| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-17页 |
| 1.2.1 图像去噪 | 第11-15页 |
| 1.2.2 高光谱图像去噪 | 第15-17页 |
| 1.3 论文组织结构 | 第17-18页 |
| 2 图像去噪基础 | 第18-32页 |
| 2.1 噪声模型 | 第18-20页 |
| 2.1.1 高斯白噪声 | 第18-19页 |
| 2.1.2 椒盐噪声 | 第19页 |
| 2.1.3 散粒噪声 | 第19页 |
| 2.1.4 其它图像噪声 | 第19-20页 |
| 2.1.5 高光谱图像噪声 | 第20页 |
| 2.2 图像先验 | 第20-29页 |
| 2.2.1 非局部自相似性 | 第21-22页 |
| 2.2.2 稀疏表达 | 第22-23页 |
| 2.2.3 低秩表达 | 第23-26页 |
| 2.2.4 高斯混合模型 | 第26-28页 |
| 2.2.5 全变分 | 第28-29页 |
| 2.3 评价指标 | 第29-32页 |
| 3 基于低秩高斯先验的图像去噪 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 算法 | 第32-38页 |
| 3.2.1 高斯先验去噪算法 | 第33-34页 |
| 3.2.2 参数μ的估计 | 第34-35页 |
| 3.2.3 参数∑的估计 | 第35-36页 |
| 3.2.4 迭代正则化 | 第36-38页 |
| 3.3 实验 | 第38-42页 |
| 3.3.1 参数设置 | 第38-39页 |
| 3.3.2 实验结果 | 第39-42页 |
| 3.4 本章小结 | 第42-46页 |
| 4 加权核范数与全变分正则化的高光谱图像去噪 | 第46-62页 |
| 4.1 引言 | 第46-47页 |
| 4.2 WNNTV算法 | 第47-50页 |
| 4.2.1 模型定义 | 第47页 |
| 4.2.2 模型求解 | 第47-50页 |
| 4.3 实验 | 第50-60页 |
| 4.3.1 参数设置 | 第50页 |
| 4.3.2 模拟数据实验 | 第50-57页 |
| 4.3.3 真实数据实验 | 第57-58页 |
| 4.3.3.1 AVIRIS Indian Pines数据 | 第57-58页 |
| 4.3.3.2 HYDICE urban数据 | 第58页 |
| 4.3.4 参数敏感分析与收敛分析 | 第58-60页 |
| 4.3.4.1 参数τ的敏感分析 | 第59页 |
| 4.3.4.2 参数λ的敏感分析 | 第59页 |
| 4.3.4.3 参数秩的敏感分析 | 第59页 |
| 4.3.4.4 算法收敛性 | 第59-60页 |
| 4.4 本章小结 | 第60-62页 |
| 5 基于逐波段噪声模型与低秩矩阵分解的高光谱图像去噪 | 第62-78页 |
| 5.1 引言 | 第62页 |
| 5.2 算法 | 第62-66页 |
| 5.2.1 逐波段噪声模型 | 第62-63页 |
| 5.2.2 低秩矩阵分解 | 第63页 |
| 5.2.3 混合噪声 | 第63-64页 |
| 5.2.4 逐块处理策略 | 第64-66页 |
| 5.3 高效噪声估计算法 | 第66-68页 |
| 5.4 实验 | 第68-76页 |
| 5.4.1 优化噪声估计算法的效率 | 第69页 |
| 5.4.2 模拟数据实验 | 第69-75页 |
| 5.4.3 真实数据实验 | 第75-76页 |
| 5.5 本章小结 | 第76-78页 |
| 6 结论 | 第78-80页 |
| 参考文献 | 第80-88页 |
| 附录 | 第88-90页 |
| 致谢 | 第90-91页 |