| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 高光谱图像解混技术的发展现状 | 第10-14页 |
| 1.2.1 线性混合模型的高光谱图像解混 | 第10-13页 |
| 1.2.2 非线性混合模型的高光谱图像解混 | 第13-14页 |
| 1.3 论文主要研究内容及结构安排 | 第14-15页 |
| 第二章 高光谱图像解混基础理论及优化算法 | 第15-27页 |
| 2.1 高光谱图像的混合模型 | 第15-18页 |
| 2.1.1 线性混合模型 | 第15页 |
| 2.1.2 非线性混合模型 | 第15-18页 |
| 2.2 高光谱图像的降维 | 第18-20页 |
| 2.3 端元数目估计 | 第20-22页 |
| 2.4 优化算法 | 第22-26页 |
| 2.4.1 蚁群算法 | 第22-23页 |
| 2.4.2 粒子群算法 | 第23-24页 |
| 2.4.3 差分搜索算法 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于盲源分离的差分搜索线性解混算法 | 第27-41页 |
| 3.1 盲源分离 | 第27-33页 |
| 3.1.1 盲源分离的模型 | 第27-28页 |
| 3.1.2 盲源分离的测度 | 第28-30页 |
| 3.1.3 盲源分离应用于高光谱图像解混存在的问题 | 第30-31页 |
| 3.1.4 实验结果与分析 | 第31-33页 |
| 3.2 基于盲源分离的差分搜索线性解混算法 | 第33-35页 |
| 3.2.1 算法原理 | 第33页 |
| 3.2.2 算法实现 | 第33-35页 |
| 3.3 实验结果与分析 | 第35-40页 |
| 3.3.1 仿真实验 | 第35-38页 |
| 3.3.2 实际高光谱图像实验 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于神经网络混合模型估计的非线性解混算法 | 第41-52页 |
| 4.1 基于神经网络的混合模型估计 | 第41-46页 |
| 4.1.1 神经网络理论 | 第41-45页 |
| 4.1.2 高光谱混合模型估计 | 第45-46页 |
| 4.2 基于像元混合模型估计的非线性解混算法 | 第46-48页 |
| 4.3 实验结果与分析 | 第48-51页 |
| 4.3.1 仿真实验 | 第48-50页 |
| 4.3.2 实际高光谱图像实验 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 发表论文和参加科研情况说明 | 第60-61页 |
| 致谢 | 第61-62页 |