| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-16页 |
| 1.1 研究的背景及意义 | 第7-8页 |
| 1.2 遥感图像去噪的国内外研究进展 | 第8-10页 |
| 1.2.1 遥感图像去噪的国内研究进展 | 第8页 |
| 1.2.2 遥感图像去噪的国外研究进展 | 第8-10页 |
| 1.3 模糊支持向量机的发展 | 第10-12页 |
| 1.4 小波包与FSVM用于遥感图像去噪的可行性分析 | 第12-13页 |
| 1.5 主要研究内容、技术路线和论文体系结构 | 第13-16页 |
| 1.5.1 主要研究内容 | 第13-14页 |
| 1.5.2 研究的方法及技术路线 | 第14-15页 |
| 1.5.3 论文结构 | 第15-16页 |
| 第二章 遥感图像去噪的理论基础 | 第16-32页 |
| 2.1 基于小波包分析的图像去噪算法 | 第16-25页 |
| 2.1.1 小波变换基础简介 | 第16-19页 |
| 2.1.2 小波包分析 | 第19-23页 |
| 2.1.3 小波基选取准则 | 第23-24页 |
| 2.1.4 小波包去噪方法的MATLAB仿真 | 第24-25页 |
| 2.2 模糊支持向量机学习算法 | 第25-31页 |
| 2.2.1 SVM的理论基础 | 第25-28页 |
| 2.2.2 FSVM的算法模型 | 第28-31页 |
| 2.2.3 FSVM分类实验仿真 | 第31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 基于小波包与FSVM组合模型的遥感图像去噪研究 | 第32-43页 |
| 3.1 传统去噪方法的缺陷 | 第32-35页 |
| 3.1.1 Fourier去噪法及其缺点 | 第32-33页 |
| 3.1.2 小波去噪法及其缺点 | 第33页 |
| 3.1.3 小波包去噪法及其缺点 | 第33-35页 |
| 3.2 小波包与FSVM在去噪中的应用 | 第35-38页 |
| 3.2.1 小波包图像分解的特点 | 第35-36页 |
| 3.2.2 FSVM分类的特点 | 第36-37页 |
| 3.2.3 FSVM的引入及新算法的提出 | 第37-38页 |
| 3.3 小波包与FSVM在图像去噪中的实现 | 第38-41页 |
| 3.3.1 基于小波包的图像分解 | 第38-39页 |
| 3.3.2 训练样本选取 | 第39页 |
| 3.3.3 FSVM参数选择 | 第39-41页 |
| 3.3.4 小波包系数分类与重构 | 第41页 |
| 3.4 评价去噪的标准 | 第41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 实验仿真及分析 | 第43-57页 |
| 4.1 噪声图像小波包分解 | 第43-45页 |
| 4.1.1 含随机噪声的图像小波包分解 | 第43-44页 |
| 4.1.2 含高斯噪声的图像小波包分解 | 第44页 |
| 4.1.3 含椒盐噪声的图像小波包分解 | 第44-45页 |
| 4.2 FSVM参数的确定 | 第45-48页 |
| 4.2.1 随机噪声的FSVM参数的确定 | 第45-46页 |
| 4.2.2 高斯噪声的FSVM参数的确定 | 第46-47页 |
| 4.2.3 椒盐噪声的FSVM参数的确定 | 第47-48页 |
| 4.3 FSVM分类及分析 | 第48-50页 |
| 4.3.1 含随机噪声的图像分类及其分析 | 第48-49页 |
| 4.3.2 含高斯噪声的图像分类及其分析 | 第49页 |
| 4.3.3 含椒盐噪声的图像分类及其分析 | 第49-50页 |
| 4.4 小波包图像重构及图像去噪效果 | 第50-55页 |
| 4.4.1 含随机噪声的图像小波包重构及其去噪效果 | 第50-52页 |
| 4.4.2 含高斯噪声的图像小波包重构及其去噪效果 | 第52-53页 |
| 4.4.3 含椒盐噪声的图像小波包重构及其去噪效果 | 第53-55页 |
| 4.4.4 结论 | 第55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 论文总结 | 第57页 |
| 5.2 论文展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 附录 | 第63-64页 |
