| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 高光谱图像去噪的特点 | 第13-14页 |
| 1.3 本文的工作 | 第14-15页 |
| 1.4 本文的组织方式 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 高光谱图像去噪基本模型和概念 | 第17-25页 |
| 2.1 高斯噪声模型 | 第17-18页 |
| 2.2 泊松-高斯混合噪声模型 | 第18-22页 |
| 2.2.1 模型介绍 | 第18-20页 |
| 2.2.2 参数估计 | 第20页 |
| 2.2.3 方差稳定化变换 | 第20-22页 |
| 2.3 去噪常用衡量准则 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 高光谱图像去噪研究现状 | 第25-31页 |
| 3.1 二维图像去噪基本算法 | 第25-27页 |
| 3.2 高光谱图像去噪技术发展状况 | 第27-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第4章 基于组稀疏非负矩阵分解的高光谱图像去噪 | 第31-45页 |
| 4.1 非负矩阵分解与组稀疏性 | 第31-35页 |
| 4.1.1 非负矩阵分解介绍 | 第31-32页 |
| 4.1.2 组稀疏非负矩阵分解 | 第32-35页 |
| 4.2 高光谱图像的结构特征与组稀疏非负矩阵分解 | 第35-44页 |
| 4.2.1 高光谱图像中的局部低秩结构 | 第35-37页 |
| 4.2.2 高光谱图像的非局部特征 | 第37-38页 |
| 4.2.3 基于组稀疏非负矩阵分解的高光谱图像去噪过程 | 第38-42页 |
| 4.2.4 组稀疏非负矩阵分解与多任务学习 | 第42-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第5章 模型优化算法分析 | 第45-53页 |
| 5.1 基于MU的优化算法 | 第45-47页 |
| 5.2 基于HALS的优化算法 | 第47-49页 |
| 5.3 基于ANLS的优化算法 | 第49-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第6章 实验结果与分析 | 第53-67页 |
| 6.1 实验涉及高光谱数据介绍 | 第54页 |
| 6.2 仿真实验分析 | 第54-63页 |
| 6.3 真实实验分析 | 第63-66页 |
| 6.4 本章小结 | 第66-67页 |
| 第7章 总结与展望 | 第67-69页 |
| 7.1 全文总结 | 第67-68页 |
| 7.2 未来工作展望 | 第68-69页 |
| 参考文献 | 第69-76页 |
| 攻读硕士学位期间主要的研究成果 | 第76-77页 |
| 致谢 | 第77-78页 |