| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| ACKNOWLEDGEMENTS | 第11-17页 |
| LIST OF ACRONYMS AND ABBREVIATIONS | 第17-19页 |
| Ⅰ. INTRODUCTION | 第19-25页 |
| 1. Introduction | 第21-22页 |
| 2. Motivations | 第22-23页 |
| 3. Objectives of the Study | 第23-24页 |
| 4. Outline | 第24-25页 |
| Ⅱ. BACKGROUND | 第25-39页 |
| 1. Dimensionality Reduction in Hyperspectral Images | 第27-30页 |
| 1.1 Principal Component Analysis (PCA) | 第28-29页 |
| 1.2 Minimum Noise Fraction (MNF) | 第29-30页 |
| 1.3 Independent Component Analysis (ICA): | 第30页 |
| 2. Trigonometric Transforms | 第30-34页 |
| 2.1 Discrete Cosine Transform DCT | 第31-33页 |
| 2.2 Fast Fourier Transform (FFT): | 第33-34页 |
| 3. Classification: | 第34-39页 |
| 3.1 K-NN classifier: | 第35页 |
| 3.2 Support Vector Machine (SVM): | 第35-36页 |
| 3.3 Linear Discriminant Analysis (LDA) | 第36-39页 |
| Ⅲ. SPECTRAL DCT-BASED APPROACH FOR HYPERSPECTRALDIMENSIONALITY REDUCTION (SDCT-DR) | 第39-67页 |
| 1. Introduction | 第41-42页 |
| 2. Proposed approach | 第42-46页 |
| 2.1 Intrinsic dimension | 第43-45页 |
| 2.2 Energy percentage preservation | 第45-46页 |
| 3. Data and Experimental results: | 第46-58页 |
| 3.1 Data | 第46-49页 |
| 3.2 Intrinsic dimension estimation | 第49-54页 |
| 3.3 Evaluation process | 第54-58页 |
| 4. Results and discussion | 第58-66页 |
| 4.1 Classification of Indian Pines Data | 第58-60页 |
| 4.2 Classification of Kennedy Space Center (KSC) | 第60-66页 |
| 5. CONCLUSION: | 第66-67页 |
| Ⅳ. DCT-BASED PREPROCESSING APPROACH FOR ICA(DCT-ICA) | 第67-83页 |
| 1. Introduction | 第69-70页 |
| 2. Independent Component Analysis (ICA): | 第70-72页 |
| 3. Discrete Cosine Transform DCT | 第72-73页 |
| 4. The Proposed (DCT-ICA) Preprocessing Procedure Description | 第73-76页 |
| 5. DATA AND EXPERIMENTAL RESULTS | 第76-77页 |
| 5.1 Data | 第77页 |
| 5.2 Evaluation Process | 第77页 |
| 6. Results and Discussion | 第77-82页 |
| 6.1 Intrinsic dimension criterion | 第77-82页 |
| 7. Conclusion | 第82-83页 |
| Ⅴ. CASCADE SPECTRAL-SPATIAL DISCRETE COSINE TRANSFORMFRAMEWORK (CSS-DCT) FOR HYPERSPECTRAL IMAGERYCLASSIFICATION | 第83-107页 |
| 1. Introduction | 第85-89页 |
| 2. The proposed approach | 第89-94页 |
| 2.1 Spatial Global 2D-DCT filtering approach: | 第91-93页 |
| 2.2 The Spatial Local 2D-DCT filtering approach | 第93-94页 |
| 2.3 Deep learning neural network based Denoising method: | 第94页 |
| 3. Data and evaluation process | 第94-98页 |
| 3.1 Data | 第94-97页 |
| 3.2 Evaluation process | 第97-98页 |
| 4. Results and analysis | 第98-104页 |
| 4.1 Framework configurations evaluation | 第98-99页 |
| 4.2 Parameter Tuning | 第99-102页 |
| 4.3 Effectiveness of the proposed classification framework | 第102-104页 |
| 5. Conclusions | 第104-107页 |
| Ⅵ. CONCLUSIONS AND FUTURE WORK | 第107-111页 |
| 1. Conclusion | 第109页 |
| 2. Thesis New Findings | 第109-110页 |
| 3. Future Work | 第110-111页 |
| Ⅶ. REFERENCES | 第111-119页 |
