| 摘要 | 第1-11页 |
| Abstract | 第11-14页 |
| 第一章 绪论 | 第14-32页 |
| ·引言 | 第14-15页 |
| ·大气对遥感成像系统分辨力的影响分析[2] | 第15-17页 |
| ·基本原理 | 第15-16页 |
| ·结论 | 第16-17页 |
| ·遥感影像去大气模糊的研究意义 | 第17-18页 |
| ·数字图像恢复算法概述 | 第18-26页 |
| ·图像恢复问题的数学描述 | 第19-20页 |
| ·图像恢复问题中所需的先验信息 | 第20-21页 |
| ·直接恢复算法 | 第21-23页 |
| ·正则化算法 | 第23-24页 |
| ·自适应恢复算法 | 第24页 |
| ·图像盲恢复算法 | 第24-25页 |
| ·超分辨率恢复算法 | 第25-26页 |
| ·神经网络法 | 第26页 |
| ·基于支持向量机的图像恢复算法 | 第26页 |
| ·大气退化图像恢复的研究现状 | 第26-29页 |
| ·论文主要研究内容及章节安排 | 第29-32页 |
| ·主要研究内容 | 第29-30页 |
| ·章节安排 | 第30-32页 |
| 第二章 MTF的物理意义及其应用 | 第32-53页 |
| ·MTF 的概念与物理意义 | 第32-36页 |
| ·MTF 的概念 | 第32-35页 |
| ·MTF 的物理意义 | 第35-36页 |
| ·MTF 的计算方法 | 第36-42页 |
| ·理论基础 | 第36-38页 |
| ·卫星遥感系统MTF 的常用计算方法 | 第38-42页 |
| ·基于MTF 的遥感影像质量评价方法与常用评价指标 | 第42-48页 |
| ·基于MTF 的遥感影像质量评价 | 第42-44页 |
| ·常用的遥感影像质量评价指标 | 第44-48页 |
| ·遥感影像的MTF 补偿 | 第48-51页 |
| ·本章小结 | 第51-53页 |
| 第三章 基于气象数据的大气MTF估计 | 第53-62页 |
| ·简介 | 第53页 |
| ·大气湍流MTF 估计模型 | 第53-56页 |
| ·大气气溶胶MTF 估计模型 | 第56-58页 |
| ·大气整体MTF 估计模型 | 第58-59页 |
| ·试验结果与分析 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 第四章 利用估计大气MTF改进的维纳滤波和直接解卷积算法 | 第62-80页 |
| ·经典维纳滤波算法 | 第62-64页 |
| ·改进的维纳滤波算法及其试验结果 | 第64-67页 |
| ·算法改进思路与实现步骤 | 第64-65页 |
| ·试验结果与对比分析 | 第65-67页 |
| ·直接解卷积算法 | 第67-75页 |
| ·算法简介 | 第67页 |
| ·Lévy 点扩散函数 | 第67-68页 |
| ·中心极限定理与直接解卷积算法 | 第68-69页 |
| ·影像傅里叶变换与直接解卷积算法 | 第69-72页 |
| ·SECB 图像恢复方法与扩散方程 | 第72-73页 |
| ·慢动作盲解卷积(Slow Motion Blind Deconvolution) | 第73-75页 |
| ·算法实现步骤 | 第75页 |
| ·改进的直接解卷积算法及其试验结果 | 第75-79页 |
| ·算法改进思路与实现流程 | 第75-76页 |
| ·试验结果与对比分析 | 第76-79页 |
| ·本章小结 | 第79-80页 |
| 第五章 基于“近视”解卷积算法的自适应遥感影像恢复 | 第80-95页 |
| ·简介 | 第80-81页 |
| ·自适应解卷积算法 | 第81-85页 |
| ·成像模型 | 第81页 |
| ·基于Bayesian 原理的解卷积框架 | 第81-83页 |
| ·基于边缘保护的“近视”解卷积 | 第83-84页 |
| ·扩展到多帧数据 | 第84-85页 |
| ·算法实现步骤 | 第85-92页 |
| ·算法综述 | 第85-87页 |
| ·约束共轭梯度最小化 | 第87页 |
| ·代价函数偏导数的计算 | 第87-89页 |
| ·正则化参数的自适应估计 | 第89-92页 |
| ·基于遥感影像的实验结果 | 第92-93页 |
| ·本章小结 | 第93-95页 |
| 第六章 基于Bayesian原理的遥感影像解卷积算法 | 第95-116页 |
| ·算法简介与贝叶斯原理 | 第95-99页 |
| ·盲解卷积的发展现状 | 第96-98页 |
| ·复杂问题的约束 | 第98页 |
| ·贝叶斯原理 | 第98-99页 |
| ·正向模型 | 第99-103页 |
| ·利用关键变量模型对自然场景进行建模 | 第99-101页 |
| ·对图像形成过程的理解 | 第101-103页 |
| ·贝叶斯估计：正向模型的逆过程 | 第103-109页 |
| ·多余变量的边际化和相关近似 | 第104页 |
| ·一种参数估计的盲算法 | 第104-106页 |
| ·对模型进行简化 | 第106-107页 |
| ·简化的优化算法 | 第107-109页 |
| ·实验结果 | 第109-114页 |
| ·对两种模糊参数识别算法的验证 | 第109-112页 |
| ·利用识别的模糊参数对退化影像进行恢复 | 第112-114页 |
| ·进一步的发展与改进 | 第114-115页 |
| ·计算的不确定性 | 第114页 |
| ·模型估计和检测 | 第114-115页 |
| ·增强算法的鲁棒性 | 第115页 |
| ·本章小结 | 第115-116页 |
| 第七章 基于梯度域动态压缩的高辐射分辨率遥感影像增强算法 | 第116-135页 |
| ·简介 | 第116-119页 |
| ·高辐射分辨率遥感影像及其特性 | 第116-118页 |
| ·梯度域高动态范围图像压缩 | 第118-119页 |
| ·研究现状 | 第119-122页 |
| ·梯度域动态压缩 | 第122-124页 |
| ·梯度衰减函数 | 第124-126页 |
| ·应用 | 第126-127页 |
| ·实验结果与分析 | 第127-134页 |
| ·本章小结 | 第134-135页 |
| 第八章 总结与展望 | 第135-138页 |
| ·总结 | 第135-136页 |
| ·展望 | 第136-138页 |
| 参考文献 | 第138-146页 |
| 作者简历 攻读博士学位期间完成的主要工作 | 第146-148页 |
| 致谢 | 第148页 |
