| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 论文的研究背景及意义 | 第9-10页 |
| 1.2 课题提出 | 第10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 稀疏分解的研究现状 | 第11-12页 |
| 1.3.2 字典学习的研究现状 | 第12-13页 |
| 1.4 论文的研究内容及组织框架 | 第13-15页 |
| 1.4.1 研究内容 | 第13页 |
| 1.4.2 论文的章节安排 | 第13-15页 |
| 第2章 图像的稀疏表示与字典学习理论 | 第15-27页 |
| 2.1 图像稀疏表示模型 | 第15-16页 |
| 2.2 稀疏表示的分解算法 | 第16-19页 |
| 2.2.1 匹配追踪 | 第17-18页 |
| 2.2.2 正交匹配追踪 | 第18-19页 |
| 2.2.3 基追踪 | 第19页 |
| 2.3 过完备稀疏表示字典学习 | 第19-24页 |
| 2.3.1 字典学习的基本思路 | 第20-21页 |
| 2.3.2 冗余字典的构造方法 | 第21-24页 |
| 2.4 算法性能的评价 | 第24-25页 |
| 2.4.1 图像质量评价 | 第24-25页 |
| 2.4.2 稀疏性度量 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 基于增量学习的 K-SVD 字典学习算法 | 第27-43页 |
| 3.1 引言 | 第27页 |
| 3.2 增量学习的思想 | 第27-29页 |
| 3.3 K-SVD 算法 | 第29-31页 |
| 3.3.1 K-SVD 算法描述 | 第29-30页 |
| 3.3.2 K-SVD 算法的优缺点 | 第30-31页 |
| 3.4 结合增量学习的 K-SVD 字典学习模型 | 第31-36页 |
| 3.4.1 增量 K-SVD 算法 | 第31-34页 |
| 3.4.2 算法流程 | 第34-36页 |
| 3.5 算法比较与实验分析 | 第36-42页 |
| 3.5.1 同波段时间序列实验 | 第37-40页 |
| 3.5.2 不同波段实验 | 第40-42页 |
| 3.5.3 实验结果分析 | 第42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 改进增量 K-SVD 的字典相干性及初始字典 | 第43-55页 |
| 4.1 引言 | 第43页 |
| 4.2 增量 K-SVD 的原子初始化 | 第43-48页 |
| 4.2.1 K-SVD 的初始化字典 | 第43-45页 |
| 4.2.2 基于信息熵的初始原子设置方法 | 第45-46页 |
| 4.2.3 实验比较与分析 | 第46-48页 |
| 4.3 字典去相干性 | 第48-53页 |
| 4.3.1 字典相干性 | 第48页 |
| 4.3.2 IPR 字典学习 | 第48-51页 |
| 4.3.3 增量 K-SVD 的字典去相关 | 第51页 |
| 4.3.4 实验结果与分析 | 第51-53页 |
| 4.4 改进后增量 K-SVD 的算法流程 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 增量 K-SVD 在大量时间序列遥感影像中的应用 | 第55-65页 |
| 5.1 引言 | 第55页 |
| 5.2 实验数据源 | 第55-57页 |
| 5.2.1 数据特征 | 第56-57页 |
| 5.2.2 数据获得 | 第57页 |
| 5.3 大量时序遥感图像的稀疏表示实验 | 第57-64页 |
| 5.3.1 1993-2003 年北京地区遥感影像实验 | 第57-61页 |
| 5.3.2 2008-2009 年全国地区遥感影像实验 | 第61-64页 |
| 5.4 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 总结 | 第65-66页 |
| 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录 | 第71-75页 |
| 攻读硕士学位期间取得的研究成果 | 第75-77页 |
| 致谢 | 第77页 |
