| 摘要 | 第1-7页 |
| ABSTRACT | 第7-23页 |
| 第一章 绪论 | 第23-39页 |
| ·研究背景及意义 | 第23-28页 |
| ·多光谱和全色图像融合的研究现状及进展 | 第28-32页 |
| ·基于替代法的多光谱和全色图像融合 | 第28-30页 |
| ·基于多尺度几何分析的多光谱和全色图像融合 | 第30-31页 |
| ·基于压缩感知和超分辨重构的多光谱和全色图像融合模型 | 第31-32页 |
| ·高光谱图像分类的研究现状及进展 | 第32-36页 |
| ·基于光谱信息的高光谱图像特征提取 | 第33-34页 |
| ·基于空谱结合的高光谱图像分类方法 | 第34-35页 |
| ·基于神经网络的高光谱图像分类算法 | 第35-36页 |
| ·本论文工作 | 第36-39页 |
| 第二章 基于Mask Dodging和非下采样Shearlet变换的多光谱和全色图像融合 | 第39-51页 |
| ·引言 | 第39-40页 |
| ·带有薄云的多光谱和全色图像融合方法 | 第40-47页 |
| ·基于Mask Dodging的薄云去除方法 | 第40-43页 |
| ·自适应PCA变换 | 第43-44页 |
| ·非下采样Shearlet变换分解 | 第44-45页 |
| ·细节增强的权值矩阵设计 | 第45-46页 |
| ·融合图像的细节增强 | 第46-47页 |
| ·实验结果与分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第三章 基于初始素描模型和学习插值的多光谱和全色图像融合 | 第51-73页 |
| ·引言 | 第51-52页 |
| ·Marr的视觉计算理论 | 第52-53页 |
| ·初始素描模型 | 第53-54页 |
| ·基于初始素描模型和学习插值的融合方法 | 第54-62页 |
| ·学习插值模型 | 第54-56页 |
| ·基于视觉计算理论和初始素描图的区域划分方法 | 第56-58页 |
| ·基于非局部的插值参数预测 | 第58页 |
| ·插值参数的学习和调整 | 第58-61页 |
| ·算法分析 | 第61-62页 |
| ·实验结果与分析 | 第62-70页 |
| ·实验分析 | 第63-69页 |
| ·阈值T的选择(划分非结构区域为光滑和纹理区域) | 第69-70页 |
| ·噪声条件下区域图的鲁棒性分析 | 第70页 |
| ·本章小结 | 第70-73页 |
| 第四章 基于压缩超分辨重构和多字典学习的多光谱和全色图像融合 | 第73-87页 |
| ·引言 | 第73-75页 |
| ·基于压缩超分辨重构和多字典的学习的两阶段实现 | 第75-78页 |
| ·基于压缩超分辨重构的融合模型 | 第75-77页 |
| ·基于初始素描模型的区域划分和多字典学习 | 第77-78页 |
| ·实验结果与分析 | 第78-85页 |
| ·QuickBird数据的多光谱和全色图像融合实验 | 第79-82页 |
| ·IKONOS数据的多光谱和全色图像融合实验 | 第82-83页 |
| ·分析权值对融合图像结果的影响 | 第83-84页 |
| ·字典规模分析 | 第84-85页 |
| ·本章小结 | 第85-87页 |
| 第五章 基于脊波自编码器的高光谱图像分类 | 第87-111页 |
| ·引言 | 第87-88页 |
| ·脊波自编码器及其逼近性能分析 | 第88-92页 |
| ·连续和离散脊波逼近 | 第88-90页 |
| ·脊波自编码器构造 | 第90页 |
| ·脊波自编码器逼近误差分析 | 第90-92页 |
| ·脊波自编码器学习算法 | 第92-96页 |
| ·参数的初始化学习 | 第92-94页 |
| ·参数调整 | 第94-96页 |
| ·基于脊波自编码器的高光谱图像分类 | 第96-97页 |
| ·高光谱图像分类实验与分析 | 第97-99页 |
| ·MNIST手写体数据分类实验结果与分析 | 第99-105页 |
| ·实验数据 | 第99-100页 |
| ·分类实验结果 | 第100-101页 |
| ·稳定性分析 | 第101-102页 |
| ·稀疏性分析 | 第102-103页 |
| ·逼近性能分析 | 第103-105页 |
| ·CIFAR10数据库分类实验结果与分析 | 第105-107页 |
| ·实验数据 | 第105页 |
| ·分类实验结果 | 第105-106页 |
| ·稳定性分析 | 第106-107页 |
| ·稀疏性分析 | 第107页 |
| ·双螺旋线实验分析 | 第107-110页 |
| ·本章小结 | 第110-111页 |
| 第六章 基于脊波卷积神经网络的高光谱图像分类 | 第111-133页 |
| ·引言 | 第111-112页 |
| ·卷积神经网络 | 第112-113页 |
| ·基于脊波卷积神经网络的高光谱图像分类方法 | 第113-116页 |
| ·卷积神经网络的脊波初始化 | 第113-115页 |
| ·卷积层、全连接层和分类层学习 | 第115-116页 |
| ·结合空谱信息的高光谱图像分类 | 第116-118页 |
| ·实验结果与分析 | 第118-131页 |
| ·数据说明 | 第118-121页 |
| ·下采样层对高光谱图像分类精度的影响 | 第121-123页 |
| ·基于脊波卷积神经网络的高光谱图像分类 | 第123-124页 |
| ·与其它特征提取方法的对比试验 | 第124-127页 |
| ·深度卷积神经网络性能分析 | 第127-129页 |
| ·卷积层滤波器个数对分类精度的影响 | 第129-130页 |
| ·PCA分解后分量个数对分类精度的影响 | 第130页 |
| ·提取空间信息的窗口大小对分类精度的影响 | 第130-131页 |
| ·本章小结 | 第131-133页 |
| 第七章 基于三维卷积神经网络的高光谱图像分类 | 第133-145页 |
| ·引言 | 第133-134页 |
| ·三维卷积神经网络结构 | 第134-135页 |
| ·基于空谱结合的三维卷积神经网络的高光谱图像分类 | 第135-138页 |
| ·空谱信息提取 | 第135页 |
| ·三维脊波滤波器的初始化 | 第135-136页 |
| ·三维卷积神经网络参数学习 | 第136-138页 |
| ·实验结果与分析 | 第138-144页 |
| ·数据信息 | 第138-139页 |
| ·仿真实验与分析 | 第139-142页 |
| ·参数分析 | 第142-143页 |
| ·时间复杂度分析 | 第143-144页 |
| ·本章小结 | 第144-145页 |
| 第八章 总结与展望 | 第145-149页 |
| ·工作总结 | 第145-147页 |
| ·工作展望 | 第147-149页 |
| 参考文献 | 第149-167页 |
| 致谢 | 第167-169页 |
| 作者简介 | 第169-170页 |
