基于深度学习的高光谱图像压缩感知重建方法研究

目录

声明

1 绪论

1.1 课题背景与意义

1.2 课题研究现状及研究关键问题

1.2.1 高光谱图像特性分析

1.2.2 高光谱图像重建算法研究现状

1.2.3 高光谱图像压缩感知研究关键问题

1.3 本文主要工作与创新点

1.4 本文组织与结构

2 压缩感知理论及其应用

2.1 引言

2.2 压缩感知理论

2.2.1 测量矩阵设计

2.2.2 重构算法设计

2.3 压缩感知的应用

2.4 本章小结

3 现有压缩感知重建方法及其在高光谱图像中的应用

3.1 引言

3.2 传统压缩感知重建方法及其在高光谱图像中的应用

3.2.1 D-AMP

3.2.2 TVAL3

3.3 基于深度学习的压缩感知重建及其在高光谱图像中的应用

3.4 实验结果

3.5 本章小结

4 基于块残差网络的高光谱图像重构

4.1 引言

4.2 残差网络

4.2.1 从卷积神经网络到残差网络

4.2.2 残差网络训练方法

4.3 基于块残差网络的高光谱图像重构算法

4.3.1 总体框架与流程

4.3.2 基于块的高光谱图像压缩感知采样

4.3.3 基于块残差网络的高光谱图像重构算法

4.3.4 基于块残差网络的高光谱图像去块效应算法

4.4 实验结果

4.4.1 数据集与评价标准

4.4.2 基于块残差网络的高光谱图像重构算法实验结果

4.4.3 基于块残差网络的高光谱图像去块效应算法实验结果

4.5 本章小结

5 基于空谱联合密集残差网络的高光谱图像重构

5.1 引言

5.2 基于空谱联合密集残差网络的高光谱图像重构

5.2.1 总体框架与流程

5.2.2 基于密集残差网络的高光谱图像重构算法

5.2.3 基于空谱联合密集残差网络的高光谱图像重构算法

5.3 实验结果

5.3.1 数据集和评价指标

5.3.2 基于密集残差网络的高光谱图像重构实验结果

5.3.3 基于空谱联合密集残差网络的高光谱图像重构实验结果

5.4 本章小结

6 总结与展望

6.1 论文总结

6.2 不足之处及未来展望

致谢

参考文献

附录