| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 高光谱遥感图像主要特点与应用 | 第8页 |
| 1.3 遥感图像地物分类研究现状 | 第8-10页 |
| 1.3.1 非监督分类 | 第9页 |
| 1.3.2 监督分类 | 第9-10页 |
| 1.4 论文的创新点 | 第10页 |
| 1.5 论文的内容安排 | 第10-12页 |
| 第二章 高光谱遥感图像中的维数灾难 | 第12-19页 |
| 2.1 维数灾难的产生原因 | 第12页 |
| 2.2 维数灾难问题的实验设计 | 第12-14页 |
| 2.3 实际数据中的维数灾难测试 | 第14-17页 |
| 2.3.1 华盛顿广场数据 | 第14-17页 |
| 2.3.2 印第安纳农田数据 | 第17页 |
| 2.4 维数灾难的规避方法 | 第17页 |
| 2.5 本章小结 | 第17-19页 |
| 第三章 高光谱遥感图像降维方法 | 第19-27页 |
| 3.1 高光谱图像降维技术 | 第19-21页 |
| 3.1.1 线性降维方法介绍 | 第20页 |
| 3.1.2 非线性降维方法介绍 | 第20-21页 |
| 3.2 流形方法的研究现状 | 第21-22页 |
| 3.3 常见的流形降维方法 | 第22-24页 |
| 3.3.1 等距映射算法 | 第22-23页 |
| 3.3.2 局部线性嵌入算法 | 第23-24页 |
| 3.4 流形算法在模拟数据中的实验 | 第24-26页 |
| 3.5 实验结果分析 | 第26页 |
| 3.6 本章小结 | 第26-27页 |
| 第四章 基于图像欧氏距离的高光谱图像流形降维算法 | 第27-39页 |
| 4.1 高光谱图像的非线性和空间关系 | 第27-28页 |
| 4.2 高光谱中的图像欧氏距离 | 第28-30页 |
| 4.3 结合空间关系的流形降维方法 | 第30页 |
| 4.3.1 基于图像欧氏距离的局部线性嵌入算法 | 第30页 |
| 4.3.2 基于图像欧氏距离的等距映射算法 | 第30页 |
| 4.4 算法复杂度 | 第30-31页 |
| 4.5 实验数据 | 第31-32页 |
| 4.6 实验结果 | 第32-37页 |
| 4.6.1 分块数据一 | 第32-35页 |
| 4.6.2 分块数据二 | 第35-36页 |
| 4.6.3 全图分类 | 第36-37页 |
| 4.7 本章小结 | 第37-39页 |
| 第五章 基于高光谱图像光谱角的自组织神经网络分类方法 | 第39-47页 |
| 5.1 自组织神经网络介绍 | 第39-41页 |
| 5.2 光谱角匹配方法 | 第41-42页 |
| 5.3 高光谱遥感数据中的同物异谱分析 | 第42页 |
| 5.4 光谱角匹配自组织神经网络算法 | 第42-43页 |
| 5.5 实验数据 | 第43-45页 |
| 5.5.1 华盛顿广场数据 | 第43-45页 |
| 5.5.2 印第安纳农田数据 | 第45页 |
| 5.6 实验结果与分析 | 第45页 |
| 5.7 本章小结 | 第45-47页 |
| 第六章 总结与展望 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 攻读硕士学位期间发表论文 | 第52-53页 |
| 致谢 | 第53-54页 |