| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 引言 | 第14-15页 |
| 1.2 高光谱图像重建研究背景 | 第15-18页 |
| 1.2.1 高光谱图像介绍 | 第15-17页 |
| 1.2.2 高光谱图像重建现状 | 第17-18页 |
| 1.3 论文章节安排 | 第18-20页 |
| 第二章 高光谱图像压缩感知重建简介 | 第20-38页 |
| 2.1 压缩感知理论简介 | 第20-25页 |
| 2.1.1 信号的稀疏性 | 第20-22页 |
| 2.1.2 观测矩阵的设计 | 第22-23页 |
| 2.1.3 信号的重构 | 第23-25页 |
| 2.2 图像的稀疏表示模型 | 第25-31页 |
| 2.2.1 基于字典学习的图像稀疏表示 | 第26-30页 |
| 2.2.2 基于结构聚类的图像稀疏表示（CSR）模型 | 第30-31页 |
| 2.3 基于结构聚类的高光谱图像重建 | 第31-35页 |
| 2.3.1 编码感知成像 | 第32-33页 |
| 2.3.2 基于结构聚类的高光谱图像重建 | 第33-35页 |
| 2.4 本章小结 | 第35-38页 |
| 第三章 基于可分离字典学习的高光谱图像重建 | 第38-52页 |
| 3.1 基于可分离字典的高光谱图像重建 | 第38-44页 |
| 3.1.1 高光谱图像的可分离字典学习 | 第38-39页 |
| 3.1.2 目标函数的构建 | 第39-40页 |
| 3.1.3 自适应正则参数 | 第40-41页 |
| 3.1.4 优化求解方法 | 第41-44页 |
| 3.2 实验结果 | 第44-51页 |
| 3.2.1 定量评估 | 第44页 |
| 3.2.2 实验设置 | 第44页 |
| 3.2.3 实验结果 | 第44-51页 |
| 3.3 本章小结 | 第51-52页 |
| 第四章 基于拉普拉斯尺度混合的鲁棒高光谱图像重建 | 第52-68页 |
| 4.1 光谱成像误差分析 | 第52-54页 |
| 4.2 基于l1-范数的鲁棒光谱图像重建 | 第54-57页 |
| 4.2.1 基于l1-范数的鲁棒高光谱图像重建模型 | 第54-55页 |
| 4.2.2 优化求解方法 | 第55-57页 |
| 4.3 基于拉普拉斯尺度混合的鲁棒高光谱图像重建 | 第57-61页 |
| 4.3.1 基于拉普拉斯尺度混合的鲁棒高光谱图像重建模型 | 第58-59页 |
| 4.3.2 优化求解方法 | 第59-61页 |
| 4.4 实验结果 | 第61-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 作者简介 | 第76-77页 |
