多源空譜遙感圖像融合的表示學(xué)習(xí)方法

目錄
前言
第1章 緒論 1
1.1 引言 1
1.2 多維信號表示與建模概論 2
1.2.1 稀疏表示與壓縮感知 3
1.2.2 矩陣低秩與張量表示 6
1.2.3 深度表示學(xué)習(xí) 8
1.3 本書面向的讀者與速覽 10
參考文獻(xiàn) 11
第2章 圖像稀疏表示與壓縮感知概要 13
2.1 稀疏表示 13
2.1.1 稀疏表示基本原理 15
2.1.2 稀疏逼近與優(yōu)化算法 17
2.2 字典學(xué)習(xí) 22
2.2.1 MOD方法 23
2.2.2 K-SVD方法 24
2.3 由稀疏表示到壓縮感知 28
2.3.1 不相干感知與稀疏信號復(fù)原 30
2.3.2 穩(wěn)定壓縮感知 31
2.4 代表性應(yīng)用 35
2.4.1 稀疏信號恢復(fù) 35
2.4.2 模式分析與識(shí)別 36
2.5 本章結(jié)語 37
參考文獻(xiàn) 38
第3章 稀疏信號恢復(fù)與優(yōu)化 42
3.1 引言 42
3.2 符號和數(shù)學(xué)背景 43
3.2.1 凸分析基礎(chǔ) 43
3.2.2 凸集投影到鄰近算子 44
3.2.3 鄰近算子的性質(zhì) 45
3.3 兩個(gè)目標(biāo)函數(shù)情形的鄰近分裂算法 46
3.3.1 前向-后向分裂 46
3.3.2 Douglas-Rachford分裂法 49
3.4 含線性變換復(fù)合問題的鄰近算子分裂 50
3.4.1 鄰近算子分裂法 50
3.4.2 交替方向乘子法 51
3.5 多個(gè)目標(biāo)函數(shù)情形的鄰近分裂算法 52
3.6 應(yīng)用：稀疏性正則化線性反問題 54
3.6.1 典型模型 54
3.6.2 凸稀疏懲罰項(xiàng)及其鄰近算子 55
3.6.3 復(fù)合仿射算子保真項(xiàng)的鄰近算子 57
3.6.4 稀疏性正則化線性反問題的鄰近分裂算法 60
3.7 本章結(jié)語 65
參考文獻(xiàn) 65
第4章 多維信號矩陣低秩恢復(fù)理論與應(yīng)用 68
4.1 引言 68
4.2 預(yù)備知識(shí) 69
4.2.1 矩陣的秩 69
4.2.2 矩陣的秩與矩陣范數(shù) 71
4.2.3 矩陣秩與范數(shù)之間的聯(lián)系 73
4.3 低秩矩陣補(bǔ)全模型與可恢復(fù)性理論 75
4.3.1 (近)精確恢復(fù)保證—基于核范數(shù)的凸松弛方法 76
4.3.2 逼近恢復(fù)保證—核范數(shù)和*大范數(shù) 78
4.4 代表性矩陣補(bǔ)全方法 81
4.4.1 奇異值閾值收縮方法 81
4.4.2 低秩正則化的矩陣補(bǔ)全 83
4.4.3 線性仿射約束的低秩正則化矩陣補(bǔ)全 84
4.4.4 凸集約束的低秩正則化的矩陣補(bǔ)全 85
4.4.5 基于矩陣分解的方法 85
4.5 矩陣低秩與稀疏分解 89
4.5.1 魯棒主成分分析 89
4.5.2 廣義魯棒主成分分析 92
4.6 本章結(jié)語 97
參考文獻(xiàn) 98
第5章 多維信號張量表示與分析 101
5.1 引言 101
5.2 由矩陣因子分解到張量表示 101
5.2.1 矩陣因子分解 101
5.2.2 張量概念與表示 103
5.2.3 張量展開與再生 104
5.2.4 張量代數(shù)運(yùn)算 106
5.2.5 張量的n-模式積 107
5.2.6 矩陣Hadamad積、Kronecker積和Khatri-Rao積 108
5.2.7 張量的秩 109
5.3 張量的CP分解 112
5.3.1 CP分解原理 112
5.3.2 CP分解的**性 114
5.3.3 CP分解算法 116
5.4 張量的Tucker分解 120
5.4.1 Tucker分解的基本原理 120
5.4.2 Tucker分解缺乏**性以及改進(jìn) 123
5.4.3 Tucker分解算法 124
5.5 相關(guān)要點(diǎn)、應(yīng)用與拓展 128
5.5.1 CP與Tucker分解的要點(diǎn) 128
5.5.2 相關(guān)拓展 130
5.5.3 張量分解的廣泛應(yīng)用 132
5.6 開源軟件資源與工具箱 134
5.7 本章結(jié)語 135
參考文獻(xiàn) 135
第6章 空譜遙感圖像融合問題及研究進(jìn)展 140
6.1 引言 140
6.2 光譜成像數(shù)據(jù)質(zhì)量改善相關(guān)問題 141
6.2.1 圖像復(fù)原 141
6.2.2 譜融合 142
6.2.3 單幅空譜圖像超分辨 143
6.2.4 多幅空譜圖像超分辨 143
6.2.5 多源空譜遙感圖像融合 144
6.3 反問題視角考察多源空譜融合 147
6.4 機(jī)器學(xué)習(xí)視角考察多源空譜融合：淺層到深層 150
6.4.1 表示學(xué)習(xí)融合機(jī)理 150
6.4.2 稀疏表示學(xué)習(xí) 151
6.4.3 深度學(xué)習(xí) 152
6.5 多源空譜遙感圖像融合代表性研究趨勢 156
6.5.1 低階向高階、局部向非局部先驗(yàn)發(fā)展 156
6.5.2 由標(biāo)準(zhǔn)稀疏至結(jié)構(gòu)化稀疏表示發(fā)展 156
6.5.3 由矩陣低秩至張量結(jié)構(gòu)化低秩發(fā)展 157
6.5.4 稀疏、低秩先驗(yàn)向深度先驗(yàn)發(fā)展 158
6.6 本章結(jié)語 159
參考文獻(xiàn) 160
第7章 空譜遙感圖像稀疏融合應(yīng)用 167
7.1 引言 167
7.2 稀疏表示與壓縮感知融合基本方法 167
7.2.1 壓縮感知融合 168
7.2.2 稀疏融合 170
7.3 耦合字典學(xué)習(xí)與稀疏回歸的融合方法 172
7.3.1 字典與塊內(nèi)嶺回歸映射的聯(lián)合學(xué)習(xí) 173
7.3.2 基于彈性網(wǎng)模型的塊間回歸映射學(xué)習(xí) 175
7.3.3 分辨率多光譜圖像重建 176
7.4 實(shí)驗(yàn)結(jié)果與分析 177
7.4.1 實(shí)驗(yàn)數(shù)據(jù)和參數(shù)的設(shè)置 177
7.4.2 IKONOS衛(wèi)星數(shù)據(jù)實(shí)驗(yàn) 178
7.4.3 WorldView-2衛(wèi)星數(shù)據(jù)實(shí)驗(yàn) 181
7.5 本章結(jié)語 183
參考文獻(xiàn) 183
第8章 空譜遙感圖像低秩融合應(yīng)用 185
8.1 引言 185
8.2 全色-多光譜圖像的低秩正則化融合 185
8.2.1 低秩正則化 186
8.2.2 基于多變量回歸的數(shù)據(jù)保真項(xiàng) 187
8.2.3 優(yōu)化模型 189
8.2.4 迭代優(yōu)化融合算法 189
8.3 相關(guān)討論與模型推廣 191
8.3.1 細(xì)節(jié)注入保真與成像退化約束保真 191
8.3.2 推廣至高光譜融合 192
8.4 融合實(shí)驗(yàn)及討論 193
8.4.1 仿真數(shù)據(jù)實(shí)驗(yàn)結(jié)果 193
8.4.2 真實(shí)數(shù)據(jù)實(shí)驗(yàn)結(jié)果 198
8.4.3 參數(shù)及效率分析 200
8.5 本章結(jié)語 202
參考文獻(xiàn) 203
第9章 張量表示框架的高光譜與多光譜圖像融合 205
9.1 引言 205
9.2 高光譜圖像與多光譜圖像的張量表示 206
9.2.1 張量定義 206
9.2.2 張量表示下高光譜圖像融合 207
9.3 基于非局部耦合張量CP分解的高光譜圖像融合 208
9.4 優(yōu)化算法 211
9.5 實(shí)驗(yàn)結(jié)果與分析 213
9.5.1 實(shí)驗(yàn)數(shù)據(jù)集與評價(jià)指標(biāo) 213
9.5.2 實(shí)驗(yàn)參數(shù)及比較方法 214
9.5.3 實(shí)驗(yàn)結(jié)果 214
9.5.4 參數(shù)選擇 219
9.6 本章結(jié)語 219
參考文獻(xiàn) 220
第10章 張量框架高光譜計(jì)算融合成像 222
10.1 引言 222
10.2 計(jì)算重建相關(guān)工作 225
10.3 張量表示框架的雙相機(jī)計(jì)算融合光譜成像模型 226
10.3.1 符號與問題描述 228
10.3.2 融合計(jì)算成像模型 229
10.4 *優(yōu)化算法 232
10.5 計(jì)算成像實(shí)驗(yàn)研究與分析 237
10.5.1 使用隨機(jī)置換Hadamard變換的實(shí)驗(yàn)結(jié)果 237
10.5.2 CAVE數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果 238
10.5.3 參數(shù)對計(jì)算成像性能的影響 243
10.6 本章結(jié)語 244
參考文獻(xiàn) 245
第11章 空譜遙感圖像的深度學(xué)習(xí)融合方法 248
11.1 引言 248
11.2 基于深度學(xué)習(xí)的多源空譜遙感圖像融合進(jìn)展 249
11.2.1 采樣模式 249
11.2.2 超分辨網(wǎng)絡(luò)的代表性學(xué)習(xí)策略 250
11.2.3 深度融合網(wǎng)絡(luò)的基本架構(gòu) 252
11.2.4 能量函數(shù) 253
11.2.5 結(jié)合多變量回歸的全色與多光譜融合網(wǎng)絡(luò) 257
11.2.6 融合應(yīng)用實(shí)例 259
11.3 高光譜與多光譜圖像融合的深度學(xué)習(xí) 264
11.4 基于雙通道卷積網(wǎng)絡(luò)的高光譜-多光譜圖像融合方法 266
11.4.1 雙通道融合網(wǎng)絡(luò)架構(gòu) 266
11.4.2 網(wǎng)絡(luò)離線訓(xùn)練與在線重構(gòu) 267
11.4.3 融合實(shí)驗(yàn)、性能評測與可視分析 268
11.4.4 小結(jié)與討論 275
11.5 高光譜與多光譜圖像深度融合應(yīng)用 275
11.5.1 空譜維質(zhì)量敏感特征統(tǒng)計(jì)分析 275
11.5.2 高光譜圖像融合質(zhì)量無參考圖像評價(jià)方法 286
11.5.3 高光譜與多光譜圖像深度融合實(shí)驗(yàn)與質(zhì)量分析 292
11.6 本章結(jié)語 298
參考文獻(xiàn) 299
彩圖