基于稀疏表征学习的大倍率遥感影像压缩技术
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-27页 |
| 1.1 研究的背景及意义 | 第15-16页 |
| 1.2 研究的发展及现状 | 第16-23页 |
| 1.2.1 现有的压缩方法 | 第16-18页 |
| 1.2.2 JPEG压缩算法 | 第18-19页 |
| 1.2.3 JPEG2000压缩算法 | 第19页 |
| 1.2.4 稀疏表示理论介绍 | 第19-23页 |
| 1.3 研究的目的与动机 | 第23-24页 |
| 1.4 论文的内容与安排 | 第24-27页 |
| 第二章 基于样本二叉树的EGE字典学习压缩算法 | 第27-45页 |
| 2.1 遥感图像的特点 | 第27-28页 |
| 2.2 KSVD字典学习 | 第28-31页 |
| 2.3 GE-OMP算法 | 第31-33页 |
| 2.4 EGE-OMP算法 | 第33-35页 |
| 2.5 基于样本二叉树的字典学习算法 | 第35-37页 |
| 2.6 仿真实验与结果分析 | 第37-39页 |
| 2.6.1 实验数据 | 第37-39页 |
| 2.6.2 实验对比 | 第39页 |
| 2.7 本章小结 | 第39-45页 |
| 第三章 基于WTA的稀疏深度网络ROI压缩算法 | 第45-57页 |
| 3.1 SLIC超像素分割 | 第45-46页 |
| 3.2 FCM聚类算法 | 第46-47页 |
| 3.3 SOMP算法 | 第47-48页 |
| 3.4 卷积自编码算法 | 第48-50页 |
| 3.5 WTA自编码 | 第50-52页 |
| 3.6 仿真实验与结果分析 | 第52-55页 |
| 3.6.1 实验数据 | 第52-53页 |
| 3.6.2 实验对比 | 第53-55页 |
| 3.7 本章小结 | 第55-57页 |
| 第四章 基于自表征模型的时序遥感影像压缩 | 第57-67页 |
| 4.1 自表征原理 | 第57-59页 |
| 4.2 树状K-SVD字典学习 | 第59-61页 |
| 4.3 编码策略 | 第61-62页 |
| 4.4 仿真实验与结果分析 | 第62-65页 |
| 4.4.1 实验数据 | 第62页 |
| 4.4.2 实验对比 | 第62-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-71页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |
