| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.2 遥感图像融合技术发展与研究现状 | 第16-18页 |
| 1.3 论文研究内容与结构 | 第18-20页 |
| 第二章 遥感图像Pan-sharpening方法 | 第20-36页 |
| 2.1 引言 | 第20-21页 |
| 2.2 基于成分替代的遥感图像Pan-sharpening方法 | 第21-24页 |
| 2.2.1 基于(G) IHS变换的遥感图像Pan-sharpening方法 | 第21-23页 |
| 2.2.2 基于Brovey变换的遥感图像Pan-sharpening方法 | 第23页 |
| 2.2.3 基于PCA变换的遥感图像Pan-sharpening方法 | 第23-24页 |
| 2.3 基于多分辨率分析的遥感图像Pan-sharpening方法 | 第24-26页 |
| 2.3.1 基于Laplacian Pyramid(LP)的遥感图像Pan-sharpening方法 | 第25页 |
| 2.3.2 基于Wavelet Transform(WT)的遥感图像Pan-sharpening方法 | 第25-26页 |
| 2.4 基于变分框架的遥感图像Pan-sharpening方法 | 第26-28页 |
| 2.4.1 基于Guided-filter(GDF)的遥感图像Pan-sharpening方法 | 第26页 |
| 2.4.2 基于Dynamic Gradient Sparsity(DGSF)的遥感图像Pan-sharpening方法 | 第26-28页 |
| 2.5 基于深度学习的遥感图像Pan-sharpening方法 | 第28-31页 |
| 2.5.1 基于深度神经网络的遥感图像Pan-sharpening方法 | 第28-29页 |
| 2.5.2 基于卷积神经网络的遥感图像Pan-sharpening方法 | 第29-31页 |
| 2.6 遥感图像Pan-sharpening质量评价 | 第31-34页 |
| 2.6.1 有参考图像质量评价 | 第31-33页 |
| 2.6.2 无参考图像质量评价 | 第33-34页 |
| 2.6.3 主观质量评价 | 第34页 |
| 2.7 本章小结 | 第34-36页 |
| 第三章 基于空间结构一致性和l_(1/2)梯度先验的遥感图像Pan-sharpening方法 | 第36-54页 |
| 3.1 引言 | 第36页 |
| 3.2 基于空间结构一致性和l_(1/2)梯度先验的遥感图像Pan-sharpening方法 | 第36-44页 |
| 3.2.1 光谱信息保真 | 第37-38页 |
| 3.2.2 空间信息保真 | 第38-40页 |
| 3.2.3 先验项 | 第40-44页 |
| 3.3 模型求解 | 第44-47页 |
| 3.3.1 ADMM算法 | 第44-45页 |
| 3.3.2 模型求解 | 第45-47页 |
| 3.4 实验与结果分析 | 第47-52页 |
| 3.4.1 仿真数据实验 | 第48-50页 |
| 3.4.2 真实数据实验 | 第50-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第四章 基于领域知识驱动的深度学习Pan-sharpening方法 | 第54-76页 |
| 4.1 引言 | 第54页 |
| 4.2 残差网络 | 第54-57页 |
| 4.2.1 Shortcut连接 | 第56页 |
| 4.2.2 残差学习 | 第56-57页 |
| 4.3 Deep Pan-sharpening框架 | 第57-64页 |
| 4.3.1 光谱信息保真 | 第60页 |
| 4.3.2 空间信息保真 | 第60-63页 |
| 4.3.3 网络架构 | 第63-64页 |
| 4.4 实验与结果分析 | 第64-74页 |
| 4.4.1 仿真数据实验 | 第65-70页 |
| 4.4.2 真实数据实验 | 第70-71页 |
| 4.4.3 收敛性分析 | 第71页 |
| 4.4.4 鲁棒性分析 | 第71-74页 |
| 4.5 本章小结 | 第74-76页 |
| 第五章 总结与展望 | 第76-78页 |
| 5.1 总结 | 第76-77页 |
| 5.2 展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 攻读硕士学位期间的研究工作及成果 | 第84页 |
