| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 缩略语 | 第13-18页 |
| 第1章 绪论 | 第18-32页 |
| 1.1 研究背景 | 第18-22页 |
| 1.1.1 高光谱遥感技术 | 第18-19页 |
| 1.1.2 混合像元的产生 | 第19-20页 |
| 1.1.3 混合模型 | 第20-22页 |
| 1.2 端元数目确定 | 第22-24页 |
| 1.2.1 主成分分析法(PCA) | 第22-23页 |
| 1.2.2 虚拟维方法(VD) | 第23页 |
| 1.2.3 最小误差方法(Hysime) | 第23-24页 |
| 1.3 混合像元解混概述 | 第24-26页 |
| 1.4 高光谱图像降维技术 | 第26-28页 |
| 1.4.1 特征提取 | 第26-27页 |
| 1.4.2 特征选择 | 第27-28页 |
| 1.5 论文的研究目标和创新点 | 第28-29页 |
| 1.6 内容安排 | 第29-30页 |
| 1.7 论文所采用的数据来源 | 第30-32页 |
| 第2章 高光谱遥感图像混合像元分解研究现状 | 第32-44页 |
| 2.1 几何学解混方法 | 第32-36页 |
| 2.1.1 PPI | 第34页 |
| 2.1.2 VCA | 第34-35页 |
| 2.1.3 N-FINDR | 第35页 |
| 2.1.4 SGA | 第35-36页 |
| 2.2 基于独立分量分析的统计学解混 | 第36-39页 |
| 2.2.1 独立分量分析概述 | 第36-37页 |
| 2.2.2 独立分量分析的预处理 | 第37-38页 |
| 2.2.3 独立分量分析在光谱解混中的应用 | 第38-39页 |
| 2.3 基于非负矩阵分解的统计学解混 | 第39-40页 |
| 2.3.1 非负矩阵分解概述 | 第39-40页 |
| 2.3.2 非负矩阵分解在光谱解混中的应用 | 第40页 |
| 2.4 小结与讨论 | 第40-44页 |
| 2.4.1 方法比较：几何学与统计学 | 第41-42页 |
| 2.4.2 方法比较：NMF与ICA | 第42-44页 |
| 第3章 基于有约束ICA的解混方法 | 第44-73页 |
| 3.1 引言 | 第44-45页 |
| 3.2 算法描述 | 第45-55页 |
| 3.2.1 自适应丰度建模(AAM) | 第46-49页 |
| 3.2.2 丰度非负约束(ANC) | 第49-50页 |
| 3.2.3 丰度和为一约束(ASC) | 第50-51页 |
| 3.2.4 更新公式 | 第51-53页 |
| 3.2.5 预处理与初始化算法(UI) | 第53-54页 |
| 3.2.6 具体算法步骤 | 第54-55页 |
| 3.3 定理证明 | 第55-56页 |
| 3.3.1 定理1证明 | 第55-56页 |
| 3.3.2 定理2证明 | 第56页 |
| 3.4 方差σ,取值的分析 | 第56-57页 |
| 3.5 仿真数据验证 | 第57-66页 |
| 3.5.1 与盲源分离方法的直观比较 | 第57-60页 |
| 3.5.2 与高光谱解混方法的定量比较 | 第60-66页 |
| 3.6 实际数据验证 | 第66-71页 |
| 3.6.1 Washington DC mall数据 | 第66-70页 |
| 3.6.2 Lunar Lake数据 | 第70-71页 |
| 3.7 本章小结 | 第71-73页 |
| 第4章 基于三角分解的快速端元提取方法 | 第73-108页 |
| 4.1 引言 | 第73-75页 |
| 4.1.1 单形体体积分析 | 第73-74页 |
| 4.1.2 三角分解概述 | 第74-75页 |
| 4.2 算法描述 | 第75-93页 |
| 4.2.1 基本思想 | 第75-76页 |
| 4.2.2 算法框架 | 第76-77页 |
| 4.2.3 基于Cholesky Factorization的端元提取算法 | 第77-82页 |
| 4.2.4 基于QR Factorization的端元提取算法 | 第82-91页 |
| 4.2.5 计算复杂度 | 第91-93页 |
| 4.3 算法在端元个数确定中的应用 | 第93-94页 |
| 4.4 定理证明 | 第94-97页 |
| 4.4.1 OBA算法的推导 | 第94-96页 |
| 4.4.2 对角元单调下降证明 | 第96-97页 |
| 4.5 实验结果 | 第97-107页 |
| 4.5.1 仿真数据测试 | 第98-103页 |
| 4.5.2 真实数据测试 | 第103-107页 |
| 4.6 小结 | 第107-108页 |
| 第5章 基于三角分解的丰度估计方法 | 第108-117页 |
| 5.1 引言 | 第108页 |
| 5.2 基本思想 | 第108-110页 |
| 5.3 算法描述 | 第110-111页 |
| 5.4 实验结果 | 第111-115页 |
| 5.4.1 仿真数据测试 | 第112-115页 |
| 5.4.2 真实数据测试 | 第115页 |
| 5.5 小结 | 第115-117页 |
| 第6章 基于复杂网络的高光谱波段选择方法 | 第117-132页 |
| 6.1 波段选择研究简介 | 第117-118页 |
| 6.2 复杂网络相关理论概述 | 第118-122页 |
| 6.2.1 数学表示 | 第119页 |
| 6.2.2 复杂网络构造算法 | 第119-121页 |
| 6.2.3 拓扑特征 | 第121-122页 |
| 6.3 算法描述 | 第122-127页 |
| 6.3.1 建立网络 | 第122-124页 |
| 6.3.2 选择特征波段 | 第124-125页 |
| 6.3.3 具体算法步骤 | 第125-127页 |
| 6.4 实验模拟 | 第127-130页 |
| 6.4.1 Indian Pines数据实验 | 第127-128页 |
| 6.4.2 Washington DC mall数据实验 | 第128-130页 |
| 6.5 小结和讨论 | 第130-132页 |
| 第7章 总结与展望 | 第132-136页 |
| 7.1 本文的主要工作和创新点 | 第132-134页 |
| 7.2 工作展望 | 第134-136页 |
| 参考文献 | 第136-146页 |
| 攻读博士学位期间发表论文、申请专利 | 第146-149页 |
| 致谢 | 第149-150页 |
