| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-14页 |
| 1.2 遥感图像融合研究现状 | 第14-16页 |
| 1.3 深度学习发展及研究现状 | 第16-17页 |
| 1.4 论文结构和研究内容 | 第17-20页 |
| 第二章 遥感图像Pan-sharpening算法 | 第20-36页 |
| 2.1 引言 | 第20-22页 |
| 2.2 基于成分替代的Pan-sharpening算法 | 第22-24页 |
| 2.3 基于多分辨率分析的遥感图像Pan-sharpening方法 | 第24-26页 |
| 2.4 基于变分框架的Pan-sharpening算法 | 第26-29页 |
| 2.4.1 基于动态梯度稀疏性Pan-sharpening算法 | 第27-28页 |
| 2.4.2 基于Hyper-Laplacian约束的Pan-sharpening算法 | 第28-29页 |
| 2.5 基于深度学习的Pan-sharpening算法 | 第29-35页 |
| 2.5.1 神经网络基本理论 | 第29-32页 |
| 2.5.2 卷积网络的基本理论 | 第32-34页 |
| 2.5.3 基于深度学习的Pan-sharpening算法 | 第34-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 基于卷积神经网络的Pan-sharpening方法 | 第36-50页 |
| 3.1 引言 | 第36-37页 |
| 3.2 论文的研究动机 | 第37-40页 |
| 3.3 Pan-sharpening网络框架的设计 | 第40-43页 |
| 3.3.1 光谱信息映射模块 | 第41页 |
| 3.3.2 空间分辨率提高模块 | 第41-43页 |
| 3.4 Pan-sharpening网络结构的设计 | 第43-49页 |
| 3.4.1 残差网络 | 第43-44页 |
| 3.4.2 特征重标定 | 第44-47页 |
| 3.4.3 本文网络结构 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 实验与结果分析 | 第50-66页 |
| 4.1 引言 | 第50页 |
| 4.2 评价指标 | 第50-54页 |
| 4.2.1 有真值的图像质量评价 | 第50-53页 |
| 4.2.2 无真值图像的质量评价 | 第53-54页 |
| 4.2.3 主观质量评价 | 第54页 |
| 4.3 实验结果分析 | 第54-65页 |
| 4.3.1 模型框架自我比较 | 第54-57页 |
| 4.3.2 模拟数据实验比较 | 第57-60页 |
| 4.3.3 真实数据实验比较 | 第60-63页 |
| 4.3.4 泛化性能分析 | 第63-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 总结 | 第66页 |
| 5.2 展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 攻读硕士学位期间的研究工作及成果 | 第74页 |
