| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景与意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-21页 |
| 1.3 本文的研究内容与结构安排 | 第21-23页 |
| 1.3.1 本文的研究内容 | 第21-22页 |
| 1.3.2 本文的结构安排 | 第22-23页 |
| 第二章 稀疏表示与联合字典模型以及凸优化算法应用 | 第23-35页 |
| 2.1 引言 | 第23页 |
| 2.2 稀疏表示定义与应用 | 第23-24页 |
| 2.2.1 稀疏表示定义 | 第23页 |
| 2.2.2 稀疏表示与字典学习 | 第23-24页 |
| 2.3 字典学习方法 | 第24-27页 |
| 2.3.1 最优方向算法 | 第24-25页 |
| 2.3.2 K-SVD算法 | 第25-27页 |
| 2.4 联合字典学习 | 第27-28页 |
| 2.5 凸优化方法 | 第28-34页 |
| 2.5.1 梯度下降法 | 第29页 |
| 2.5.2 加速梯度下降法 | 第29-30页 |
| 2.5.3 近端算法 | 第30-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 基于深度卷积网络的遥感图像精致目标检测 | 第35-45页 |
| 3.1 引言 | 第35页 |
| 3.2 图像分割方法基础理论 | 第35-36页 |
| 3.3 全局凸分割方法 | 第36-38页 |
| 3.4 基于Faster R-CNN深度网络的遥感图像精致目标检测 | 第38-44页 |
| 3.4.1 精致目标检测框架和模型 | 第38-40页 |
| 3.4.2 实验数据和设置 | 第40-41页 |
| 3.4.3 实验结果与分析 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于稀疏表示的遥感图像全局联合字典超分辨率重建模型 | 第45-65页 |
| 4.1 引言 | 第45-46页 |
| 4.2 基于稀疏表示的联合字典模型 | 第46-48页 |
| 4.2.1 局部约束模型 | 第46-47页 |
| 4.2.2 局部约束模型详细算法 | 第47-48页 |
| 4.3 基于稀疏表示的全局联合字典模型 | 第48-50页 |
| 4.3.1 全局约束模型 | 第48-49页 |
| 4.3.2 全局约束模型详细算法 | 第49-50页 |
| 4.4 实验结果分析 | 第50-63页 |
| 4.4.1 实验数据和设置 | 第50-52页 |
| 4.4.2 基于JDM和GJDM模型重建高分辨图像的实验分析 | 第52-56页 |
| 4.4.3 基于GJDM在不同的字典下重建高分辨图像实验分析 | 第56-60页 |
| 4.4.4 基于不同的超分辨率重建算法的重建高分辨图像实验分析 | 第60-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 本文的创新之处 | 第65-66页 |
| 5.2 进一步研究的方向 | 第66-67页 |
| 参考文献 | 第67-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77页 |
