基于非负独立成分分析的高光谱图像解混算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题研究背景和意义 | 第9-14页 |
| 1.1.1 高光谱图像混合像元的产生 | 第9-10页 |
| 1.1.2 高光谱图像混合模型 | 第10-12页 |
| 1.1.3 高光谱图像解混处理流程 | 第12-14页 |
| 1.2 国内外研究现状及发展趋势 | 第14-16页 |
| 1.3 论文研究工作及内容安排 | 第16-18页 |
| 第二章 基于线性混合模型的高光谱图像解混算法 | 第18-27页 |
| 2.1 高光谱图像数据降维算法 | 第18-21页 |
| 2.1.1 主成分分析算法 | 第18-19页 |
| 2.1.2 最小噪声分量算法 | 第19-20页 |
| 2.1.3 虚拟维度算法 | 第20页 |
| 2.1.4 高光谱信号最小误差子空间识别算法 | 第20-21页 |
| 2.2 基于几何理论的高光谱图像解混算法 | 第21-23页 |
| 2.2.1 N-FINDR | 第21-22页 |
| 2.2.2 像元纯度指数 | 第22-23页 |
| 2.2.3 顶点成分分析 | 第23页 |
| 2.3 基于统计理论的高光谱图像解混算法 | 第23-25页 |
| 2.3.1 非负矩阵分解 | 第24页 |
| 2.3.2 独立成分分析 | 第24-25页 |
| 2.4 高光谱图像解混性能评价 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 非负独立成分分析算法 | 第27-43页 |
| 3.1 独立成分分析算法 | 第27-32页 |
| 3.1.1 ICA数学模型 | 第27-28页 |
| 3.1.2 ICA算法预处理 | 第28-30页 |
| 3.1.3 ICA算法估计原理及实现 | 第30-32页 |
| 3.2 基本非负独立成分分析算法 | 第32-33页 |
| 3.2.1 NICA算法应用条件 | 第32页 |
| 3.2.2 NICA算法数学模型 | 第32-33页 |
| 3.2.3 NICA算法实现 | 第33页 |
| 3.3 基于布谷鸟搜索算法的NICA算法 | 第33-36页 |
| 3.3.1 布谷鸟搜索算法 | 第33-34页 |
| 3.3.2 NICA-CS算法实现 | 第34-36页 |
| 3.4 实验仿真与分析 | 第36-42页 |
| 3.4.1 仿真数据实验 | 第36-39页 |
| 3.4.2 图像数据实验 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于非负独立成分分析的高光谱图像解混算法 | 第43-58页 |
| 4.1 应用NICA的可行性分析 | 第43-48页 |
| 4.1.1 ICA解决高光谱解混问题 | 第43-46页 |
| 4.1.2 NICA解决高光谱解混问题 | 第46-48页 |
| 4.2 有约束的NICA算法的提出 | 第48-50页 |
| 4.2.1 CNICA目标函数的确定 | 第48-49页 |
| 4.2.2 CNICA优化算法选择 | 第49-50页 |
| 4.3 CNICA-CS实现高光谱图像解混 | 第50-53页 |
| 4.3.1 数据降维白化预处理 | 第51页 |
| 4.3.2 CNICA-CS算法实现 | 第51-53页 |
| 4.4 实验仿真与分析 | 第53-57页 |
| 4.4.1 仿真合成数据实验 | 第53-55页 |
| 4.4.2 真实高光谱数据实验 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 论文工作总结 | 第58-59页 |
| 5.2 研究展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 发表论文和参加科研情况说明 | 第66-67页 |
| 致谢 | 第67-68页 |
