題目：Dimensionality Reduction of HyperspectraI Image with Graph-Based Discriminant Analysis Considering Spectral Similarity
作者：ＦengF，LｉＷ，ＤuＱ，ＺhangＢ
時間：Remote Sensing 2017.9 SCI
算法流程圖：
本征圖可視化：
在信噪比越小的資料中，參數λ的值會越大。這是因為信噪比越小，說明資料中有很多噪聲可以影響閉值的選擇，是以，需要一個調節參數來幫助選擇閡值。一般情況下，信噪比越低，則需要更大的調節參數來調整，這樣才能使能容忍的誤差達到應用的要求。對于參數γ，它的作用是調節本征圖的稀疏度。對比圖3-5中的(a)(c),雖然這兩個本征圖具有相同的γ值，但是明顯能看出來，(c)表現的更加稀疏。綜上分析，兩個參數λ和γ在構圖過程中都起到了不可替代的作用。
1）Salians資料集測試結果：
及參數微調結果：
各算法在不同維數的結果：
2）Pavia資料集測試結果：
參數微調結果：
各算法在不同維數的結果：
标準化McNemar測試說明GDA-SS算法在分類精度上的提升對于其他算法是否有意義
算法魯棒性測試：
1)不同距離相似度度量的圖結構分類評估
2)應用噪聲濾波後結果分析