| 摘要 | 第5-8页 |
| Abstract | 第8-10页 |
| 英文缩略词 | 第14-16页 |
| 英文部分 | 第16-169页 |
| 第一章 Introduction | 第16-30页 |
| 1.1 Remote sensing | 第16-20页 |
| 1.1.1 Hyperspectral Image | 第18-19页 |
| 1.1.2 LiDAR Data | 第19-20页 |
| 1.2 Problem Statement | 第20-27页 |
| 1.2.1 Feature Extraction and Fusion | 第21-25页 |
| 1.2.2 Classification | 第25页 |
| 1.2.3 Chanlenges | 第25-27页 |
| 1.3 Contributions | 第27-29页 |
| 1.4 Structure of the Thesis | 第29-30页 |
| 第二章 Supervised Feature Extraction of Remote Sensing Data | 第30-66页 |
| 2.1 Introduction | 第31-38页 |
| 2.1.1 Unsupervised Feature Extraction Methods | 第31-32页 |
| 2.1.2 Supervised Feature Extraction Methods | 第32-36页 |
| 2.1.3 Proposed Supervised Local Feature Extraction Methods | 第36-38页 |
| 2.2 Discriminative Supervised Neighborhood Preserving Embedding (DSNPE) | 第38-54页 |
| 2.2.1 Neighborhood Preserving Embedding (NPE) | 第38-40页 |
| 2.2.2 Proposed DSNPE | 第40-43页 |
| 2.2.3 Experiments | 第43-54页 |
| 2.3 PCA-based Supervised Locality Preserving Projection (PSLPP) | 第54-63页 |
| 2.3.1 Locality preserving projection | 第54-56页 |
| 2.3.2 Proposed PSLPP | 第56-58页 |
| 2.3.3 Experiments | 第58-63页 |
| 2.4 Conclusions | 第63-66页 |
| 第三章 Semi-supervised Feature Extraction of Remote Sensing Data | 第66-109页 |
| 3.1 Introduction | 第67-73页 |
| 3.1.1 Semi-supervised learning | 第68-70页 |
| 3.1.2 Semi-supervised Feature extraction | 第70-71页 |
| 3.1.3 Proposed Semi-supervised Feature extraction | 第71-73页 |
| 3.2 Improved Semi-supervised Local Discriminant Analysis (ISELD) | 第73-80页 |
| 3.2.1 Semi-supervised Local Discriminant Analysis (SELD) | 第74-75页 |
| 3.2.2 Proposed ISELD | 第75-77页 |
| 3.2.3 Experimental Results | 第77-80页 |
| 3.3 Semi-supervised Graph Learning (SEGL) | 第80-100页 |
| 3.3.1 Proposed SEGL | 第80-84页 |
| 3.3.2 Experiments and Results | 第84-100页 |
| 3.4 Improved Semi-supervised Graph Learning (ISEGL) | 第100-107页 |
| 3.4.1 Morphological Attribute Profiles With Partial Reconstruction | 第100-102页 |
| 3.4.2 Proposed ISEGL | 第102-104页 |
| 3.4.3 Experimental Results | 第104-107页 |
| 3.5 Conclusions | 第107-109页 |
| 第四章 Classification Based on Joint Cloud-shadow Hyperspectral and LiDAR Data | 第109-137页 |
| 4.1 Introduction | 第110-114页 |
| 4.2 Proposed Framework | 第114-127页 |
| 4.2.1 Morphological Attribute Profiles | 第116-120页 |
| 4.2.2 Multiple Feature Classification | 第120-123页 |
| 4.2.3 Cloud-shadow Detection | 第123-124页 |
| 4.2.4 Co-training Samples Selection | 第124-127页 |
| 4.2.5 Classification Map Fusion | 第127页 |
| 4.3 Experiments | 第127-136页 |
| 4.3.1 Data Description | 第127-129页 |
| 4.3.2 Experimental Setup | 第129-130页 |
| 4.3.3 Effect of Number of Nearest Neighbors for Co-training Selection | 第130-131页 |
| 4.3.4 Classification Results on the data set | 第131-136页 |
| 4.4 Conclusion | 第136-137页 |
| 第五章 GPU-Acceleration for Non-linear Feature Extraction | 第137-152页 |
| 5.1 Introduction | 第137-140页 |
| 5.2 Related Background | 第140-145页 |
| 5.2.1 GPU Architecture | 第140-142页 |
| 5.2.2 KPCA | 第142-145页 |
| 5.3 Parallel Version of KPCA on GPU | 第145-148页 |
| 5.4 Experiments and Results | 第148-150页 |
| 5.5 Conclusion | 第150-152页 |
| 第六章 Conclusions and Future Works | 第152-158页 |
| 6.1 Conclusions | 第152-156页 |
| 6.1.1 Supervised Feature Extraction | 第153-154页 |
| 6.1.2 Semi-supervised Feature Extraction | 第154-155页 |
| 6.1.3 Fusion of HS Image and LiDAR Data | 第155-156页 |
| 6.1.4 GPU-based Non-linear Feature Extraction | 第156页 |
| 6.2 Future Research | 第156-158页 |
| 参考文献 | 第158-169页 |
| 攻读博士学位期间取得的研究成果 | 第169-173页 |
| 致谢 | 第173-174页 |
| 附中文缩写版 | 第174-279页 |
| 第一章 简介 | 第175-186页 |
| 1.1 遥感 | 第175-178页 |
| 1.2 背景介绍 | 第178-184页 |
| 1.3 本文主要贡献 | 第184-186页 |
| 第二章 有监督特征提取算法 | 第186-212页 |
| 2.1 简介 | 第186-190页 |
| 2.2 判别有监督邻域保留嵌入法 (DSNPE) | 第190-203页 |
| 2.3 有监督邻域保留投影法 | 第203-207页 |
| 2.4 结论 | 第207-212页 |
| 第三章 半监督特征提取 | 第212-238页 |
| 3.1 简介 | 第213-214页 |
| 3.2 改进的半监督局部判别分析 (ISELD) | 第214-221页 |
| 3.3 半监督图学习 (SEGL) | 第221-234页 |
| 3.4 改进的 SEGL | 第234-237页 |
| 3.5 结论 | 第237-238页 |
| 第四章 融合超光谱图像和 Li DAR 数据的分类 | 第238-258页 |
| 4.1 简介 | 第238-241页 |
| 4.2 方法架构 | 第241-251页 |
| 4.3 实验 | 第251-256页 |
| 4.4 结论 | 第256-258页 |
| 第五章 基于 GPU 的非线性特征提取算法的并行实现 | 第258-268页 |
| 5.1 简介 | 第258-259页 |
| 5.2 相关背景 | 第259-263页 |
| 5.3 KPCA 在 GPU 中的并行实现 | 第263-265页 |
| 5.4 实验及结果 | 第265-267页 |
| 5.5 结论 | 第267-268页 |
| 第六章 结论与未来工作 | 第268-272页 |
| 6.1 结论 | 第268-270页 |
| 6.2 研究展望 | 第270-272页 |
| 参考文献 | 第272-279页 |
| 附答辩决议 | 第279-280页 |
