高光谱图像光谱解混及端元提取方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文的研究内容和创新点 | 第14-15页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 主要创新点 | 第15页 |
| 1.4 论文的章节安排 | 第15-17页 |
| 第二章 高光谱数据处理 | 第17-28页 |
| 2.1 高光谱数据 | 第17-18页 |
| 2.2 解混模型 | 第18-22页 |
| 2.2.1 混合像元的形成 | 第18-20页 |
| 2.2.2 高光谱解混 | 第20-22页 |
| 2.3 高光谱数据预处理 | 第22-26页 |
| 2.3.1 数据选择 | 第22页 |
| 2.3.2 降维 | 第22-26页 |
| 2.3.2.1 主成分分析 | 第23-24页 |
| 2.3.2.2 最大噪声分离 | 第24-25页 |
| 2.3.2.3 独立成分分析 | 第25页 |
| 2.3.2.4 奇异值分解 | 第25-26页 |
| 2.4 端元个数确定 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 高光谱影像解混及评价 | 第28-46页 |
| 3.1 基于线性混合模型的端元提取算法 | 第28-33页 |
| 3.1.1 N-FINDR算法 | 第28-29页 |
| 3.1.2 PPI算法 | 第29-30页 |
| 3.1.3 VCA算法 | 第30-31页 |
| 3.1.4 SGA算法 | 第31页 |
| 3.1.5 IEA算法 | 第31-32页 |
| 3.1.6 OSP 算法 | 第32-33页 |
| 3.2 非线性解混模型的端元提取算法 | 第33-34页 |
| 3.3 丰度反演方法 | 第34-36页 |
| 3.3.1 非限制性最小二乘 | 第34页 |
| 3.3.2 非负限制性最小二乘 | 第34-35页 |
| 3.3.3 和为一限制性最小二乘 | 第35页 |
| 3.3.4 全限制性最小二乘 | 第35页 |
| 3.3.5 线性分解模型的拓展 | 第35-36页 |
| 3.4 高光谱解混评价 | 第36-37页 |
| 3.5 基于N-FINDR改进的端元提取算法 | 第37-45页 |
| 3.5.1 改进思路 | 第37-39页 |
| 3.5.2 算法改进 | 第39-41页 |
| 3.5.3 算法描述 | 第41-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 算法实验 | 第46-64页 |
| 4.1 模拟数据实验 | 第46-54页 |
| 4.1.1 模拟实验数据生成 | 第46-47页 |
| 4.1.2 噪声数据生成 | 第47-48页 |
| 4.1.3 模拟实验结果 | 第48-54页 |
| 4.2 实际数据实验 | 第54-62页 |
| 4.3 本章小结 | 第62-64页 |
| 第五章 总结展望 | 第64-69页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-69页 |
| 参考文献 | 第69-74页 |
| 攻读学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75页 |
