第25-29页 |
| 2.3.1 子空间投影方法 | 第25-27页 |
| 2.3.2 判别子空间投影方法 | 第27-28页 |
| 2.3.3 FS-DSP优化问题的解决方案 | 第28-29页 |
| 2.4 实验结果分析 | 第29-38页 |
| 2.4.1 实验条件 | 第29-35页 |
| 2.4.2 判别项的性能分析 | 第35页 |
| 2.4.3 FS-DSP与对比算法的分类结果 | 第35-37页 |
| 2.4.4 标记样本数目对性能的影响 | 第37-38页 |
| 2.4.5 对本章算法FS-DSP的参数的性能分析 | 第38页 |
| 2.5 本章小结 | 第38-41页 |
| 第三章 基于混合模糊标签的半监督高光谱数据降维方法 | 第41-53页 |
| 3.1 超像素分割算法的介绍 | 第41-42页 |
| 3.2 基于混合模糊标签的半监督高光谱数据降维方法 | 第42-45页 |
| 3.2.1 混合模糊标签的概念 | 第42-43页 |
| 3.2.2 基于混合模糊标签的高光谱数据降维 | 第43-45页 |
| 3.3 实验结果分析 | 第45-52页 |
| 3.3.1 Indian Pines数据的实验结果 | 第46-47页 |
| 3.3.2 Pavia University数据集上的结果 | 第47-49页 |
| 3.3.3 Salinas-A数据集上的结果 | 第49-51页 |
| 3.3.4 对本章算法的参数的性能分析 | 第51-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 基于自步学习模糊标签的半监督高光谱数据降维方法 | 第53-65页 |
| 4.1 自步学习算法 | 第53-56页 |
| 4.1.1 隐变量模型学习算法 | 第53-54页 |
| 4.1.2 自步学习算法 | 第54-56页 |
| 4.2 基于自步学习模糊标签的降维方法 | 第56-58页 |
| 4.3 实验结果与分析 | 第58-63页 |
| 4.3.1 Indian Pines数据的实验结果 | 第58-60页 |
| 4.3.2 Pavia University数据集上的结果 | 第60-62页 |
| 4.3.3 Salinas-A数据集上的结果 | 第62-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 论文内容总结 | 第65页 |
| 5.2 工作展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-75页 |
| 作者简介 | 第75-76页 |
