声明
摘要
第一章 绪论
1.1 研究背景
1.1.1 遥感技术发展概述
1.1.2 高光谱遥感影像地物分类概述
1.1.3 高光谱遥感数据降维的必要性
1.2 研究目的与意义
1.3 研究内容与创新
1.4 论文架构安排
第二章 高光谱遥感影像降维方法
2.1 遥感影像降维算法
2.1.1 特征选择降维算法
2.1.2 特征提取降维算法
2.2 基于稀疏性的降维算法
2.2.1 基于稀疏性的特征选择算法
2.2.2 基于稀疏保持投影的降维算法
2.2.3 稀疏无监督降维模型
2.3 本章小结
第三章 基于KerSparseBand和多特征集成的高光谱影像降维算法
3.1 基于压缩感知的特征选择算法
3.1.1 压缩感知理论
3.1.2 基于压缩感知的降维算法
3.2 基于KerSparseBand和多特征集成的高光谱影像降维算法
3.3 基于KerSparseBand的分类算法
3.4 实验结果与分析
3.4.1 实验数据库介绍
3.4.2 分类精度评价指标
3.4.3 在Indian Pines高光谱数据库上的实验结果
3.4.4 在Salinas-A高光谱数据库上的实验结果
3.4.5 在Pavia Centre-A高光谱数据库上的实验结果
3.4.6 实验分析
3.5 本章小结
第四章 基于双几何约束的半监督高光谱影像波段降维算法
4.1 半监督降维学习
4.2 子空间投影降维算法
4.3 基于双几何约束的半监督子空间投影降维算法
4.3.1 基于稀疏表示的几何结构矩阵
4.3.2 基于样本的标签信息的相异矩阵
4.3.3 基于局部一致性的几何结构矩阵
4.3.4 基于双几何结构的子空间投影
4.4 实验结果与分析
4.4.1 在Indian Pines高光谱数据集上得实验结果
4.4.2 实验分析
4.5 本章小结
第五章 基于低秩表示和局部一致性的半监督降维方法
5.1 基于成对约束的半监督降维算法
5.1.1 SSDR的判别项
5.1.2 SSDR的正则项
5.2 低秩表示
5.3 基于低秩表示和局部一致性的半监督降维算法
5.4 实验结果与分析
5.4.1 在Indian Pines高光谱数据集上得实验结果
5.4.2 在Salinas-A高光谱数据集上得实验结果
5.4.3 实验分析
5.5 本章小结
第六章 总结与展望
6.1 本论文内容总结
6.2 工作展望
致谢
参考文献
研究成果