| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究的目的及意义 | 第9-11页 |
| 1.2 研究现状及发展动态 | 第11-15页 |
| 1.2.1 高光谱遥感技术的发展 | 第11-12页 |
| 1.2.2 国内外研究现状及分析 | 第12-15页 |
| 1.3 论文主要研究内容 | 第15-16页 |
| 2 高光谱图像去雾算法中的端元提取方法 | 第16-28页 |
| 2.1 线性混合像元分解模型 | 第16-18页 |
| 2.2 薄雾下的混合像元分解模型 | 第18-20页 |
| 2.3 高光谱图像的降维方法 | 第20-22页 |
| 2.3.1 主成份分析法PCA | 第21页 |
| 2.3.2 最大噪声分离法MNF | 第21-22页 |
| 2.4 高光谱图像的端元提取方法 | 第22-25页 |
| 2.4.1 纯像元指数法PPI | 第22-23页 |
| 2.4.2 顶点成分分析法VCA | 第23-24页 |
| 2.4.3 自动目标生成法ATGP | 第24-25页 |
| 2.5 实验结果分析 | 第25-27页 |
| 2.6 本章小结 | 第27-28页 |
| 3 高光谱图像去雾算法中的丰度反演方法 | 第28-34页 |
| 3.1 基于最小二乘法的丰度反演方法 | 第28-30页 |
| 3.1.1 无约束最小二乘法UCLS | 第28页 |
| 3.1.2 “和为1”约束最小二乘法SCLS | 第28-29页 |
| 3.1.3 “非负”约束最小二乘法NCLS | 第29页 |
| 3.1.4 全约束最小二乘法FCLS | 第29-30页 |
| 3.2 实验结果分析 | 第30-33页 |
| 3.3 本章小结 | 第33-34页 |
| 4 基于最小体积约束的非负矩阵分解的高光谱图像去雾方法 | 第34-42页 |
| 4.1 非负矩阵分解算法的原理 | 第34-35页 |
| 4.2 基于最小体积约束的非负矩阵分解的高光谱图像去雾方法 | 第35-38页 |
| 4.2.1 高光谱图像的最小体积约束 | 第35-36页 |
| 4.2.2 基于最小体积约束的非负矩阵分解的高光谱图像去雾方法 | 第36-37页 |
| 4.2.3 算法步骤 | 第37-38页 |
| 4.3 实验结果及分析 | 第38-41页 |
| 4.3.1 模拟数据实验 | 第38-39页 |
| 4.3.2 真实图像实验 | 第39-41页 |
| 4.4 本章总结 | 第41-42页 |
| 5 基于支持向量数据描述的高光谱图像去雾方法 | 第42-57页 |
| 5.1 支持向量机理论 | 第42-44页 |
| 5.2 支持向量数据描述理论 | 第44-47页 |
| 5.2.1 支持向量数据描述 | 第44-46页 |
| 5.2.2 核函数 | 第46-47页 |
| 5.3 基于SVDD的高光谱图像去雾方法 | 第47-49页 |
| 5.4 算法步骤 | 第49-50页 |
| 5.5 实验结果及分析 | 第50-56页 |
| 5.5.1 模拟数据实验 | 第50-52页 |
| 5.5.2 真实数据实验 | 第52-56页 |
| 5.6 小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 工作总结 | 第57页 |
| 6.2 研究展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-62页 |
