| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究意义 | 第10-11页 |
| 1.2 国内外研究现状和发展态势 | 第11-14页 |
| 1.3 本论文研究内容和结构 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14页 |
| 1.3.2 论文结构框架 | 第14-16页 |
| 第二章 高光谱图像流形学习算法分类 | 第16-25页 |
| 2.1 线性流形学习降维方法 | 第16-19页 |
| 2.1.1 主成分分析 | 第16-18页 |
| 2.1.2 线性判别分析 | 第18页 |
| 2.1.3 其它线性流形学习算法 | 第18-19页 |
| 2.2 非线性流形学习降维方法 | 第19-23页 |
| 2.2.1 等距映射算法 | 第19-21页 |
| 2.2.2 局部线性嵌入算法 | 第21-22页 |
| 2.2.3 局部切空间分析算法 | 第22-23页 |
| 2.2.4 其它非线性流形学习算法 | 第23页 |
| 2.3 线性和非线性流形学习效果比较 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 高光谱图像流形学习降维框架 | 第25-33页 |
| 3.1 数据采样 | 第26-28页 |
| 3.1.1 局部曲率变化采样 | 第26-27页 |
| 3.1.2 Min-max采样 | 第27-28页 |
| 3.1.3 随机采样 | 第28页 |
| 3.2 流形学习 | 第28-29页 |
| 3.3 未采样数据点嵌入 | 第29-30页 |
| 3.4 数据分类验证以及精度评价 | 第30-32页 |
| 3.4.1 KNN分类 | 第30-31页 |
| 3.4.2 精度评价 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 流形学习L1范数增强原理 | 第33-41页 |
| 4.1 L1范数与L2范数异同 | 第33-35页 |
| 4.2 L1范数与L2范数优化 | 第35-36页 |
| 4.3 基于L1范数Isomap邻域关系图 | 第36-38页 |
| 4.4 基于L1范数数据嵌入 | 第38-39页 |
| 4.5 监督邻域关系图 | 第39-40页 |
| 4.6 本章小结 | 第40-41页 |
| 第五章 基于流形学习高光谱图像降维应用 | 第41-70页 |
| 5.1 数据集介绍 | 第41-42页 |
| 5.2 采样方法比较 | 第42-44页 |
| 5.3 基于L1范数算法优化 | 第44-50页 |
| 5.3.1 基于L1范数Isomap算法验证 | 第44-47页 |
| 5.3.2 基于L1范数LLE算法验证 | 第47-49页 |
| 5.3.3 监督邻域图算法验证 | 第49-50页 |
| 5.4 流形学习在高光谱遥感图像降维中的应用 | 第50-68页 |
| 5.4.1 Salinas-A高光谱图像降维 | 第50-59页 |
| 5.4.2 Indian Pines高光谱图像降维 | 第59-64页 |
| 5.4.3 Salinas高光谱图像降维 | 第64-68页 |
| 5.5 本章小结 | 第68-70页 |
| 第六章 结论和展望 | 第70-72页 |
| 6.1 总结 | 第70页 |
| 6.2 展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士期间发表论文 | 第79-80页 |