| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-25页 |
| 1.1 稀疏表示及字典学习的研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-22页 |
| 1.2.1 稀疏表示及字典学习 | 第14-17页 |
| 1.2.2 稀疏表示及字典学习的应用 | 第17-19页 |
| 1.2.3 遥感图像处理 | 第19-22页 |
| 1.3 本文的主要研究工作 | 第22-25页 |
| 1.3.1 研究的内容 | 第22页 |
| 1.3.2 研究的思路 | 第22-23页 |
| 1.3.3 论文结构 | 第23-25页 |
| 第2章 稀疏表示及字典学习的原理及解的保证 | 第25-39页 |
| 2.1 稀疏表示及字典学习问题模型 | 第25-31页 |
| 2.1.1 吉洪诺夫（Tikhonov）正则化 | 第25-26页 |
| 2.1.2 线性回归 | 第26-27页 |
| 2.1.3 稀疏表示模型 | 第27-31页 |
| 2.2 零空间 | 第31-33页 |
| 2.2.1 spark | 第32页 |
| 2.2.2 零空间属性 | 第32-33页 |
| 2.3 有限等距性 | 第33-35页 |
| 2.3.1 有限等距性的稳定性 | 第34-35页 |
| 2.3.2 测量的约束 | 第35页 |
| 2.4 构造满足RIP的矩阵 | 第35-37页 |
| 2.5 相关性分析 | 第37-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第3章 稀疏表示信号恢复及字典学习算法 | 第39-64页 |
| 3.1 稀疏表示和字典学习的关系 | 第39-40页 |
| 3.2 稀疏信号的1l最小恢复 | 第40-41页 |
| 3.3 稀疏恢复算法 | 第41-50页 |
| 3.3.1 凸优化算法 | 第42-44页 |
| 3.3.2 贪婪算法 | 第44-48页 |
| 3.3.3 贝叶斯方法 | 第48-50页 |
| 3.4 字典学习算法 | 第50-57页 |
| 3.4.1 字典学习的基本原理 | 第50-51页 |
| 3.4.2 MOD和ILS-DLA | 第51-52页 |
| 3.4.3 K-SVD算法 | 第52-53页 |
| 3.4.4 在线字典学习算法 | 第53-56页 |
| 3.4.5 递归最小二乘法字典学习算法 | 第56-57页 |
| 3.5 遥感图像的字典学习算法 | 第57-63页 |
| 3.5.1 多光谱遥感图像的字典学习算法 | 第58-62页 |
| 3.5.2 高光谱遥感图像的字典学习算法 | 第62-63页 |
| 3.6 本章小结 | 第63-64页 |
| 第4章 基于稀疏表示及字典学习的遥感图像去噪 | 第64-83页 |
| 4.1 基于广义高斯模型的局部自适应遥感图像去噪 | 第64-71页 |
| 4.1.1 小波变换原理 | 第64-66页 |
| 4.1.2 基于广义高斯模型的最大后验概率估计 | 第66-69页 |
| 4.1.3 算法设计 | 第69页 |
| 4.1.4 本文对算法的改进 | 第69-70页 |
| 4.1.5 仿真实验 | 第70-71页 |
| 4.1.6 基于广义高斯模型的局部自适应遥感图像去噪总结 | 第71页 |
| 4.2 基于稀疏表示和自适应字典学习的遥感图像去噪 | 第71-77页 |
| 4.2.1 基于压缩感知和字典学习算法的遥感图像去噪 | 第71-73页 |
| 4.2.2 字典学习算法 | 第73-74页 |
| 4.2.3 算法分析 | 第74-75页 |
| 4.2.4 模拟实验 | 第75-77页 |
| 4.2.5 小结 | 第77页 |
| 4.3 基于聚类的组稀疏字典学习多光谱遥感图像去噪算法 | 第77-82页 |
| 4.3.1 算法的基本模型 | 第78-79页 |
| 4.3.2 模型的扩展 | 第79页 |
| 4.3.3 模型的求解算法 | 第79-80页 |
| 4.3.4 实验结论 | 第80-82页 |
| 4.3.5 小结 | 第82页 |
| 4.4 本章小结 | 第82-83页 |
| 第5章 基于稀疏表示及字典学习遥感图像超分辨率重建算法研究 | 第83-95页 |
| 5.1 基于压缩感知的超分辨遥感图像概述 | 第83-84页 |
| 5.2 基于压缩感知的超分辨遥感图像重建模型 | 第84-88页 |
| 5.2.1 基于压缩感知的超分图像重建原理 | 第84-85页 |
| 5.2.2 基于案例块的字典学习 | 第85页 |
| 5.2.3 实验验证 | 第85-88页 |
| 5.2.4 小结 | 第88页 |
| 5.3 基于遥感图像自学习的遥感图像超分重建 | 第88-94页 |
| 5.3.1 自学习遥感图像超分重建原理 | 第89-90页 |
| 5.3.2 自学习遥感图像超分重建方法 | 第90-92页 |
| 5.3.3 实验验证 | 第92-94页 |
| 5.3.4 结论和讨论 | 第94页 |
| 5.4 本章小结 | 第94-95页 |
| 第6章 基于结构性稀疏表示及字典学习的高光谱遥感图像分类 | 第95-105页 |
| 6.1 结构性稀疏表示和字典学习的高光谱遥感图像分类 | 第95-100页 |
| 6.1.1 基于高光谱的字典学习模型 | 第95-96页 |
| 6.1.2 算法 | 第96-97页 |
| 6.1.3 仿真及分析 | 第97-100页 |
| 6.2 基于聚类的稀疏表示和字典学习的高光谱遥感图像分类 | 第100-104页 |
| 6.2.1 基于聚类的稀疏表示和字典学习的高光谱遥感图像分类的基本原理 | 第100-101页 |
| 6.2.2 仿真及分析 | 第101-104页 |
| 6.3 本章小结 | 第104-105页 |
| 总结与讨论 | 第105-108页 |
| （一）主要研究成果及创新点如下： | 第105-107页 |
| （二）存在的问题与展望 | 第107-108页 |
| 致谢 | 第108-109页 |
| 参考文献 | 第109-119页 |
| 攻读学位期间取得学术成果 | 第119页 |
