| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 图目录 | 第8-10页 |
| 表目录 | 第10-11页 |
| 缩略表 | 第11-16页 |
| 第一章 绪论 | 第16-28页 |
| ·课题研究背景和意义 | 第16-18页 |
| ·课题研究的历史与现状 | 第18-26页 |
| ·静态图像压缩技术 | 第18-21页 |
| ·高光谱图像特征分析 | 第21-22页 |
| ·高光谱图像压缩技术现状 | 第22-26页 |
| ·本文的主要工作 | 第26-28页 |
| 第二章 基于整数小波变换的高光谱图像无损压缩 | 第28-46页 |
| ·引言 | 第28-29页 |
| ·小波变换 | 第29-33页 |
| ·小波变换简介 | 第29-30页 |
| ·多分辨分析和Mallat算法 | 第30-31页 |
| ·提升方案和整数小波变换 | 第31-33页 |
| ·整数小波变换与图像无损压缩 | 第33-38页 |
| ·二维小波变换 | 第33-34页 |
| ·整数小波变换压缩性能分析 | 第34-36页 |
| ·整数小波变换用于无损压缩应考虑的问题 | 第36-38页 |
| ·基于整数小波变换的高光谱图像无损压缩算法 | 第38-41页 |
| ·实验结果及分析 | 第41-44页 |
| ·本章小结 | 第44-46页 |
| 第三章 基于神经网络的高光谱图像无损压缩 | 第46-60页 |
| ·引言 | 第46-47页 |
| ·矢量量化 | 第47-50页 |
| ·矢量量化编码原理 | 第47-48页 |
| ·码书设计和码字搜索 | 第48-50页 |
| ·基于神经网络的高光谱图像矢量量化 | 第50-53页 |
| ·基本原理 | 第50页 |
| ·基于自组织映射神经网络的码书设计 | 第50-53页 |
| ·分类谱间预测器 | 第53-54页 |
| ·基于神经网络的高光谱图像无损压缩算法 | 第54-55页 |
| ·实验结果与分析 | 第55-58页 |
| ·本章小结 | 第58-60页 |
| 第四章 基于多尺度几何分析的高光谱图像压缩 | 第60-88页 |
| ·引言 | 第60-61页 |
| ·Contourlet变换及其非线性逼近性能 | 第61-73页 |
| ·Contourlet变换 | 第61-66页 |
| ·Contourlet变换系数的分布特征 | 第66-69页 |
| ·Contourlet变换的非线性逼近性能 | 第69-73页 |
| ·基于小波变换的多尺度方向分析 | 第73-81页 |
| ·基于小波的Contourlet变换 | 第73-74页 |
| ·均衡方向滤波器组 | 第74-76页 |
| ·基于小波系数和均衡方向滤波器的多尺度方向分析 | 第76-78页 |
| ·非线性逼近性能实验结果比较 | 第78-81页 |
| ·基于多尺度方向分析的高光谱图像压缩 | 第81-85页 |
| ·基于多尺度方向分析的高光谱图像压缩方案 | 第81-83页 |
| ·WUDFB变换域嵌入式块编码算法 | 第83-85页 |
| ·实验结果与分析 | 第85-87页 |
| ·本章小结 | 第87-88页 |
| 第五章 基于独立成分分析的高光谱图像数据降维及压缩 | 第88-108页 |
| ·引言 | 第88-89页 |
| ·独立成分分析 | 第89-94页 |
| ·独立成分分析基础 | 第89-90页 |
| ·独立成分分析的主要判据 | 第90-92页 |
| ·独立成分分析算法 | 第92-93页 |
| ·快速定点学习算法 | 第93-94页 |
| ·基于ICA的高光谱数据降维 | 第94-96页 |
| ·基于ICA的高光谱数据压缩 | 第96-97页 |
| ·实验结果与分析 | 第97-107页 |
| ·220波段高光谱数据 | 第97-101页 |
| ·64波段高光谱数据 | 第101-107页 |
| ·本章小结 | 第107-108页 |
| 第六章 总结和展望 | 第108-111页 |
| ·论文总结 | 第108-110页 |
| ·研究展望 | 第110-111页 |
| 参考文献 | 第111-120页 |
| 攻读博士学位期间的研究成果 | 第120-122页 |
| 致谢 | 第122-123页 |