| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 高光谱图像降维的国内外研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 第2章 高光谱图像降维方法 | 第13-19页 |
| 2.1 高光谱图像特性 | 第13-14页 |
| 2.1.1 高光谱图像的空间相关性 | 第13-14页 |
| 2.1.2 高光谱图像的谱间相关性 | 第14页 |
| 2.2 线性数据降维方法 | 第14-15页 |
| 2.3 非线性数据降维方法 | 第15-17页 |
| 2.3.1 核方法数据降维方法 | 第15-16页 |
| 2.3.2 流形学习数据降维方法 | 第16-17页 |
| 2.4 基于排序的数据降维方法 | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第3章 基于ILPP和TWILPP算法的高光谱图像降维 | 第19-46页 |
| 3.1 局部保留投影算法 | 第19-22页 |
| 3.1.1 算法的原理 | 第19-21页 |
| 3.1.2 算法的流程 | 第21页 |
| 3.1.3 算法的特点 | 第21-22页 |
| 3.2 基于光谱-空间信息融合的LPP算法 | 第22-24页 |
| 3.2.1 光谱角 | 第22-23页 |
| 3.2.2 空间距离 | 第23页 |
| 3.2.3 光谱-空间信息融合的权值矩阵构造 | 第23-24页 |
| 3.2.4 算法的流程 | 第24页 |
| 3.3 基于三种权值矩阵和薛定谔特征映射的LPP算法 | 第24-28页 |
| 3.3.1 薛定谔特征映射 | 第25-26页 |
| 3.3.2 相似性权值矩阵 | 第26页 |
| 3.3.3 差异性权值矩阵 | 第26-27页 |
| 3.3.4 局部邻域权值矩阵 | 第27页 |
| 3.3.5 三种拉普拉斯矩阵的映射模型 | 第27页 |
| 3.3.6 算法的流程 | 第27-28页 |
| 3.4 实验 | 第28-45页 |
| 3.4.1 实验环境和实验数据 | 第28-31页 |
| 3.4.2 实验评估指标 | 第31-32页 |
| 3.4.3 实验过程 | 第32-33页 |
| 3.4.4 ILPP算法的实验结果分析 | 第33-37页 |
| 3.4.5 2 ILPP和TWILPP算法的实验结果分析 | 第37-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于TWSVM-RFE和MRMR联合算法的高光谱图像降维 | 第46-62页 |
| 4.1 TWSVM-RFE算法 | 第46-47页 |
| 4.2 MRMR算法 | 第47-48页 |
| 4.3 基于TWSVM-RFE和MRMR的联合算法 | 第48-51页 |
| 4.3.1 TWSVM-RFE和MRMR的联合 | 第48-49页 |
| 4.3.2 算法的流程 | 第49-51页 |
| 4.4 实验 | 第51-61页 |
| 4.4.1 实验数据 | 第51-53页 |
| 4.4.3 实验过程 | 第53页 |
| 4.4.4 实验结果分析 | 第53-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 结论与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录1 攻读硕士学位期间发表的论文 | 第69-70页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第70-71页 |
| 详细摘要 | 第71-75页 |
