| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-15页 |
| 1.2.1 高光谱图像去噪技术的研究现状 | 第12-14页 |
| 1.2.2 压缩感知理论研究现状 | 第14-15页 |
| 1.3 论文主要工作及章节安排 | 第15-19页 |
| 1.3.1 主要研究工作 | 第15-16页 |
| 1.3.2 全文章节安排 | 第16-19页 |
| 第二章 压缩感知匹配追踪算法及其改进 | 第19-41页 |
| 2.1 压缩感知理论基本框架 | 第19-26页 |
| 2.1.1 压缩感知理论概述 | 第19-24页 |
| 2.1.2 压缩感知重构算法分类 | 第24-25页 |
| 2.1.3 重构算法性能评价指标 | 第25-26页 |
| 2.2 匹配追踪算法描述 | 第26-30页 |
| 2.2.1 OMP算法 | 第26-27页 |
| 2.2.2 StOMP算法 | 第27-28页 |
| 2.2.3 ROMP算法 | 第28-29页 |
| 2.2.4 CoSaMP算法 | 第29-30页 |
| 2.3 一种改进的StOMP算法研究 | 第30-34页 |
| 2.3.1 回溯策略 | 第30-31页 |
| 2.3.2 IWPSO算法 | 第31-33页 |
| 2.3.3 结合回溯策略及IWPSO的StOMP算法研究 | 第33-34页 |
| 2.4 仿真实验与对比分析 | 第34-40页 |
| 2.4.1 实验环境描述 | 第34页 |
| 2.4.2 一维信号重构实验 | 第34-37页 |
| 2.4.3 二维图像信号重构实验 | 第37-40页 |
| 2.5 本章小节 | 第40-41页 |
| 第三章 结合分块噪声估计的字典学习图像去噪算法 | 第41-53页 |
| 3.1 问题的提出 | 第41-43页 |
| 3.1.1 图像加性噪声去除领域发展现状 | 第41-42页 |
| 3.1.2 图像去噪评价指标描述 | 第42-43页 |
| 3.2 基于噪声估计和K-SVD字典学习的图像去噪算法研究 | 第43-49页 |
| 3.2.1 K-SVD字典学习去噪算法 | 第43页 |
| 3.2.2 基于对平滑图像块奇异值分解(SVD)的噪声估计方法 | 第43-47页 |
| 3.2.3 结合噪声估计和K-SVD字典学习的去噪算法 | 第47-49页 |
| 3.3 仿真实验及对比分析 | 第49-51页 |
| 3.4 本章小结 | 第51-53页 |
| 第四章 结合特征降维及字典学习的高光谱图像去噪方法研究 | 第53-66页 |
| 4.1 问题的提出 | 第53-56页 |
| 4.1.1 高光谱图像噪声特性分析 | 第53-54页 |
| 4.1.2 高光谱图像去噪方法概述 | 第54-56页 |
| 4.1.3 图像去噪评价指标描述 | 第56页 |
| 4.2 基于PCA变换的高光谱图像去噪算法 | 第56-57页 |
| 4.3 结合特征降维与字典学习的高光谱图像去噪算法研究 | 第57-59页 |
| 4.3.1 算法设计思想 | 第57-58页 |
| 4.3.2 算法步骤 | 第58-59页 |
| 4.4 仿真实验及对比分析 | 第59-64页 |
| 4.5 本章小节 | 第64-66页 |
| 第五章 真实高光谱图像处理 | 第66-74页 |
| 5.1 真实高光谱图像处理 | 第66-67页 |
| 5.1.1 真实高光谱图像获取背景 | 第66页 |
| 5.1.2 高光谱图像处理目的及意义 | 第66-67页 |
| 5.1.3 高光谱图像处理系统设计 | 第67页 |
| 5.2 实际处理与效果分析 | 第67-73页 |
| 5.2.1 图像处理环境及实验设置 | 第67-68页 |
| 5.2.2 仿真实验与应用效果分析 | 第68-73页 |
| 5.3 本章小结 | 第73-74页 |
| 第六章 结论与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 创新点 | 第75页 |
| 6.3 展望 | 第75-76页 |
| 参考文献 | 第76-82页 |
| 攻读学位期间所取得的相关科研成果 | 第82-84页 |
| 致谢 | 第84页 |
