| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 绪论 | 第9-19页 |
| ·研究背景 | 第9-14页 |
| ·遥感技术发展概述 | 第9页 |
| ·高光谱遥感影像地物分类概述 | 第9-13页 |
| ·高光谱遥感数据降维的必要性 | 第13-14页 |
| ·研究目的与意义 | 第14-16页 |
| ·研究内容与创新 | 第16页 |
| ·论文架构安排 | 第16-19页 |
| 第二章 高光谱遥感影像降维方法 | 第19-29页 |
| ·遥感影像降维算法 | 第19-25页 |
| ·特征选择降维算法 | 第19-22页 |
| ·特征提取降维算法 | 第22-25页 |
| ·基于稀疏性的降维算法 | 第25-27页 |
| ·基于稀疏性的特征选择算法 | 第25-26页 |
| ·基于稀疏保持投影的降维算法 | 第26页 |
| ·稀疏无监督降维模型 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第三章 基于 KerSparseBand 和多特征集成的高光谱影像降维算法 | 第29-49页 |
| ·基于压缩感知的特征选择算法 | 第29-31页 |
| ·压缩感知理论 | 第29-30页 |
| ·基于压缩感知的降维算法 | 第30-31页 |
| ·基于 KerSparseBand 和多特征集成的高光谱影像降维算法 | 第31-33页 |
| ·基于 KerSparseBand 的分类算法 | 第33-35页 |
| ·实验结果与分析 | 第35-46页 |
| ·实验数据库介绍 | 第35-38页 |
| ·分类精度评价指标 | 第38-39页 |
| ·在 Indian Pines 高光谱数据库上的实验结果 | 第39-41页 |
| ·在 Salinas-A 高光谱数据库上的实验结果 | 第41-42页 |
| ·在 Pavia Centre-A 高光谱数据库上的实验结果 | 第42-43页 |
| ·实验分析 | 第43-46页 |
| ·本章小结 | 第46-49页 |
| 第三章 基于双几何约束的半监督高光谱影像波段降维算法 | 第49-63页 |
| ·半监督降维学习 | 第49-50页 |
| ·子空间投影降维算法 | 第50-51页 |
| ·基于双几何约束的半监督子空间投影降维算法 | 第51-55页 |
| ·基于稀疏表示的几何结构矩阵 | 第51-52页 |
| ·基于样本的标签信息的相异矩阵 | 第52页 |
| ·基于局部一致性的几何结构矩阵 | 第52-53页 |
| ·基于双几何结构的子空间投影 | 第53-55页 |
| ·实验结果与分析 | 第55-61页 |
| ·在 Indian Pines 高光谱数据集上得实验结果 | 第55-56页 |
| ·实验分析 | 第56-61页 |
| ·本章小结 | 第61-63页 |
| 第五章 基于低秩表示和局部一致性的半监督降维方法 | 第63-75页 |
| ·基于成对约束的半监督降维算法 | 第63-64页 |
| ·SSDR 的判别项 | 第63-64页 |
| ·SSDR 的正则项 | 第64页 |
| ·低秩表示 | 第64-66页 |
| ·基于低秩表示和局部一致性的半监督降维算法 | 第66-68页 |
| ·实验结果与分析 | 第68-73页 |
| ·在 Indian Pines 高光谱数据集上得实验结果 | 第68-70页 |
| ·在 Salinas-A 高光谱数据集上得实验结果 | 第70-71页 |
| ·实验分析 | 第71-73页 |
| ·本章小结 | 第73-75页 |
| 总结与展望 | 第75-77页 |
| ·本论文内容总结 | 第75页 |
| ·工作展望 | 第75-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-87页 |
| 研究成果 | 第87-88页 |
