声明
致谢
图清单
表清单
变量注释表
1 绪论
1.1 研究背景与意义（Research Background and Meaning）
1.2 相关研究进展（Progress in Related Research）
1.2.1 非负矩阵分解解混方法研究现状
1.2.2 基于空间预处理的高光谱解混研究现状
1.2.3 解混中处理端元光谱变异性的研究现状
1.3 研究内容与技术路线（Research Objectives and Contents）
1.4 论文组织结构（Structure of the Thesis）
2 高光谱混合像元分解理论基础
2.1 线性光谱混合模型（Linear Spectral Mixing Model）
2.2 混合像元分解流程（Unmixing Procedure）
2.2.1 端元数目估计
2.2.2 端元提取
2.2.3 丰度估计
2.3 NMF 原理（NMF Theory）
2.3.1 NMF目标函数
2.3.2 NMF的约束项
2.4 研究区域概况与数据（Survey and Data of Research Areas）
2.4.1 模拟数据集1
2.4.2 模拟数据集2
2.4.3 Cuprite真实数据集
2.4.4 高分5号真实数据
2.4.5 urban HYDICE真实数据集
2.4.6 Headwall-HySpex锡林浩特真实数据集
2.5 高光谱混合像元分解精度评价（Evaluation of Hyperspectral Unmixing）
（1）光谱角距离（SAD）
（2）丰度的均方根误差（RMSE）
2.6 本章小结（Chapter Summary）
3 基于重加权稀疏和全变差约束的深度非负矩阵分解高光谱解混
3.1 基于 NMF 的混合像元分解算法（Unmixingalgorithmsbasedon NMF）
3.1.1 最小体积约束非负矩阵分解（MVCNMF）
3.1.2 L1/2稀疏约束非负矩阵分解（L1/2-NMF）
3.1.3 多层非负矩阵分解（MLNMF）
3.2.1 RSDNMF-TV模型
3.2.2 算法的优化过程
3.2.3 算法流程
3.3 实验与结果分析（Experiment andAnalysis）
3.3.1 模拟数据实验
3.3.2 Cuprite数据实验
3.3.3 高分5号数据实验
3.4 本章小结（Chapter Summary）
4 面向大场景高光谱影像的蜂窝聚类空间预处理解混方法
4.1 基于局部聚类空间预处理的端元识别方法（Regional Clustering-based Spatial Preprocessing Method）
4.2 蜂窝聚类空间预处理算法（Cellular Cluster Spatial Preprocessing Algorithm）
4.2.1 分割策略
4.2.2 距离度量
4.2.3 提取候选端元
4.3 实验与结果分析（Experiment andAnalysis）
4.3.1 模拟数据实验分析
4.3.2 urban HYDICE真实数据实验分析
4.3.3 HeadWall-Hyspex锡林浩特真实数据实验分析
4.3.4 Cuprite数据实验分析
4.4 本章小结（Chapter Summary）
5 高光谱影像混合像元分解系统
5.1 软件背景（Software Background）
5.2 Python GUI 开发技术(Python GUI Development Technology)
5.3 系统概述（System Overview）
5.4 模块说明（Moudle Illustration）
5.5.1 系统混合像元分解功能
5.5.2 数据介绍
5.5.3 解混结果
5.6 本章小结（Chapter Summary）
6 总结与展望
6.1 总结（Summary）
6.2 展望（Outlook）
参考文献
作者简历
学位论文原创性声明
学位论文数据集
中国矿业大学中国矿业大学(江苏);
