| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题背景和研究意义 | 第8-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.3 本文使用的遥感影像数据集 | 第13-15页 |
| 1.4 本课题的研究内容及章节安排 | 第15-16页 |
| 2 传统的Pan-sharpening方法和图像质量评价方法 | 第16-29页 |
| 2.1 引言 | 第16页 |
| 2.2 基于成分替换的融合方法 | 第16-22页 |
| 2.2.1 IHS变换融合方法 | 第16-17页 |
| 2.2.2 PCA变换融合方法 | 第17-19页 |
| 2.2.3 Gram Schimt变换融合方法 | 第19-20页 |
| 2.2.4 成分替换融合方法的一般框架 | 第20-22页 |
| 2.3 多分辨率分析融合方法 | 第22-24页 |
| 2.3.1 拉普拉斯金字塔融合方法 | 第22-23页 |
| 2.3.2 小波变换融合方法 | 第23-24页 |
| 2.4 评价标准和评价指标 | 第24-28页 |
| 2.4.1 多光谱图像与全色图像融合的质量定义 | 第25页 |
| 2.4.2 图像融合评价标准 | 第25-27页 |
| 2.4.3 图像融合的评价指标 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于轮廓波子带自适应融合参数回归估计的多光谱图像全色锐化方法 | 第29-42页 |
| 3.1 引言 | 第29页 |
| 3.2 Contourlet变换和融合模型 | 第29-32页 |
| 3.2.1 非降采样Contourlet变换理论 | 第29-31页 |
| 3.2.2 多尺度分析融合算法的一般框架 | 第31-32页 |
| 3.3 基于轮廓波子带自适应融合参数回归估计的多光谱图像全色锐化方法 | 第32-37页 |
| 3.3.1 非降采样Contourlet分解 | 第33-34页 |
| 3.3.2 多尺度多方向细节注入 | 第34-35页 |
| 3.3.3 多光谱图像重构 | 第35页 |
| 3.3.4 多尺度方向子带融合参数的回归估计 | 第35-37页 |
| 3.4 实验结果与分析 | 第37-40页 |
| 3.5 本章小结 | 第40-42页 |
| 4 基于非降采样轮廓波变换和字典学习的Pan-sharpening算法 | 第42-54页 |
| 4.0 引言 | 第42页 |
| 4.1 稀疏表示理论 | 第42-43页 |
| 4.2 基于K-SVD字典学习的融合方法 | 第43-46页 |
| 4.2.1 K-SVD算法 | 第43-45页 |
| 4.2.2 基于K-SVD字典学习的融合方法 | 第45-46页 |
| 4.3 基于非降采样轮廓波变换和字典学习的Pan-sharpening算法 | 第46-50页 |
| 4.3.1 高分辨率细节提取 | 第48页 |
| 4.3.2 字典对构造 | 第48-49页 |
| 4.3.3 稀疏编码 | 第49页 |
| 4.3.4 重构高空间分辨率多光谱图像 | 第49-50页 |
| 4.4 实验结果 | 第50-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 总结 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-62页 |
