| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 目录 | 第9-11页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.3 论文各章节安排 | 第17-19页 |
| 第2章 压缩感知成像及其创新应用 | 第19-41页 |
| 2.1 压缩感知理论框架 | 第19-21页 |
| 2.2 压缩感知采样方法 | 第21-23页 |
| 2.3 图像的稀疏表示方法 | 第23-25页 |
| 2.4 压缩感知重构算法 | 第25-28页 |
| 2.5 压缩感知理论的创新应用 | 第28-39页 |
| 2.5.1 基于压缩感知的图像复原 | 第28-33页 |
| 2.5.2 采用多尺度稀疏表示方法的图像融合 | 第33-39页 |
| 2.6 本章小结 | 第39-41页 |
| 第3章 采用字典学习的遥感图像压缩重构 | 第41-67页 |
| 3.1 图像质量评价方法 | 第41-44页 |
| 3.1.1 图像的主观评价 | 第41-42页 |
| 3.1.2 图像的客观评价 | 第42-44页 |
| 3.2 K-SVD字典学习算法 | 第44-50页 |
| 3.2.1 K-SVD字典训练原理 | 第45页 |
| 3.2.2 两种稀疏表示方法实证研究对比 | 第45-50页 |
| 3.3 基于训练字典的优化观测矩阵 | 第50-59页 |
| 3.3.1 观测矩阵与字典联合优化法基本原理 | 第51-54页 |
| 3.3.2 观测矩阵与字典联合优化法实验仿真及结果分析 | 第54-59页 |
| 3.4 稀疏度优化的遥感图像压缩重构 | 第59-65页 |
| 3.5 本章小结 | 第65-67页 |
| 第4章 自适应分类遥感图像压缩重构 | 第67-87页 |
| 4.1 系统总体设计方案 | 第67-71页 |
| 4.1.1 遥感图像的非相关观测 | 第67-69页 |
| 4.1.2 遥感图像重构算法 | 第69-70页 |
| 4.1.3 遥感图像类型初步判别 | 第70-71页 |
| 4.2 分类遥感图像的最优稀疏表示 | 第71-77页 |
| 4.2.1 遥感图像的分类 | 第71-72页 |
| 4.2.2 遥感图像按类型进行分类字典训练 | 第72-77页 |
| 4.3 遥感图像按类型压缩重构的实验结果及分析 | 第77-85页 |
| 4.3.1 城市类型图像压缩重构 | 第77-80页 |
| 4.3.2 山地类型图像压缩重构 | 第80-82页 |
| 4.3.3 海港类型图像压缩重构 | 第82-85页 |
| 4.4 本章小结 | 第85-87页 |
| 第5章 总结与展望 | 第87-89页 |
| 5.1 总结 | 第87-88页 |
| 5.2 展望 | 第88-89页 |
| 参考文献 | 第89-97页 |
| 硕士期间发表的论文 | 第97页 |