| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 降维技术的研究现状 | 第11-13页 |
| 1.2.2 半监督分类的研究现状 | 第13-14页 |
| 1.3 论文内容及结构安排 | 第14-16页 |
| 第2章 高光谱图像降维与分类理论 | 第16-36页 |
| 2.1 高光谱图像降维理论 | 第16-21页 |
| 2.1.1 降维的必要性 | 第16页 |
| 2.1.2 特征提取 | 第16-18页 |
| 2.1.3 特征选择 | 第18-21页 |
| 2.2 高光谱图像分类原理 | 第21-31页 |
| 2.2.1 高光谱图像分类流程 | 第21-22页 |
| 2.2.2 监督分类 | 第22-27页 |
| 2.2.3 无监督分类 | 第27-28页 |
| 2.2.4 半监督分类 | 第28-29页 |
| 2.2.5 分类评价指标 | 第29-31页 |
| 2.3 常用的高光谱图像数据集 | 第31-34页 |
| 2.3.1 印第安纳数据集 | 第31-32页 |
| 2.3.2 帕维亚大学数据集 | 第32-33页 |
| 2.3.3 肯迪尼航天中心数据集 | 第33-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第3章 基于改进连续投影算法的高效降维方法 | 第36-48页 |
| 3.1 连续投影算法 | 第36-37页 |
| 3.1.1 连续投影算法基本原理 | 第36页 |
| 3.1.2 连续投影算法基本流程 | 第36-37页 |
| 3.2 基于改进连续投影算法降维的高光谱图像分类 | 第37-39页 |
| 3.2.1 峰度值与偏度值的引入 | 第37-38页 |
| 3.2.2 改进算法的流程 | 第38-39页 |
| 3.3 仿真实验与结果分析 | 第39-47页 |
| 3.3.1 基于6种地物的实验 | 第39-41页 |
| 3.3.2 基于3种玉米的实验 | 第41-42页 |
| 3.3.3 基于3种大豆的实验 | 第42-46页 |
| 3.3.4 与其他算法的对比实验 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 基于改进M-training算法的高光谱图像分类 | 第48-64页 |
| 4.1 M-training算法 | 第48-51页 |
| 4.1.1 M-training算法原理 | 第48-50页 |
| 4.1.2 M-training算法存在的问题 | 第50-51页 |
| 4.2 改进的M-training算法半监督分类 | 第51-54页 |
| 4.2.1 基分类器种类多样化 | 第51-52页 |
| 4.2.2 引入无标签样本错误率 | 第52-53页 |
| 4.2.3 实验步骤及流程图 | 第53-54页 |
| 4.3 仿真实验与结果分析 | 第54-62页 |
| 4.3.1 实验设置 | 第54-55页 |
| 4.3.2 印第安纳数据集实验 | 第55-57页 |
| 4.3.3 帕维亚大学数据集实验 | 第57-60页 |
| 4.3.4 肯尼迪航天中心数据集实验 | 第60-62页 |
| 4.4 本章小结 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第72-74页 |
| 致谢 | 第74页 |