基于深度学习网络模型及非负矩阵分解的高光谱图像解混

目录

第1章 绪论

1.1 研究背景

1.2 国内外研究现状

1.2.1 国内外传统解混算法

1.2.2 基于非负矩阵分解的国内外解混算法

1.2.3 基于深度学习的国内外解混算法

1.3 论文主要研究内容和章节安排

第2章 基于生成对抗网络的高光谱图像降噪方法

2.1 引言

2.2 相关网络概述

2.2.1 生成对抗网络概述

2.2.2 残差网络概述

2.3.1 高光谱降噪模型

2.3.2 高光谱噪声类型分析

2.4 基于生成对抗网络的降噪方法研究

2.4.1 生成网络

2.4.2 判别网络

2.4.3 网络说明

2.5 实验设计

2.5.1 降噪性能评价指标

2.5.2 实验数据集介绍

2.5.3 实验结果及分析

2.6 本章小结

第3章 基于生成式网络模型的降噪-解混级联网络

3.1 引言

3.2 自编码及其衍生模型概述

3.2.1 基本的自编码器

3.2.2 自编码器的衍生模型

3.3 常用线性解混算法

3.3.1 顶点成分分析概述

3.3.2 最小体积单形体分析

3.3.3 非负矩阵分解

3.4.1 整体级联网络结构

3.4.2 SNN-SVAE解混网络结构

3.5 实验设计

3.5.1 解混性能评价指标

3.5.2 实验数据集介绍

3.5.3 实验结果及分析

3.6 本章小结

第4章 基于严格地物约束的光谱解混实现高光谱图像超分辨率重构

4.1 引言

4.2 高光谱图像超分辨率重构典型方法

4.2.1 基于学习的方法

4.2.2 基于冗余字典的方法

4.2.3 基于光谱相似性的方法

4.3 基于耦合非负矩阵分解及光谱解混的高光谱图像融合

4.3.1 降噪-解混级联网络实现高光谱超分辨率重构

4.3.2 融合算法具体流程

4.4.1 融合性能衡量指标

4.4.2 实验数据集介绍

4.4.3 实验结果及分析

4.5 本章小结

结论

参考文献

攻读硕士学位期间发表的论文及其它成果

声明

致谢