| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状及趋势 | 第12-13页 |
| 1.2.1 高光谱图像的二维压缩模型研究现状及趋势 | 第12页 |
| 1.2.2 高光谱图像的三维压缩模型研究现状及趋势 | 第12-13页 |
| 1.3 本文组织架构安排 | 第13-15页 |
| 2 压缩感知稀疏表示原理综述 | 第15-24页 |
| 2.1 二维压缩感知模型描述 | 第15-19页 |
| 2.1.1 稀疏表示字典学习 | 第15-17页 |
| 2.1.2 重建算法 | 第17-19页 |
| 2.2 高阶压缩感知模型描述 | 第19-23页 |
| 2.2.1 Kronecker字典和Tucker分解 | 第19-22页 |
| 2.2.2 高阶信号重建 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 基于块稀疏表示的高光谱图像二维压缩 | 第24-51页 |
| 3.1 块稀疏字典学习算法描述 | 第24-26页 |
| 3.1.1 固定结构字典 | 第24-25页 |
| 3.1.2 结构自适应的块稀疏字典 | 第25-26页 |
| 3.2 轻编码端的高光谱图像二维压缩模型 | 第26-40页 |
| 3.2.1 模型描述 | 第26-29页 |
| 3.2.2 实验结果及讨论 | 第29-39页 |
| 3.2.2.1 块稀疏度的选取 | 第30-34页 |
| 3.2.2.2 算法性能比较 | 第34-39页 |
| 3.2.3 结论 | 第39-40页 |
| 3.3 轻解码端的高光谱图像二维压缩模型 | 第40-50页 |
| 3.3.1 块稀疏系数的压缩编码 | 第40-42页 |
| 3.3.2 模型描述 | 第42-43页 |
| 3.3.3 实验结果及讨论 | 第43-49页 |
| 3.3.3.1 算法有效性 | 第43-46页 |
| 3.3.3.2 性能比较 | 第46-49页 |
| 3.3.4 结论 | 第49-50页 |
| 3.4 本章小结 | 第50-51页 |
| 4 基于多维块稀疏表示的高光谱图像空谱联合压缩 | 第51-65页 |
| 4.1 张量的块稀疏表示 | 第51-54页 |
| 4.1.1 块稀疏张量的概念 | 第51-53页 |
| 4.1.2 块稀疏张量重建算法 | 第53-54页 |
| 4.2 高光谱张量压缩模型描述 | 第54-56页 |
| 4.3 实验 | 第56-64页 |
| 4.3.1 空谱联合压缩有效性验证 | 第57-60页 |
| 4.3.2 算法性能比较 | 第60-64页 |
| 4.4 本章小结 | 第64-65页 |
| 5 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读学位期间所获研究成果 | 第71-72页 |
| 致谢 | 第72页 |
