| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 高光谱图像解混的背景及意义 | 第9-10页 |
| 1.2 高光谱图像线性解混的发展现状 | 第10-12页 |
| 1.3 论文主要的研究内容及创新点 | 第12-13页 |
| 1.3.1 论文的主要研究内容 | 第12页 |
| 1.3.2 论文的创新点 | 第12-13页 |
| 1.4 论文的章节安排 | 第13-15页 |
| 第二章 高光谱图像解混的基本原理 | 第15-23页 |
| 2.1 高光谱图像线性混合模型 | 第15-16页 |
| 2.2 基于几何学的高光谱图像解混技术 | 第16-18页 |
| 2.2.1 顶点成分分析 | 第16-17页 |
| 2.2.2 MVSA算法 | 第17-18页 |
| 2.3 基于统计学的高光谱图像解混技术 | 第18-21页 |
| 2.3.1 非负矩阵分解 | 第18-20页 |
| 2.3.2 独立成分分析 | 第20-21页 |
| 2.4 本章小结 | 第21-23页 |
| 第三章 群智能优化算法 | 第23-29页 |
| 3.1 群智能优化算法简介 | 第23-24页 |
| 3.2 粒子群优化算法 | 第24-25页 |
| 3.2.1 算法介绍 | 第24页 |
| 3.2.2 算法流程 | 第24-25页 |
| 3.3 蝙蝠优化算法 | 第25-28页 |
| 3.3.1 算法介绍 | 第25-26页 |
| 3.3.2 算法流程 | 第26-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 基于蝙蝠算法优化独立成分分析的高光谱图像解混 | 第29-51页 |
| 4.1 改进的独立成分分析算法 | 第29-30页 |
| 4.2 蝙蝠算法优化基于丰度约束的独立成分分析算法 | 第30-32页 |
| 4.3 仿真数据实验验证 | 第32-42页 |
| 4.3.1 高光谱仿真数据的合成 | 第32-33页 |
| 4.3.2 实验的评价标准 | 第33-34页 |
| 4.3.3 实验的结果分析 | 第34-42页 |
| 4.4 真实遥感数据实验验证 | 第42-49页 |
| 4.4.1 Indiana遥感实验的数据来源 | 第42-43页 |
| 4.4.2 Indiana数据实验的结果分析 | 第43-46页 |
| 4.4.3 Jasper Ridge遥感实验的数据来源 | 第46页 |
| 4.4.4 Jasper Ridge数据实验的结果分析 | 第46-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 基于去噪降维的高光谱图像解混算法 | 第51-66页 |
| 5.1 高光谱图像解混的降维与降噪 | 第51-53页 |
| 5.1.1 主成分分析降维 | 第51-52页 |
| 5.1.2 奇异值分解降噪 | 第52-53页 |
| 5.2 基于奇异值分解去噪的正交子空间投影降维算法 | 第53-54页 |
| 5.3 仿真数据实验验证 | 第54-61页 |
| 5.3.1 仿真数据的来源 | 第54-56页 |
| 5.3.2 去噪降维算法对解混结果的影响 | 第56-61页 |
| 5.4 真实遥感数据实验验证 | 第61-63页 |
| 5.4.1 真实遥感数据的来源 | 第61-62页 |
| 5.4.2 真实遥感数据实验的结果分析 | 第62-63页 |
| 5.5 本章小结 | 第63-66页 |
| 第六章 结论 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读学位期间所取得的相关科研成果 | 第72-74页 |
| 致谢 | 第74页 |
