| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第12-27页 |
| 1.1 问题背景及研究意义 | 第12-14页 |
| 1.2 高光谱数据特点 | 第14-15页 |
| 1.3 国内外研究现状 | 第15-21页 |
| 1.3.1 高光谱分类 | 第15-18页 |
| 1.3.2 高光谱目标检测 | 第18-20页 |
| 1.3.3 高光谱视频序列中的气体检测 | 第20-21页 |
| 1.4 论文的研究思路及内容 | 第21-27页 |
| 1.4.1 稀疏与低秩先验 | 第22-23页 |
| 1.4.2 论文研究内容与创新点 | 第23-25页 |
| 1.4.3 论文的组织结构 | 第25-27页 |
| 2 基于自适应上下文空间信息的联合稀疏表示分类方法 | 第27-43页 |
| 2.1 引言 | 第27-28页 |
| 2.2 基于自适应上下文的空谱联合稀疏表示分类方法 | 第28-32页 |
| 2.2.1 联合稀疏表示模型 | 第28-29页 |
| 2.2.2 基于Steering核的自适应空间上下文建模 | 第29-31页 |
| 2.2.3 自适应上下文的空谱联合分类 | 第31-32页 |
| 2.3 实验结果与分析 | 第32-42页 |
| 2.3.1 实验数据 | 第32-34页 |
| 2.3.2 评价指标 | 第34-35页 |
| 2.3.3 实验结果 | 第35-42页 |
| 2.3.4 参数h和M的影响 | 第42页 |
| 2.4 本章小结 | 第42-43页 |
| 3 基于低秩分解的空谱联合分类方法 | 第43-61页 |
| 3.1 引言 | 第43-44页 |
| 3.2 高光谱图像中的低秩特征提取 | 第44-47页 |
| 3.3 基于低秩分解的空谱联合分类模型和算法 | 第47-49页 |
| 3.4 实验结果与分析 | 第49-60页 |
| 3.4.1 低秩特征分析 | 第50-52页 |
| 3.4.2 本章所提算法结果 | 第52-59页 |
| 3.4.3 参数的选择 | 第59页 |
| 3.4.4 执行时间 | 第59-60页 |
| 3.5 本章小结 | 第60-61页 |
| 4 基于低秩和稀疏表示的高光谱图像异常检测 | 第61-84页 |
| 4.1 引言 | 第61-62页 |
| 4.2 异常检测理论及RX算法 | 第62-63页 |
| 4.3 基于低秩和稀疏表示的异常检测 | 第63-70页 |
| 4.3.1 低秩表示异常检测框架 | 第63-64页 |
| 4.3.2 稀疏正则项的设计 | 第64-65页 |
| 4.3.3 背景字典的构造 | 第65-67页 |
| 4.3.4 模型求解 | 第67-70页 |
| 4.4 实验结果及分析 | 第70-82页 |
| 4.4.1 测试数据集 | 第70-73页 |
| 4.4.2 评价指标 | 第73页 |
| 4.4.3 检测结果 | 第73-81页 |
| 4.4.4 参数分析 | 第81-82页 |
| 4.4.5 算法的执行时间对比实验 | 第82页 |
| 4.5 本章小结 | 第82-84页 |
| 5 基于时空TV正则化低秩矩阵分解的高光谱视频气体检测 | 第84-102页 |
| 5.1 引言 | 第84-85页 |
| 5.2 时空TV正则化低秩分解模型及算法 | 第85-91页 |
| 5.2.1 基于低秩分解的视频目标检测 | 第85-86页 |
| 5.2.2 时空TV正则化的低秩分解模型 | 第86-87页 |
| 5.2.3 模型求解 | 第87-91页 |
| 5.3 基于LRSTV的高光谱视频气体检测方法 | 第91-94页 |
| 5.4 实验结果与分析 | 第94-101页 |
| 5.4.1 测试数据 | 第94-95页 |
| 5.4.2 评价指标 | 第95页 |
| 5.4.3 检测结果 | 第95-100页 |
| 5.4.4 参数分析 | 第100-101页 |
| 5.5 本章小结 | 第101-102页 |
| 6 结束语 | 第102-105页 |
| 6.1 本文工作总结 | 第102-103页 |
| 6.2 下一步研究方向 | 第103-105页 |
| 致谢 | 第105-106页 |
| 参考文献 | 第106-120页 |
| 攻读博士学位期间发表论文与专利情况 | 第120-121页 |
| 攻读博士学位期间参加课题及资助基金 | 第121页 |
