| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 高光谱遥感的发展 | 第10-11页 |
| 1.2.2 高光谱图像信息恢复的研究现状 | 第11-14页 |
| 1.2.3 深度学习理论及卷积神经网络 | 第14-15页 |
| 1.3 本文的主要研究内容 | 第15-18页 |
| 第2章 高光谱图像信息恢复的原因和特点 | 第18-24页 |
| 2.1 引言 | 第18页 |
| 2.2 高光谱图像数据和评价标准 | 第18-20页 |
| 2.3 高光谱图像条带噪声产生的原因 | 第20-21页 |
| 2.4 高光谱图像超分辨重建的原因 | 第21-22页 |
| 2.5 高光谱图像信息恢复的特点 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 深度卷积网络的理论与应用研究 | 第24-31页 |
| 3.1 引言 | 第24页 |
| 3.2 深度学习理论简介 | 第24-26页 |
| 3.2.1 深度学习的基本理论思想 | 第24-25页 |
| 3.2.2 深度学习具体的实现过程 | 第25-26页 |
| 3.3 卷积神经网络 | 第26-27页 |
| 3.4 深度卷积神经网络 | 第27-30页 |
| 3.4.1 深度卷积神经网络的网络结构 | 第27-28页 |
| 3.4.2 深度卷积神经网络采用的激活函数 | 第28-29页 |
| 3.4.3 深度卷积神经网络的过拟合问题及其解决方法 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 深度卷积网在高光谱图像条带去除中的应用 | 第31-43页 |
| 4.1 引言 | 第31页 |
| 4.2 基于卷积神经网络和形态学算法的高光谱图像条带去除 | 第31-32页 |
| 4.3 基于CNN的高光谱图像边缘重建 | 第32-34页 |
| 4.4 自适应形态学算子填充 | 第34-35页 |
| 4.5 基于CNN和形态学算法的高光谱图像条带去除实验结果 | 第35-42页 |
| 4.5.1 不同训练样本数目的条带去除实验结果 | 第35-36页 |
| 4.5.2 不同缺失条带列数的条带去除实验结果 | 第36-40页 |
| 4.5.3 不同训练窗口的条带去除实验结果 | 第40-42页 |
| 4.6 本章小结 | 第42-43页 |
| 第5章 深度卷积网在高光谱图像超分重建中的应用 | 第43-57页 |
| 5.1 引言 | 第43页 |
| 5.2 传统图像基于卷积神经网络的超分辨率重建 | 第43-45页 |
| 5.3 高光谱图像基于光谱信息的一维超分重建 | 第45-47页 |
| 5.4 高光谱图像基于空间信息的二维超分重建 | 第47-51页 |
| 5.5 高光谱图像基于空-谱信息的三维超分重建 | 第51-55页 |
| 5.6 本章小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64-66页 |
| 致谢 | 第66页 |
