基于流形学习算法的高光谱图像分类和异常检测
| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 所用英文缩写名称一览表 | 第8-10页 |
| 所用符号一览表 | 第10-14页 |
| 1 绪论 | 第14-25页 |
| ·课题研究的目的和意义 | 第14-15页 |
| ·高光谱遥感 | 第15-17页 |
| ·高光谱图像降维 | 第17-20页 |
| ·高光谱图像分类和异常检测 | 第20-23页 |
| ·本文研究内容和组织结构 | 第23-25页 |
| 2 流形学习算法 | 第25-49页 |
| ·引言 | 第25页 |
| ·图嵌入框架 | 第25-27页 |
| ·流形学习算法 | 第27-39页 |
| ·基于核的流形学习泛化方法 | 第39-45页 |
| ·降维结果比较 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 3 流形学习算法在高光谱图像分类中的性能比较研究 | 第49-85页 |
| ·引言 | 第49页 |
| ·高光谱数据的非线性结构 | 第49-51页 |
| ·有监督流形学习算法 | 第51-54页 |
| ·基于流形学习算法的高光谱图像分类实验结果及分析 | 第54-84页 |
| ·本章小结 | 第84-85页 |
| 4 基于有监督局部流形学习算法的加权k近邻分类器 | 第85-103页 |
| ·引言 | 第85-86页 |
| ·kNN分类器 | 第86-87页 |
| ·基于有监督局部流形学习算法的加权kNN分类器 | 第87-90页 |
| ·实验结果及分析 | 第90-102页 |
| ·本章小结 | 第102-103页 |
| 5 基于流形学习算法的高光谱图像异常检测 | 第103-132页 |
| ·引言 | 第103-104页 |
| ·异常信息对背景特性的影响 | 第104-110页 |
| ·基于LLE算法的高光谱图像子块内异常检测 | 第110-120页 |
| ·基于LTSA算法的高光谱图像异常检测 | 第120-131页 |
| ·本章小结 | 第131-132页 |
| 6 总结与展望 | 第132-136页 |
| ·本文的主要研究结果 | 第132-133页 |
| ·本文创新之处说明 | 第133-134页 |
| ·本文进一步的研究方向 | 第134-136页 |
| 致谢 | 第136-137页 |
| 参考文献 | 第137-150页 |
| 附录1 攻读博士学位期间发表学术论文目录 | 第150-151页 |
| 附录2 发表学术论文与博士学位论文的关系 | 第151-152页 |
| 附录3 攻读博士学位期间参与的项目 | 第152页 |
