| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-20页 |
| 第一章 绪论 | 第20-38页 |
| 1.1 研究背景及研究目的和研究意义 | 第20-24页 |
| 1.1.1 课题研究背景 | 第20-23页 |
| 1.1.2 研究目的和意义 | 第23-24页 |
| 1.2 国内外研究现状综述 | 第24-34页 |
| 1.2.1 普通图像超分辨技术研究现状 | 第25-31页 |
| 1.2.2 高光谱图像超分辨技术研究现状 | 第31-34页 |
| 1.3 主要研究内容与组织结构 | 第34-38页 |
| 1.3.1 主要研究内容 | 第34-36页 |
| 1.3.2 组织结构 | 第36-38页 |
| 第二章 高光谱图像超分辨处理基础理论 | 第38-50页 |
| 2.1 引言 | 第38页 |
| 2.2 高光谱图像的数据结构与特点 | 第38-39页 |
| 2.3 卷积神经网络简介 | 第39-44页 |
| 2.3.1 感知机 | 第39-41页 |
| 2.3.2 深度神经网络 | 第41-42页 |
| 2.3.3 卷积神经网络 | 第42-44页 |
| 2.4 实验数据与评价准则 | 第44-48页 |
| 2.4.1 实验数据 | 第44-45页 |
| 2.4.2 超分辨性能评价指标 | 第45-48页 |
| 2.5 本章小结 | 第48-50页 |
| 第三章 基于光谱差卷积神经网络和空间约束策略的高光谱图像超分辨算法 | 第50-70页 |
| 3.1 引言 | 第50-51页 |
| 3.2 基于深度光谱差卷积神经网络和空间约束策略的高光谱图像超分辨处理 | 第51-57页 |
| 3.2.1 高光谱图像的观测模型 | 第51-52页 |
| 3.2.2 基于空间约束策略的高光谱图像空域重建 | 第52-53页 |
| 3.2.3 基于深度光谱差卷积神经网络的高光谱图像谱域重建 | 第53-56页 |
| 3.2.4 基于空间约束策略和光谱差卷积神经网络的超分辨重建 | 第56-57页 |
| 3.3 实验结果与说明 | 第57-67页 |
| 3.3.1 实验设计与参数设计 | 第57-59页 |
| 3.3.2 SCT策略的超分辨性能 | 第59-60页 |
| 3.3.3 SDCNN模型的超分辨性能 | 第60-63页 |
| 3.3.4 基于SCTSDCNN的超分辨性能 | 第63-67页 |
| 3.4 本章小结 | 第67-70页 |
| 第四章 基于光谱差和空间错误自纠正模型的高光谱图像超分辨算法 | 第70-84页 |
| 4.1 引言 | 第70-71页 |
| 4.2 框架概览和名词定义 | 第71-72页 |
| 4.2.1 框架概览 | 第71页 |
| 4.2.2 名词定义 | 第71-72页 |
| 4.3 基于光谱差和空间错误自纠正模型的高光谱图像超分辨算法 | 第72-78页 |
| 4.3.1 关键波段的选择和超分辨处理 | 第72-73页 |
| 4.3.2 非关键波段的超分辨处理 | 第73-78页 |
| 4.4 实验设置和数据分析 | 第78-82页 |
| 4.4.1 实验设置 | 第78-79页 |
| 4.4.2 数据分析 | 第79-82页 |
| 4.5 本章小结 | 第82-84页 |
| 第五章 基于光谱映射网络和非负矩阵分解的高光谱图像超分辨算法 | 第84-98页 |
| 5.1 引言 | 第84-85页 |
| 5.2 非负矩阵分解简介 | 第85-86页 |
| 5.3 基于SMCNN和非负矩阵分解的高光谱图像超分辨处理 | 第86-91页 |
| 5.3.1 常用名词定义 | 第86页 |
| 5.3.2 基于SMCNN的高光谱图像超分辨处理 | 第86-88页 |
| 5.3.3 基于非负矩阵分解的高光谱图像超分辨处理 | 第88-91页 |
| 5.4 实验设置和数据分析 | 第91-96页 |
| 5.4.1 实验设置 | 第91-93页 |
| 5.4.2 数据分析 | 第93-96页 |
| 5.5 本章小结 | 第96-98页 |
| 第六章 总结与展望 | 第98-102页 |
| 6.1 总结本文主要工作 | 第98-100页 |
| 6.2 展望下一步工作 | 第100-102页 |
| 参考文献 | 第102-116页 |
| 致谢 | 第116-118页 |
| 作者简介 | 第118-120页 |
