一、基于小波變換的多源遙感圖像的信息融合（論文文獻綜述）
劉春鵬[1]（2021）在《大豆冠層信息獲取圖像融合方法研究》文中研究指明作物長勢信息監(jiān)測,使用冠層信息進行反映仍是主要手段。得益于無人機遙感技術和計算機技術的快速發(fā)展,利用無人機搭載多光譜遙感相機獲取農作物冠層信息成為農作物生長過程中長勢監(jiān)測不可或缺的技術手段之一。但遙感圖像受飛行高度、成像角度等因素影響,導致合成結果清晰度差、有效信息重疊等問題,直接影響對作物長勢信息的判斷,影響監(jiān)測效率。研究冠層圖像融合方法,可實現作物長勢信息參數的準確提取,為作物長勢判斷和精準施藥技術發(fā)展提供理論和現實意義。為提高無人機低空遙感成像質量,在分析整理中外文獻資料的基礎上,系統(tǒng)總結了的多源遙感影像融合算法的研究現狀,借鑒現有的融合機理,以大豆冠層作為研究對象,基于大豆冠層無人機低空遙感圖像成像特點,研究大豆冠層遙感圖像融合算法,獲取分辨率高且空間細節(jié)信息豐富的融合圖像,并對圖像融合性能進行檢驗,重點展開了以下幾個方面的工作:（1）大豆冠層低空遙感圖像融合理論分析根據前期研究的理論基礎確定圖像融合層次,通過對比分析基于成分替換和基于多尺度變換的圖像融合算法的優(yōu)缺點,選用基于成分變換中的IHS變化和基于多尺度的NSCT變換方式,構建了融合圖像算法結構,確定其工作原理,詳細分析了強度分量在融合過程中的變換過程,針對分量變換產生的信息丟失、光譜失真現象,通過結合NSCT變換操作進行修正,有效避免圖像空間細節(jié)信息丟失現象,同時保持了光譜信息的表達。（2）遙感圖像融合算法確定通過分析NSCT變換過程中,非下采樣金字塔濾波和非下采樣方向濾波的工作原理,引入空間頻率概念和區(qū)域能量加權的方式完成圖像間低、高頻子帶系數的融合操作,篩選出空間頻率最大的像元值參與子帶的重構,使得大部分能量信息得以保留,對結果的清晰度保持穩(wěn)定;以區(qū)域內像素相關性為前提的區(qū)域能量加權方法同樣可以保證融合結果的清晰程度,同時對圖像的局部特征表達充分。（3）融合圖像應用效果試驗研究根據圖像邊緣分割提取的理論研究和實際的實驗操作過程,分別從基于搜索的邊緣提取方法和基于零交叉的邊緣提取方法進行分析,驗證融合結果的邊緣提取效果,同時結合近地端車載多光譜傳感器遙感結果對融合結果獲取的植被指數進行對比分析和結果驗證。研究建立一種IHS變換結合非下采樣輪廓波變換的無人機低空遙感圖像融合算法,將無人機遙感直接應用于大豆冠層信息提取,融合結果空間信息保留度高、圖像分辨率良好,為大豆冠層圖像邊緣輪廓信息提取和植被指數獲取提供理論基礎和技術支撐。
趙錚[2]（2020）在《光學遙感影像融合參數優(yōu)化解算與質量評價方法》文中研究說明隨著高光譜遙感衛(wèi)星技術的發(fā)展,遙感影像的光譜、空間分辨率得以快速提升、甚至達到亞米級,其包含的信息量也趨于復雜、多樣。其中,遙感影像融合是分析復雜遙感信息的一個重要步驟。影像融合是指衛(wèi)星所獲取的低空間分辨率的多光譜影像與高空間分辨率單波段的全色影像進行融合,得到同時具有高分辨率、多光譜特征融合影像的遙感技術。影像融合算法依據融合層次的不同可分為:像素級影像融合、特征級影像融合和決策級影像融合。由于像素級影像融合算法具有高精度、融合精度高的優(yōu)勢,本文從像素級影像融合和評價的角度出發(fā)對遙感影像融合算法進行探討。首先,本文就像素級影像融合算法進行簡要闡述,結合這類算法實驗效果分析優(yōu)缺點、適用范圍以及像素級影像融合的本質。其次,探討B(tài)RSVR影像融合算法在應用上的優(yōu)勢、不足,并進行一定的改進。由于改進算法需要合理的影像分割,本文探討了不同分割尺度對融合效果的影響。通過對原理、結果的分析,最終選擇了 SLIC圖像分割算法?；诖?本文設計了一種SLIC圖像分割與SVR方法結合的影像融合算法。首先通過SLIC圖像分割的方式對影像進行合理的分塊,之后按照SVR的影像融合方法對影像進行融合。通過與其他像素級影像融合算法的定量實驗對比,借助標準差、熵、歸一化均方根誤差等6項指標客觀定量評估,相較于其他算法均體現出本文提出的SLIC-SVR算法具備更好的融合結果。除此之外,融合算法還需要更加科學便捷的評價方法。本文在互信息量的基礎上,綜合遙感影像定性與定量評價的優(yōu)勢,構建了互信息影像直方圖評價方法。該方法以灰度影像的方式直觀展示影像光譜信息差異,并用以評估融合影像光譜保持程度。文章最后通過實驗以及定性、定量與互信息直方圖等評價方法,證明了 SLIC-SVR遙感影像融合算法在影像融合中的應用潛力。本文的主要貢獻為:（1）改進了全色銳化（Pansharpening）影像融合算法,結合現有的BRSVR影像融合理論和SLIC圖像分割算法,提出了 SLIC-SVR影像融合算法。結合包括GF-2、ZY-3、K3A等7種衛(wèi)星以及多種復雜地物類型的影像進行融合,與小波變換、主成分分析、IHS變換等6種傳統(tǒng)影像融合算法實驗結果對比分析,并進行定性與定量的評價,實驗結果表明SLIC-SVR算法在空間細節(jié)注入與光譜特征保持上均有一定優(yōu)勢。（2）基于信息熵與互信息量理論,結合灰度統(tǒng)計直方圖的形式提出互信息直方圖的影像質量評價標準。該方法可以同時定性、定量地對影像結果進行評價,對影像融合質量評價指標體系進行了有益補充。
張演康[3]（2020）在《基于深度卷積生成對抗網絡的SAR與可見光融合技術研究》文中研究表明SAR（Synthetic Aperture Radar,合成孔徑雷達）與可見光遙感圖像的融合技術在地物分類、目標檢測、變化檢測等領域具有廣泛的應用價值。但是,其面臨著有效數據源不足,特征提取能力弱等挑戰(zhàn)。利用基于深度學習、卷積神經網絡等技術對大規(guī)模遙感圖像進行高質量、高性能的融合,對綜合利用多源衛(wèi)星資源,精確探索地物信息具有重要價值。為了充分利用SAR圖像的紋理信息和可見光遙感圖像的顏色信息,本文開展基于深度卷積生成對抗網絡的SAR與可見光遙感圖像融合方法研究。針對中等分辨率的SAR與可見光遙感圖像融合任務,本文提出SO-GAN（SAR-Optical Generative Adversarial Network）方法。該方法使用一種基于編解碼器結構的卷積神經網絡作為融合圖像的生成器,利用二分類卷積神經網絡構成了評估融合圖像質量的判別器。為了學習圖像的全局特征及細節(jié)特征,SO-GAN采用了一種多感受野并行的特征提取結構。此外,對損失函數進行優(yōu)化,加入了基于HSV（Hue,Saturation,Value）變換后灰度共生矩陣的損失函數,約束圖像的紋理特性,使融合圖像更能兼具SAR與可見光圖像的信息針對高分辨率SAR與可見光遙感圖像融合任務,本文提出一種HRSO-GAN（High Resolution SAR-Optical Generative Adversarial Network）方法,該方法基于多尺度特征圖金字塔生成器,結合多個判別器,由低至高逐層生成高分辨率圖像。利用合理的上采樣方式避免重復性紋理的錯誤特征,并引入了多任務損失函數進一步豐富細節(jié)信息。本文利用Sentinel-1A和GF-3衛(wèi)星獲取的SAR圖像,以及Sentinel-2和GF-2獲取的可見光圖像進行了融合處理實驗,并采用峰值信噪比等幾個客觀的圖像質量評價指標對融合圖像進行色彩質量評估和紋理質量評估。實驗結果證明了本文方法的有效性和準確性。
王睿[4]（2020）在《基于參考影像信息融合的遙感影像云檢測和云去除算法研究》文中研究指明遙感影像是目前唯一可以對地球進行大范圍宏觀觀測的數據資源,在農業(yè),軍事,城市規(guī)劃等領域得到廣泛應用。然而遙感影像不可避免的受到云,霧等大氣環(huán)境的污染,造成影像信息丟失,這些信息丟失的影像無法滿足后續(xù)實際應用的需求,造成數據資源的巨大浪費。因此,對遙感影像的云區(qū)域進行檢測并進行信息重建,可以有效提高遙感影像的利用率。本文分別對遙感影像云檢測算法和云去除算法進行調研和研究發(fā)現,在云檢測方面,因為不同遙感衛(wèi)星傳感器設計的波段分布不同,基于多波段的云檢測算法只能適用于特定類型的遙感數據?；跈C器學習和深度學習的檢測算法的適用性較好,但是算法的復雜度較高,薄云檢測精度低。在云去除算法中,遙感影像薄云去除算法普遍存在高亮物體被過度校正和無云區(qū)域的信息丟失的問題。由于遙感影像具有多時相的特點,這些在同一區(qū)域不同時間獲取的影像可以進行信息互補,因此本文主要研究了基于多時相遙感影像信息融合的云檢測和云去除方法。本文的主要工作和創(chuàng)新點如下:（1）提出了基于參考影像信息融合的云檢測算法。首先獲取目標影像和參考影像的暗通道圖像,通過閾值法得到初始厚云檢測結果,對檢測結果采用導向濾波進行優(yōu)化。然后對非厚云區(qū)域利用核主成分分析算法（Kernel Principle Component Analysis,KPCA）提取薄云成分,最后利用閾值法完成薄云檢測。通過對檢測結果的正檢度,漏檢度和整體檢測精度的評估結果表明,該算法能夠對厚云和薄云進行有效檢測,并且降低了因高亮地物信息干擾造成的誤檢率。（2）提出了基于參考影像信息融合的薄云去除算法。首先利用薄云影像和參考影像的差異估計大氣透射率,運用到薄云去除模型后得到初始去云圖像。然后以初始去云影像和原始影像的暗通道圖像作為輸入,獲取薄云分布掩膜,最后利用小波圖像融合算法對去云結果進行優(yōu)化,得到最終的去云結果。通過以霾效應指數和結構相似度為評價指標對薄云去除結果的分析表明,當參考影像和薄云影像存在較大時相或地物差異時,該算法在對薄云進行有效去除的同時,很好的保證了去云結果的保真度。（3）提出了基于選擇多源全變分模型的多時相遙感影像厚云去除算法。該算法針對現實中難以獲取一張完全無云參考影像的問題,以多時相遙感影像中一張作為重建對象,融合其他時相圖像信息完成圖像重建。首先對多時相遙感影像進行亮度校正,降低影像間亮度差異。然后基于選擇多源全變分模型完成圖像重建,最后針對局部區(qū)域亮度信息不一致問題進行泊松圖像優(yōu)化。通過對去云結果的平均梯度和結構相似度的評估表明,該算法有效解決了選擇多源全變分模型無法對選定目標影像進行重建的問題,而且保證了厚云去除結果的圖像質量。通過對不同數據類型,不同地物類型的遙感影像進行實驗,并與其他算法結果進行對比,本文提出的云檢測算法和云去除算法均得到了更佳的處理效果,驗證了本文算法的有效性和可行性。
楊進[5]（2020）在《基于多尺度下結構組稀疏表示的圖像融合方法研究》文中進行了進一步梳理在人工智能及信息技術大力發(fā)展的背景下,各技術領域對圖像融合有較大的需求,因此圖像融合在各技術領域的地位越來越重要。在圖像融合技術中,人們開始采用多尺度方式來分解源圖像,這樣圖像融合就可以在離散的變換域中進行,其中多尺度小波變換在進行圖像融合時取得了顯著的效果。于是本文對具有多尺度性質的小波變換圖像融合方法以及根據結構組稀疏表示圖像融合方法進行分析研究。針對小波變換圖像融合方法中存在的問題,本文提出了一種基于結構相似度融合規(guī)則的圖像融合方法。然后本文根據結構組稀疏表示圖像融合中的發(fā)展和應用,又提出一種改進的雙樹復小波變換（DT-CWT）與結構組稀疏表示相結合的圖像融合方法。具體內容如下:本文首先對圖像融合理論背景及其意義進行分析說明,了解圖像融合理論在國內外的狀況以及發(fā)展趨勢。接下來本文介紹了圖像融合基本理論和傳統(tǒng)融合方法,同時也介紹圖像融合質量好壞的評價標準。在分析研究多尺度變換理論時,本文對常用的小波變換進行理論分析,發(fā)現小波變換不足之處是不具有平移不變性和有效的方向選擇性。針對小波變換存在的缺點,本文提出了一種改進的DT-CWT變換的圖像融合方法,這方法是基于結構相似度（SSIM）對DT-CWT變換產生的分量進行有效選取,很好的解決了小波變換存在的問題,從而提高圖像融合效果。通過實驗結果和客觀評價標準可以說明改進的DT-CWT變換改善了圖像的融合效果。通過文獻查閱,本文分析了稀疏表示方法的發(fā)展過程和在圖像融合中的應用,發(fā)現傳統(tǒng)的稀疏表示存在字典學習計算難和稀疏表示圖像分塊關聯性兩個問題。針對傳統(tǒng)的稀疏表示存在的兩個問題,對結構組稀疏表示有關文獻分析,發(fā)現結構組稀疏表示方法可以解決上述問題,同時本文介紹了結構組理論和結構組稀疏模型的構造。根據圖像結構組稀疏表示的優(yōu)點和DT-CWT變換的優(yōu)點,提出一種具有多尺度性的DT-CWT變換的結構組圖像融合方法,本文分別介紹了這種方法的融合流程,其中包括源圖像低、高頻分量改進的融合規(guī)則。最后將常用的圖像融合方法的仿真實驗結果同本文方法的仿真實驗結果進行對比,可以得出本文方法有效改善了圖像的融合效果,提高了圖像清晰度和保留了圖像細節(jié)信息。
王明麗[6]（2020）在《基于CLIT-FCNN的遙感圖像融合算法》文中認為隨著遙感領域相關技術的發(fā)展,多種傳感器已應用到衛(wèi)星中用于獲取不同種類的遙感圖像。但由于輻射能量限制,遙感衛(wèi)星傳感器不能捕獲同一地區(qū)既具有高空間分辨率又有高光譜分辨率的遙感影像,僅可以獲取到光譜信息豐富但空間分辨率較低的多光譜圖像（Multispectral Image,MS）和高空間分辨率但低光譜分辨率的全色圖像（Panchromatic Image,PAN）,但在現實應用中如巖性分析、地圖更新和植被識別等領域中,需要同時使用到PAN圖像中的高空間分辨率信息描述圖像紋理和MS圖像中的多光譜信息判斷圖像類別。為有效地將MS圖像和PAN圖像進行融合得到符合實際要求的高質量遙感影像,眾多學者提出了遙感圖像融合技術。傳統(tǒng)的遙感圖像融合算法針對不同類型遙感圖像需人工制定不同融合規(guī)則,且融合質量與圖像的分解方法、分解的層次和各層次選用的融合規(guī)則密切相關,導致算法融合效果殘次不齊。近年來,卷積神經網絡廣泛應用在圖像分割、視覺識別、圖像分類等領域,由于其具有權重分享和局部連接等特點使其與傳統(tǒng)方法相比有更好的性能。U-Net是具有對稱結構的卷積神經網絡,它使用跨層拼接的方式將來自低級特征圖與較高層特征圖拼接在一起處理,從而更好的保存了來自多個尺度的特征圖信息,減少了信息的損失,更高效、準確的解決了醫(yī)學圖像像素級分割問題。受U-Net啟發(fā),針對傳統(tǒng)遙感圖像融合算法的弊端并利用卷積神經網絡在處理圖像的優(yōu)勢,提出一種基于CLIT-FCNN（Cross-Layer Information Transfer Fusion CNN）遙感圖像融合算法。采用跨層信息傳遞方式融合來自不同尺度的特征圖以減少圖像的信息損失使得融合的遙感圖像質量變高。訓練后的網絡模型可以看作是具有良好魯棒性端到端（end-to-end）的遙感圖像融合規(guī)則。本文提出的網絡模型使用由大量真實遙感圖像數據構造的訓練集,并且該訓練集包括不同類型的地物。通過使用多組DEIMOS-2衛(wèi)星、QuickBird衛(wèi)星和高分二號衛(wèi)星遙感圖像數據集驗證本文算法的有效性和魯棒性,并通過主觀評價和客觀評價相結合的方法評價融合圖像的質量。實驗結果表明,本文提出的CLIT-FCNN算法與傳統(tǒng)算法相比,能夠有效將PAN圖像的空間細節(jié)信息與MS圖像的光譜信息融合,且算法穩(wěn)定性強。
張兆祥[7]（2020）在《基于推掃式星載相機的顫振估計和圖像補償》文中進行了進一步梳理衛(wèi)星平臺的顫振又稱為微振動、震顫等,指的是衛(wèi)星在軌運行期間,由于衛(wèi)星平臺的姿態(tài)調整、星上運動部件的周期性運動等引起的一種幅值較小、頻率較高的微振動響應。衛(wèi)星平臺的顫振是一種在軌姿態(tài)控制系統(tǒng)難以檢測和消除的平臺高頻率低振幅抖動。在推掃式遙感光學載荷在成像過程中,衛(wèi)星平臺控制系統(tǒng)的誤差,飛輪,CMG等運動部件的瞬態(tài)運動,或者太陽能帆板等柔性部件的變形均會引起在軌平臺的姿態(tài)顫振,從而影響到光學遙感圖像的成像質量。本文對衛(wèi)星平臺的姿態(tài)顫振引起的推掃式遙感圖像畸變進行研究,主要完成以下內容:針對推掃式衛(wèi)星遙感的特點,采用深度學習理論對遙感圖像進行云層檢測。給出了深度學習算法的理論基礎,介紹了深度學習在圖像分割任務中的基本原則,設計了基于輕量級U-net的遙感圖像云層檢測算法。針對在軌衛(wèi)星平臺算力不足的特點,引入了離散小波算法和云層檢測算法相結合的輕量級云檢測模型,實現了在軌遙感圖像的云層檢測,對圖像云量進行定量測量,并對后續(xù)圖像畸變檢測任務的樣本進行篩選。考慮到多光譜推掃式遙感相機不同光譜段間的成像視差,對多光譜圖像的畸變進行數學建模和分析,然后根據圖像配準算法對相鄰光譜段的圖像進行配準,獲取圖像間的像素偏移。針對現有配準算法的不足,提出了改進的L-K算法獲取高精度像素偏移。引入在軌相機運動模型,得到本體坐標系下的相對姿態(tài)顫振。提出了基于時頻域結合的反卷積算法,將相對顫振轉換為時間坐標系下的絕對姿態(tài)顫振。引入姿態(tài)平滑正則項,得到反卷積算法的穩(wěn)定解。引入基于多項式優(yōu)化算法的初始段匹配,減小反卷積算法參數量同時提高算法效率。為了對單波段遙感圖像畸變進行估計,提出了改進的卷積神經網絡算法對畸變圖像進行恢復,同時檢測出顫振曲線。為訓練模型參數,首先根據畸變的物理原理利用多諧波正弦曲線擬合畸變曲線,通過圖像插值算法得到畸變-清晰圖像對。利用離散卷積層的學習能力,搭建多層卷積神經網絡。引入余量卷積層擬合畸變-清晰圖像對的特征差異。同時給出擴展的Sigmoid激活函數增加網絡的非線性擬合能力。針對網絡參數的訓練,設計多項融合損失函數,并利用自訓練超參數調節(jié)各項損失權重,使網絡訓練過程更快收斂。同時使用在線圖像增強算法避免訓練過程中的模型過擬合。提出基于梯度懲罰項的對抗神經網絡作為損失函數,引導網絡更高效地優(yōu)化。仿真分析和對比實驗證明所提出的損失函數能有效校正畸變圖像,并能檢測出圖像畸變曲線。針對恢復后的畸變圖像,引入圖像索引算法和圖像分割算法,對圖像畸變-恢復圖像對進行測試,實驗結果驗證了校正后的畸變圖像在圖像檢測等任務中的精度提升。針對多光譜圖像和單波段遙感圖像得到的畸變信息,提出一種卡爾曼濾波算法,對多源畸變信息進行融合,進一步提高顫振信息的估計精度及圖像恢復質量。針對極端特征下顫振估計算法誤差較大的問題,引入一種基于全連接神經網絡的模糊星點顫振估計算法,改善顫振估計和畸變圖像復原的魯棒性。
王楨煒[8]（2020）在《基于EMD的多源遙感影像融合的方法研究》文中提出隨著遙感技術的飛速發(fā)展,遙感數字圖像融合已成為航空、衛(wèi)星圖像處理領域的研究重點。遙感數字圖像融合不僅能提高影像信息的可利用率,集成源圖像的互補信息,降低單個遙感數字圖像的差異性,獲得信息更豐富、更精確的融合圖像,而且融合后的圖像信息量豐富,清晰度增強,具有較高的解釋能力。本文主要是對同一地物的多光譜圖像和全色圖像的融合方法進行研究,在傳統(tǒng)經驗模式分解（Empirical Mode Decomposition,EMD）的基礎上,提出了一種基于粒子群優(yōu)化徑向基神經網絡權值的插值方法。并以此為基礎,針對圖像融合提出了一種基于彩色空間（luminance,Hue,Saturation,IHS）變換、小波濾波和改進二維EMD的遙感數字圖像融合方法。該融合方法既可以保留融合圖像的光譜信息,又可以提高其空間紋理細節(jié)信息。本文的主要研究工作和創(chuàng)新點如下:1、敘述了遙感數字圖像融合算法的研究背景與意義以及國內外研究現狀,討論了遙感數字圖像融合過程中的融合方法、融合規(guī)則、融合結果評價標準,最后分析比較了幾種常用的圖像濾波方法。2、分別介紹了一維EMD和二維EMD的基本原理和實驗步驟,并指出二維EMD方法分解過程中需要注意的問題。3、在圖像分解的過程中,本文對二維EMD方法進行了改進。針對二維EMD分解過程中包絡面的插值擬合方法,以粒子群算法為基礎,對徑向基神經網絡的權值進行優(yōu)化;經驗證,基于粒子群優(yōu)化徑向基神經網絡權值的插值方法相比徑向基函數插值法,具有插值精度高的優(yōu)點;最后,使用改進的二維EMD方法分解遙感數字圖像時,可以使圖像得到充分分解。4、針對遙感數字圖像融合,本文提出了一種基于IHS變換、小波濾波和改進二維EMD方法的圖像融合方法,并進行了四組仿真實驗。實驗結果表明:融合圖像不僅可以最大程度保留光譜信息,在空間紋理細節(jié)信息上相比于原圖像也有所提高。最后,通過分析比較四組實驗結果以及經過小波濾波后的全色背景圖像和高頻信息面,得出了本文算法的適用范圍,即本文算法適用于地物信息豐富且區(qū)別明顯的遙感數字圖像融合。
朱宏亮[9]（2020）在《高分辨率遙感圖像去云技術研究》文中提出現如今高分辨率遙感圖像已經廣泛應用到各個領域,由于受到光照、大氣等外界因素的影響,遙感系統(tǒng)成像時可能出現圖像清晰度降低現象,如遙感圖像中包含云污染,會影響對地物信息的解譯與判讀,如果是薄云噪聲,可以不需要輔助影像進行降噪處理,而厚云噪聲幾乎完全遮擋了地物信息,需要借助輔助影像進行云去除。本文提出的對高分辨率可見光遙感圖像的薄云與厚云去除技術具有較好的效果與實用性。本文的研究內容主要包括以下兩個方面:針對可見光圖像中薄云噪聲的去除,本文提出了改進的基于多尺度小波分析的去云算法,該算法能改善傳統(tǒng)小波法對薄云信息區(qū)分的不精確問題。首先利用暗原色先驗算法將可見光圖像進行暗通道處理得到暗通道圖像,然后將可見光圖像進行多尺度小波分解,分解后對低層細節(jié)系數重構得到高頻分量,高頻分量對應于圖像的地物細節(jié)信息,對暗通道圖像進行加權處理后與高頻分量結合來增強地物信息,對高層細節(jié)系數重構得到低頻分量,低頻分量對應圖像的薄云噪聲,利用高頻強調濾波器進行低頻云噪聲的抑制,對近似系數進行重構,最后將處理后的高層細節(jié)系數重構圖、低層細節(jié)系數重構圖與近似系數重構圖進行疊加得到去云圖像。針對不同時相的兩幅遙感圖像中厚云所在位置不同,本文提出了一種基于小波分析的圖像融合算法,該算法解決了傳統(tǒng)小波融合去云法的云殘留問題。由于數據集的空間分辨率高、地物信息明顯,本文對融合方式做了改進,主要改進是對低頻分量的融合規(guī)則,提出了將基于暗通道的云檢測算法運用到低頻分量的融合規(guī)則中,首先將兩幅不同時相的圖像進行暗通道處理分別得到各自的暗通道圖像,然后對兩幅圖像分別進行小波分解,對各自的低頻分量進行重構,通過判斷云的位置來融合兩幅圖的低頻分量,對于高頻分量則利用局部能量融合算法進行融合,融合后進行重構,最后將融合后的高頻分量與低頻分量進行疊加得到去云圖像。通過實驗結果分析,驗證了本文提出的算法能夠有效去除遙感圖像的薄云噪聲與厚云噪聲。本文對薄云去除的幾種方法進行了對比,結果表明本文提出的算法在目視分析與客觀評價上都取得較好效果,改善了傳統(tǒng)小波法對薄云信息區(qū)分的不精確問題。厚云去除后的圖像與原始圖像的相似度較高,可視性更佳,有效地解決了云殘留問題。
吳磊[10]（2019）在《基于注入模型的遙感圖像整合方法研究及其應用》文中研究指明遙感圖像的分辨率直接影響國土資源信息的全面性和準確性,隨著遙感技術的發(fā)展,遙感圖像在國土資源中的應用越來越廣泛,國土資源管理對遙感圖像的分辨率有了更高的要求。在實際應用中,由于衛(wèi)星遙感器的技術受限,多數商業(yè)衛(wèi)星不能提供一幅高空間分辨率多光譜（High-spatial-resolution Multispectral,HRMS）圖像。它們只能提供低空間分辨率多光譜（Multispectral,MS）圖像和高空間分辨率全色（Panchromatic,PAN）圖像。這種由衛(wèi)星直接成像的MS和PAN圖像通常因空間分辨率或光譜分辨率不高無法為國土資源管理提供全面、準確的信息,不能直接用于國土資源信息管理。因此遙感圖像融合應運而生。遙感圖像融合是兩幅或多幅來自同一場景的不同空間分辨率、光譜分辨率或時域分辨率的MS和PAN圖像的信息整合過程,其目的是通過融合不同傳感器成像的MS和PAN圖像互補信息,產生一幅HRMS圖像。遙感圖像融合技術按照信息表征層次不同,由低到高可分為像素級圖像融合、特征級圖像融合和決策級圖像融合。像素級圖像融合是目前研究最廣泛,也是最為常用的一類融合,它對各源圖像中的像素逐個進行信息融合,能盡可能多地保留源圖像中的重要信息,有利于獲得對場景更全面、更精確的描述。經過近二十多年的發(fā)展,像素級遙感圖像融合形成了一個以注入模型為代表的遙感圖像融合方案。該方案假定低空間分辨率MS圖像丟失的空間信息可以用高空間分辨率PAN圖像的空間信息來補償,提取其高頻信息注入到MS圖像中獲取HRMS圖像。注入模型通常包括三個部分:1)高頻細節(jié);2)細節(jié)接受對象;3)注入效益。現有基于注入模型的遙感圖像融合算法存在兩大亟需解決的關鍵問題:1)PAN圖像細節(jié)與MS圖像之間的低相關問題;2)高頻細節(jié)過度注入問題。本論文針對注入模型算法存在的兩大問題,圍繞高頻細節(jié)、細節(jié)接受對象及細節(jié)注入效益三方面開展探索性研究,提出新的遙感圖像融合新方法。論文的主要研究成果如下。（1）提出了基于精煉細節(jié)注入的遙感圖像融合算法,并對該算法在國土資源管理中的應用進行了分析。該算法針對MS與PAN圖像之間存在的全局或局部不相似導致PAN圖像高頻細節(jié)與MS圖像低相關問題,圍繞注入模型中高頻細節(jié)參數的改進工作開展研究。算法通過分析PAN和MS圖像的特性,并基于àtrous小波變換及引導濾波技術,提出一種基于àtrous小波變換和引導濾波聯合的多尺度分析技術,用于提取PAN和MS圖像的高頻細節(jié),構造一種細節(jié)精煉方法。該方法首先基于稀疏表示融合MS和PAN圖像的高頻細節(jié)得到初始聯合細節(jié);再基于初始聯合細節(jié)和PAN圖像細節(jié)間的相關性及差異設計一個權重因子;最后從初始聯合細節(jié)和PAN圖像細節(jié)中提出精煉的聯合細節(jié),將精煉的聯合細節(jié)注入到低空間分辨率MS圖像中得到融合圖像。實驗結果表明,與一系列現有的遙感圖像融合方法對比,所提出的遙感圖像融合算法能有效克服注入細節(jié)與MS圖像低相關引起的光譜失真缺陷,在WorldView-2、QuickBird和IKONOS三大遙感圖像數據庫上表現出優(yōu)越的性能,而且能有效消除國土資管理中信息獲取誤差,融合結果能滿足國土資源管理需要。（2）提出了基于補償細節(jié)注入的遙感圖像融合算法,并對該算法在國土資源管理中的應用進行了分析。高頻細節(jié)注入在基于注入模型的遙感圖像融合算法中扮演著重要角色,獲取與細節(jié)接受對象高相關的細節(jié)直接影響算法的優(yōu)劣。針對這一問題,論文提出從補償學習的角度改進注入模型中高頻細節(jié)參數,用魯棒稀疏模型分解PAN和MS圖像,并基于分解產生的MS和PAN圖像細節(jié)計算補償細節(jié),通過增加補償細節(jié)的注入來補償PAN圖像細節(jié)的不足,減少融合圖像的光譜失真。該方法首先用魯棒稀疏模型分解源PAN和MS圖像,得到PAN和MS圖像的低頻成分和高頻成分,并基于提取到的高頻成分計算補償細節(jié);然后利用引導濾波提取PAN圖像高頻細節(jié);最后將補償細節(jié)和PAN圖像的細節(jié)注入到源MS圖像中得到融合圖像。實驗證明所提出的基于補償細節(jié)注入的遙感圖像融合算法補償了源MS圖像空間信息,同時避免了融合圖像的光譜失真,與現有一系列先進的遙感圖像融合算法相比,該算法在很多遙感圖像數據庫上表現出優(yōu)越的性能,能解決現有遙感圖像融合算法應用于國土資源信息管理中分類準確度不高的問題。（3）提出了基于多光譜圖像改進的遙感圖像融合算法,并對該算法在國土資源管理中的應用進行了分析。傳統(tǒng)的MS全色銳化處理操作通過將PAN圖像細節(jié)注入到源MS圖像中獲取HRMS圖像。這種處理方式會因PAN圖像細節(jié)和MS圖像間的潛在不匹配及幾何結構不一致產生光譜失真。為了克服上述問題,提出評估PAN與其低通子圖間的空間差異獲取PAN圖像細節(jié),并將這些細節(jié)注入到一個改進后的低空間分辨率多光譜（Improved Low-spatial-resolution Multispectral,ILRMS）圖像中獲取HRMS圖像。提出的算法致力于改進注入模型中細節(jié)接受對象和注入效益兩個參數。該算法執(zhí)行過程中,首先,一對基于低空間分辨率PAN圖像及其細節(jié)子圖的低、高頻字典被構建,用低頻字典中的原子稀疏地表示LRMS圖像,獲得LRMS圖像的稀疏系數;然后,聯合高頻字典及LRMS圖像的稀疏系數重構源MS圖像與PAN低通子圖間的差異信息,并注入這些重構的信息到源MS圖像得到ILRMS圖像;最后,算法基于MS和PAN圖像間相關性及差異構建了一個注入效益,將PAN圖像細節(jié)自適應地注入到ILRMS圖像中得到融合圖像。實驗表明,所提出的算法通過改進源MS圖像,使ILRMS圖像與PAN圖像低通子圖的空間分辨率相似,增加了注入細節(jié)與MS圖像的相關性。同時,算法通過改進注入效益避免了細節(jié)的過度注入,大大減少了融合圖像的光譜失真,與現有很多遙感圖像融合算法相比,其優(yōu)越的性能在WorldView-2、QuickBird和IKONOS三大遙感圖像數據庫上表現突出,能給國土資源管理部門提供全面、精準的信息。（4）提出了基于光譜及亮度調制的遙感圖像融合算法,并對該算法在國土資源管理中的應用進行了分析。該算法針對注入模型中高頻細節(jié)容易過度注入及其光譜信息保護不協調容易導致融合圖像空間及光譜信息不均勻問題,圍繞注入模型中細節(jié)接受對象和注入效益兩個參數的改進開展研究,提出一種新的基于光譜調制及亮度調制的注入模型。該模型是光譜調制系數與源MS圖像、亮度調制系數與PAN圖像高頻細節(jié)的線性聯合。提出的算法首先基于PAN與MS圖像高頻細節(jié)差異及MS圖像通道間關系構建光譜調制系數,隨后將這個系數作用于源MS圖像,對融合圖像進行光譜調制,從而克服因MS圖像像素點亮度改變導致鄰域像素值變化引起的光譜失真;然后基于PAN和MS圖像間相關性及差異構建亮度調制系數,將這個系數作用于PAN圖像高頻細節(jié),對融合圖像進行亮度調制,克服因細節(jié)的過度注入引起的空間失真;最后將光譜和亮度兩種調制的作用效果疊加得到融合圖像。實驗證明,所提出的算法通過對融合圖像進行光譜和亮度調制,在增強多光譜圖像邊緣紋理細節(jié)的同時,可調制融合圖像的光譜信息,獲得較好的融合效果,且該算法計算簡單,可有效融合WorldView-2、QuickBird和IKONOS三大遙感圖像數據庫上的圖像,同時其融合的結果所含信息全面、準確。
二、基于小波變換的多源遙感圖像的信息融合（論文開題報告）
（1）論文研究背景及目的
此處內容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結構并詳細分析其設計過程。在該MMU結構中,TLB采用叁個分離的TLB,TLB采用基于內容查找的相聯存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結構映射地址空間,并詳細論述了四級頁表轉換過程,TLB結構組織等。該MMU結構將作為該處理器存儲系統(tǒng)實現的一個重要組成部分。
（2）本文研究方法
調查法：該方法是有目的、有系統(tǒng)的搜集有關研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關信息。
實驗法：通過主支變革、控制研究對象來發(fā)現與確認事物間的因果關系。
文獻研究法：通過調查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據現有的科學理論和實踐的需要提出設計。
定性分析法：對研究對象進行“質”的方面的研究，這個方法需要計算的數據較少。
定量分析法：通過具體的數字，使人們對研究對象的認識進一步精確化。
跨學科研究法：運用多學科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學用來分析社會現象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、基于小波變換的多源遙感圖像的信息融合（論文提綱范文）
（1）大豆冠層信息獲取圖像融合方法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內外研究現狀 |
| 1.2.1 無人機低空遙感應用國內外研究現狀 |
| 1.2.2 多源遙感圖像融合算法國內外研究現狀 |
| 1.3 研究的內容、方法以及技術路線 |
| 1.3.1 研究內容 |
| 1.3.2 主要研究方法 |
| 1.3.3 技術路線 |
| 2 低空遙感圖像融合技術研究 |
| 2.1 遙感圖像融合層次劃分 |
| 2.1.1 像素級圖像融合 |
| 2.1.2 特征級圖像融合 |
| 2.1.3 決策級圖像融合 |
| 2.2 圖像融合質量評價 |
| 2.2.1 主觀評價指標 |
| 2.2.2 客觀評價指標 |
| 2.3 樣本數據選取及分析 |
| 2.3.1 試驗地選取 |
| 2.3.2 飛行參數設定 |
| 2.3.3 樣本數據確定 |
| 2.4 像素級圖像融合算法研究及應用 |
| 2.4.1 基于成分替換的圖像融合方法 |
| 2.4.2 基于多尺度分析的圖像融合方法 |
| 2.4.3 實驗結果分析 |
| 2.5 本章小結 |
| 3 IHS變換和NSCT相結合的圖像融合算法研究 |
| 3.1 算法理論基礎 |
| 3.1.1 基于IHS變換的分量提取 |
| 3.1.2 非下采樣金字塔濾波組 |
| 3.1.3 非下采樣方向濾波器組 |
| 3.2 基于IHS變化結合非下采樣輪廓波變換融合算法研究 |
| 3.2.1 算法實現過程 |
| 3.2.2 低頻子帶信息融合規(guī)則 |
| 3.2.3 高頻子帶信息融合規(guī)則 |
| 3.3 融合結果分析及效果評價 |
| 3.4 本章小結 |
| 4 實驗結果與質量評價 |
| 4.1 邊緣輪廓提取驗證試驗 |
| 4.1.1 基于搜索的邊緣檢測方法 |
| 4.1.2 基于零交叉的邊緣檢測方法 |
| 4.1.3 實驗結果分析 |
| 4.2 歸一化植被指數提取驗證試驗 |
| 4.2.1 理論基礎分析 |
| 4.2.2 試驗設計 |
| 4.2.3 數據處理與結果分析 |
| 4.3 本章小結 |
| 5 結論與展望 |
| 5.1 結論 |
| 5.2 進一步研究展望 |
| 參考文獻 |
| 致謝 |
| 個人簡歷 |
| 個人情況 |
| 教育背景 |
| 科研經歷 |
| 在學期間發(fā)表論文 |
| 專利 |
| 軟著 |
（2）光學遙感影像融合參數優(yōu)化解算與質量評價方法（論文提綱范文）
| 摘要 |
| Abstract |
| 變量注釋表 |
| 1 緒論 |
| 1.1 遙感影像融合的目的和意義 |
| 1.2 國內外研究現狀 |
| 1.3 研究內容及技術路線 |
| 2 像素級融合算法理論與評價 |
| 2.1 像素級影像融合算法簡介 |
| 2.2 成分替代類融合算法 |
| 2.3 多分辨率分析影像融合算法 |
| 2.4 基于模型類融合算法 |
| 2.5 混合方法類融合算法 |
| 2.6 本章小節(jié) |
| 3 SLIC-SVR影像融合算法設計 |
| 3.1 Pansharpening影像融合原理 |
| 3.2 BRSVR算法實驗 |
| 3.3 超像素圖像分割算法簡介 |
| 3.4 SLIC圖像分割方法 |
| 3.5 SLIC-SVR算法理論提出與原理 |
| 3.6 本章小節(jié) |
| 4 影像融合質量評價與方法補充 |
| 4.1 影像融合質量評價方法概述 |
| 4.2 圖像融合質量評價方法 |
| 4.3 互信息影像評價直方圖的設計 |
| 4.4 本章小節(jié) |
| 5 SLIC-SVR影像融合實驗與評價 |
| 5.1 實驗數據 |
| 5.2 SLIC-SVR影像融合實驗結果與分析 |
| 5.3 融合實驗細節(jié)比較與分析 |
| 5.4 融合影像結果定量評價與比較 |
| 5.5 本章小節(jié) |
| 6 總結與展望 |
| 6.1 總結 |
| 6.2 展望 |
| 參考文獻 |
| 作者簡歷 |
| 致謝 |
| 學位論文數據集 |
（3）基于深度卷積生成對抗網絡的SAR與可見光融合技術研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 論文研究背景及意義 |
| 1.2 國內外研究現狀 |
| 1.3 論文結構 |
| 第二章 GAN相關原理介紹 |
| 2.1 神經網絡技術與生成對抗網絡 |
| 2.2 深度卷積生成對抗網絡 |
| 2.3 條件生成對抗網絡 |
| 2.4 基于圖像金字塔的DCGAN |
| 2.5 本章小結 |
| 第三章 中等分辨率SAR與光學圖像融合算法設計 |
| 3.1 SO-GAN原理闡述 |
| 3.1.1 算法原理與思路 |
| 3.1.2 算法整體框架 |
| 3.1.3 算法特點與優(yōu)勢 |
| 3.2 SO-GAN算法設計 |
| 3.2.1 生成器網絡結構 |
| 3.2.2 判別器網絡結構 |
| 3.2.3 損失函數設計 |
| 3.2.4 訓練與預測 |
| 3.3 本章小結 |
| 第四章 高分辨率SAR與光學圖像融合算法設計 |
| 4.1 HRSO-GAN原理闡述 |
| 4.1.1 高分辨率圖像生成任務的挑戰(zhàn) |
| 4.1.2 算法整體框架 |
| 4.1.3 算法特點與優(yōu)勢 |
| 4.2 HRSO-GAN算法設計 |
| 4.2.1 生成器網絡結構 |
| 4.2.2 判別器網絡結構 |
| 4.2.3 損失函數設計 |
| 4.2.4 訓練與預測 |
| 4.3 本章小結 |
| 第五章 圖像融合實驗與分析 |
| 5.1 數據集 |
| 5.1.1 數據集基本情況 |
| 5.1.2 高分辨率數據集的配準 |
| 5.1.3 高分辨率數據集的增強 |
| 5.2 圖像質量評價指標 |
| 5.2.1 融合圖像色彩化質量評價指標 |
| 5.2.2 融合圖像紋理信息評價指標 |
| 5.3 實驗步驟及參數 |
| 5.3.1 中等分辨率圖像融合實驗 |
| 5.3.2 高分辨率圖像融合實驗 |
| 5.3.3 基于小波變換的圖像融合實驗 |
| 5.4 結果分析與討論 |
| 5.5 本章小結 |
| 第六章 總結與展望 |
| 參考文獻 |
| 致謝 |
| 攻讀學位期間發(fā)表的學術論文目錄 |
（4）基于參考影像信息融合的遙感影像云檢測和云去除算法研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 課題研究的目的和意義 |
| 1.2 國內外研究概況 |
| 1.2.1 遙感影像云檢測算法研究概況 |
| 1.2.2 遙感影像薄云去除算法研究概況 |
| 1.3 論文的主要研究內容與結構 |
| 1.3.1 主要研究內容 |
| 1.3.2 論文結構 |
| 第二章 遙感影像云檢測算法 |
| 2.1 基于最小二乘向量機的遙感影像云檢測算法 |
| 2.1.1 LS-SVM基本原理 |
| 2.1.2 梯度特征 |
| 2.1.3 實驗結果及分析 |
| 2.2 基于K-means的遙感影像云檢測算法 |
| 2.2.1 K-means聚類算法基本原理 |
| 2.2.2 基于K-means的云檢測算法流程 |
| 2.2.3 實驗結果及分析 |
| 2.3 基于多時相影像的遙感影像云檢測算法 |
| 2.3.1 基于多時相遙感影像的云檢測算法原理 |
| 2.3.2 實驗結果及分析 |
| 2.4 本章小結 |
| 第三章 遙感影像薄云去除算法 |
| 3.1 基于同態(tài)濾波的遙感影像薄云去除算法 |
| 3.1.1 同態(tài)濾波去云算法基本原理 |
| 3.1.2 同態(tài)濾波去云流程 |
| 3.1.3 實驗結果及分析 |
| 3.2 基于圖像融合的遙感影像薄云去除算法 |
| 3.2.1 多曝光度圖像融合基本原理 |
| 3.2.2 最優(yōu)權重系數求解 |
| 3.2.3 實驗結果及分析 |
| 3.3 基于暗通道先驗的遙感影像薄云去除算法 |
| 3.3.1 暗通道先驗理論 |
| 3.3.2 基于暗通道先驗的去云算法基本原理 |
| 3.3.3 實驗結果及分析 |
| 3.4 基于薄云厚度分布評估的遙感影像薄云去除算法 |
| 3.4.1 基于薄云厚度分布評估的薄云去除流程 |
| 3.4.2 基于薄云厚度分布評估的薄云去除流程 |
| 3.4.3 實驗結果及分析 |
| 3.5 本章小結 |
| 第四章 基于參考影像信息融合的云檢測算法 |
| 4.1 遙感影像暗圖像 |
| 4.2 厚云檢測 |
| 4.2.1 初始厚云掩膜估計 |
| 4.2.2 導向濾波器優(yōu)化 |
| 4.3 薄云檢測 |
| 4.3.1 線性拉伸 |
| 4.3.2 基于KPCA算法的薄云檢測 |
| 4.4 實驗結果及分析 |
| 4.4.1 主觀評價 |
| 4.4.2 定量分析 |
| 4.5 本章小結 |
| 第五章 基于參考影像信息融合的薄云去除算法 |
| 5.1 薄云去除算法流程 |
| 5.2 薄云去除模型 |
| 5.3 基于透射率估計的薄云去除 |
| 5.3.1 影像預處理 |
| 5.3.2 基于參考影像估計透射率 |
| 5.3.3 初始薄云去除圖像 |
| 5.4 基于圖像融合的去云圖像重構 |
| 5.4.1 二值薄云分布掩膜估計 |
| 5.4.2 小波圖像融合 |
| 5.5 實驗結果及分析 |
| 5.5.1 主觀評價 |
| 5.5.3 定量分析 |
| 5.6 本章小結 |
| 第六章 基于選擇多源全變分模型的厚云去除算法 |
| 6.1 選擇多源全變分圖像重建模型 |
| 6.2 基于SMTV模型的厚云去除 |
| 6.2.1 影像亮度校正 |
| 6.2.2 確定像素權重矩陣 |
| 6.2.3 SMTV模型求解 |
| 6.2.4 泊松圖像編輯 |
| 6.3 實驗結果與分析 |
| 6.3.1 主觀評價 |
| 6.3.2 定量分析 |
| 6.4 本章小結 |
| 第七章 結論與展望 |
| 7.1 結論 |
| 7.2 展望 |
| 參考文獻 |
| 作者在攻讀碩士學位期間公開發(fā)表的論文 |
| 作者在攻讀碩士學位期間所作的項目 |
| 致謝 |
（5）基于多尺度下結構組稀疏表示的圖像融合方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 圖像融合的研究背景及其意義 |
| 1.2 圖像融合的發(fā)展現狀 |
| 1.2.1 圖像融合的發(fā)展概況 |
| 1.2.2 圖像融合普遍存在的問題 |
| 1.3 本文研究內容及創(chuàng)新點 |
| 1.4 本文各章節(jié)布局 |
| 第二章 圖像融合基本理論 |
| 2.1 圖像融合的簡單概述 |
| 2.2 圖像融合的層次分類 |
| 2.3 傳統(tǒng)的圖像融合方法 |
| 2.4 圖像融合質量好壞評價 |
| 2.5 本章小結 |
| 第三章 基于多尺度的圖像融合方法研究 |
| 3.1 多尺度分析的基本簡介 |
| 3.2 小波的理論基礎 |
| 3.2.1 連續(xù)小波變換 |
| 3.2.2 離散小波變換 |
| 3.3 小波變換的圖像融合方法 |
| 3.3.1 小波在圖像中的變換 |
| 3.3.2 小波在圖像中的分解算法 |
| 3.3.3 基于小波變換的圖像融合方法 |
| 3.4 復小波的理論基礎 |
| 3.4.1 復小波變換理論基礎 |
| 3.4.2 一維DT-CWT變換 |
| 3.4.3 二維DT-CWT變換 |
| 3.5 改進的DT-CWT變換的圖像融合方法 |
| 3.5.1 改進的DT-CWT變換圖像融合規(guī)則 |
| 3.5.2 改進的DT-CWT變換的低頻分量融合規(guī)則 |
| 3.5.3 改進的DT-CWT變換的高頻分量融合規(guī)則 |
| 3.6 實驗結果及分析 |
| 3.7 本章小結 |
| 第四章 基于多尺度下結構組稀疏表示的圖像融合方法研究 |
| 4.1 稀疏表示的理論基礎 |
| 4.1.1 傳統(tǒng)圖像稀疏表示 |
| 4.1.2 圖像稀疏表示系數的求解算法 |
| 4.1.3 圖像稀疏表示過完備字典的構造 |
| 4.2 圖像結構組稀疏表示理論 |
| 4.2.1 圖像結構組的模型 |
| 4.2.2 圖像結構組稀疏表示模型 |
| 4.3 基于DT-CWT與結構組稀疏表示的圖像融合 |
| 4.3.1 DT-CWT—SGSR圖像融合的方法 |
| 4.3.2 DT-CWT—SGSR圖像融合規(guī)則 |
| 4.4 實驗結果及分析 |
| 4.5 本章小結 |
| 第五章 總結及展望 |
| 5.1 本文總結 |
| 5.2 下一步的工作 |
| 致謝 |
| 參考文獻 |
| 附錄 A 攻讀碩士學位期間學術成果 |
（6）基于CLIT-FCNN的遙感圖像融合算法（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 遙感圖像融合研究現狀 |
| 1.2.1 國外研究現狀 |
| 1.2.2 國內研究現狀 |
| 1.3 主要研究內容 |
| 1.4 本文組織結構 |
| 第2章 相關理論基礎介紹 |
| 2.1 遙感圖像融合處理流程 |
| 2.1.1 圖像預處理 |
| 2.1.2 圖像配準和增強 |
| 2.1.3 遙感圖像融合算法 |
| 2.1.4 融合圖像質量評價 |
| 2.1.5 融合圖像應用 |
| 2.2 遙感圖像融合算法 |
| 2.1.1 IHS變換融合算法 |
| 2.1.2 PCA融合方法 |
| 2.1.3 Brovey變換融合方法 |
| 2.1.4 高通濾波器融合方法 |
| 2.1.5 拉普拉斯金字塔分解融合方法 |
| 2.1.6 小波變換融合方法 |
| 2.1.7 NSCT融合方法 |
| 2.3 卷積神經網絡 |
| 2.4 U-NET |
| 2.5 本章小結 |
| 第3章 遙感圖像融合算法CLIT-FCNN |
| 3.1 基于CLIT-FCNN的融合算法 |
| 3.1.1 總體思路 |
| 3.1.2 網絡結構 |
| 3.2 CLIT-FCNN融合算法整體框架 |
| 3.3 本章小結 |
| 第4章 實驗結果與分析 |
| 4.1 訓練集構建 |
| 4.2 實驗配置 |
| 4.2.1 實現細節(jié) |
| 4.2.2 模型訓練 |
| 4.3 CLIT-FCNN算法實驗結果 |
| 4.3.1 DEIMOS-2 衛(wèi)星融合結果 |
| 4.3.2 QuickBird衛(wèi)星融合結果 |
| 4.3.3 高分二號衛(wèi)星融合結果 |
| 4.3.4 實驗結果總結 |
| 4.4 本章小結 |
| 第5章 總結與展望 |
| 5.1 工作總結 |
| 5.2 未來展望 |
| 參考文獻 |
| 作者簡介及在學期間所取得的科研成果 |
| 致謝 |
（7）基于推掃式星載相機的顫振估計和圖像補償（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題背景及研究的目的和意義 |
| 1.2 國內外研究現狀及分析 |
| 1.2.1 衛(wèi)星平臺顫振的理論研究 |
| 1.2.2 遙感圖像的云檢測 |
| 1.2.3 多光譜圖像的顫振估計 |
| 1.2.4 單波段遙感圖像顫振估計 |
| 1.2.5 基于模糊星點的顫振分析 |
| 1.3 本文的主要內容 |
| 第2章 顫振估計數據預處理 |
| 2.1 引言 |
| 2.2 數據集介紹和預處理 |
| 2.2.1 畸變檢測數據集 |
| 2.2.2 云檢測數據集 |
| 2.3 遙感圖像云檢測 |
| 2.3.1 輕量級U-net算法 |
| 2.3.2 離散小波變換算法 |
| 2.3.3 云檢測結果和分析 |
| 2.4 本章小結 |
| 第3章 多光譜視差遙感圖像顫振估計 |
| 3.1 引言 |
| 3.2 視差圖像配準算法 |
| 3.2.1 多光譜推掃式相機的原理 |
| 3.2.2 視差圖像配準模型 |
| 3.2.3 相位相關法 |
| 3.2.4 歸一化互相關法 |
| 3.2.5 改進的Lucas-Kanade方法 |
| 3.3 相對像素位移反卷積 |
| 3.3.1 多項式優(yōu)化方法 (POM) |
| 3.3.2 傅里葉變換方法 (FTM) |
| 3.4 基于SVR的預測模型 |
| 3.5 衛(wèi)星平臺光學載荷運動模型 |
| 3.6 仿真結果及誤差分析 |
| 3.6.1 圖像配準算法分析 |
| 3.6.2 反卷積轉換仿真結果 |
| 3.6.3 SVR預測及模型轉換仿真結果 |
| 3.6.4 吉林一號實驗結果 |
| 3.7 本章小結 |
| 第4章 單波段遙感圖像顫振估計 |
| 4.1 引言 |
| 4.2 基于卷積神經網絡的畸變檢測 |
| 4.2.1 損失函數分析 |
| 4.3 IJC-net實驗結果和分析 |
| 4.3.1 Pattern Net數據集的測試結果 |
| 4.3.2 遙感26號數據集實驗結果 |
| 4.4 基于對抗神經網絡的畸變檢測 |
| 4.4.1 生成對抗損失 |
| 4.4.2 圖像內容損失 |
| 4.4.3 姿態(tài)損失 |
| 4.4.4 圖像區(qū)域選擇 |
| 4.5 Restore GAN實驗結果和分析 |
| 4.5.1 不同頻率和振幅下的恢復結果 |
| 4.5.2 圖像恢復實驗結果 |
| 4.6 本章小結 |
| 第5章 圖像顫振信息融合分析 |
| 5.1 引言 |
| 5.2 顫振信息的圖像恢復驗證 |
| 5.3 圖像顫振信息的融合 |
| 5.3.1 顫振估計信息融合 |
| 5.4 基于模糊星點圖的顫振估計 |
| 5.4.1 星點質心運動模型 |
| 5.4.2 模糊星圖處理 |
| 5.4.3 實驗結果和分析 |
| 5.5 本章小結 |
| 結論 |
| 參考文獻 |
| 攻讀博士學位期間發(fā)表的論文及其他成果 |
| 致謝 |
| 個人簡歷 |
（8）基于EMD的多源遙感影像融合的方法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國內外研究現狀 |
| 1.2.1 經驗模態(tài)分解研究現狀 |
| 1.2.2 其它圖像融合方法研究現狀 |
| 1.3 圖像融合概述 |
| 1.3.1 融合方法 |
| 1.3.2 融合規(guī)則 |
| 1.3.3 融合評價 |
| 1.4 研究的主要內容及論文結構 |
| 2 相關理論基礎 |
| 2.1 一維EMD基本原理 |
| 2.1.1 瞬時頻率 |
| 2.1.2 時間尺度 |
| 2.1.3 固有模態(tài)函數 |
| 2.1.4 一維EMD分解過程 |
| 2.2 二維EMD基本原理 |
| 2.2.1 二維EMD分解過程 |
| 2.2.2 二維EMD分解中的關鍵問題 |
| 2.3 本章小結 |
| 3 改進的二維EMD方法及其在圖像分解中的應用 |
| 3.1 改進的徑向基插值算法 |
| 3.1.1 粒子群算法 |
| 3.1.2 基于粒子群算法優(yōu)化RBF網絡權值 |
| 3.2 分量融合規(guī)則 |
| 3.3 改進二維EMD方法的分解過程 |
| 3.3.1 改進二維EMD方法實現過程 |
| 3.3.2 改進二維EMD方法的仿真實驗 |
| 3.4 本章小結 |
| 4 基于改進二維EMD的遙感數字圖像融合 |
| 4.1 遙感數字圖像融合過程 |
| 4.1.1 遙感數字圖像融合步驟 |
| 4.1.2 圖像濾波實驗及評價結果 |
| 4.2 數據來源 |
| 4.3 遙感數字圖像融合實驗及評價結果 |
| 4.3.1 遙感數字圖像融合的仿真實驗 |
| 4.3.2 遙感數字圖像融合結果評價 |
| 4.4 本章小結 |
| 5 總結與展望 |
| 5.1 總結 |
| 5.2 展望 |
| 致謝 |
| 參考文獻 |
| 附錄 |
（9）高分辨率遙感圖像去云技術研究（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內外研究現狀 |
| 1.2.1 遙感圖像薄云去除研究現狀 |
| 1.2.2 遙感圖像厚云去除研究現狀 |
| 1.3 遙感圖像去云技術的問題與難點 |
| 1.3.1 遙感圖像薄云去除算法的問題與難點 |
| 1.3.2 遙感圖像厚云去除算法的問題與難點 |
| 1.4 本文內容及組織結構 |
| 第2章 遙感圖像去云相關理論與技術 |
| 2.1 遙感圖像的云模型 |
| 2.1.1 大氣中云的形成 |
| 2.1.2 遙感圖像中云噪聲特征 |
| 2.1.3 遙感圖像中云噪聲模型 |
| 2.2 遙感圖像成像原理 |
| 2.2.1 數字成像系統(tǒng)的線性模型 |
| 2.2.2 遙感圖像數字成像系統(tǒng)模型 |
| 2.2.3 圖像退化/復原模型 |
| 2.3 遙感圖像去云相關技術 |
| 2.3.1 多分辨率分析 |
| 2.3.2 暗通道先驗原理 |
| 2.3.3 圖像融合技術 |
| 2.3.4 區(qū)域檢測技術 |
| 2.3.5 圖像配準技術 |
| 2.4 本章小結 |
| 第3章 高分辨率遙感圖像去云算法研究 |
| 3.1 遙感圖像薄云去除算法 |
| 3.1.1 算法基本思想 |
| 3.1.2 算法整體框架 |
| 3.1.3 數字圖像的小波分解 |
| 3.1.4 抑制低頻分量 |
| 3.1.5 增強高頻分量 |
| 3.2 遙感圖像厚云去除算法 |
| 3.2.1 算法基本思想 |
| 3.2.2 算法整體框架 |
| 3.2.3 遙感影像配準 |
| 3.2.4 云區(qū)域檢測 |
| 3.2.5 影像融合規(guī)則 |
| 3.3 本章小結 |
| 第4章 實驗結果及分析 |
| 4.1 引言 |
| 4.2 遙感圖像薄云去除的實驗結果及分析 |
| 4.2.1 實驗環(huán)境及內容 |
| 4.2.2 評價指標 |
| 4.2.3 實驗結果分析 |
| 4.2.4 對比實驗結果分析 |
| 4.3 遙感圖像厚云去除的實驗結果及分析 |
| 4.3.1 圖像融合評價指標 |
| 4.3.2 實驗結果分析 |
| 4.4 本章小結 |
| 結論 |
| 參考文獻 |
| 致謝 |
（10）基于注入模型的遙感圖像整合方法研究及其應用（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景和意義 |
| 1.1.1 遙感圖像融合的研究背景 |
| 1.1.2 遙感圖像融合的研究意義 |
| 1.2 遙感圖像融合層級結構 |
| 1.3 像素級遙感圖像融合算法概述 |
| 1.3.1 基于成分替代的遙感圖像融合算法 |
| 1.3.2 基于多分辨率分析的遙感圖像融合算法 |
| 1.3.3 基于模型的遙感圖像融合算法 |
| 1.3.4 基于人工神經網絡的遙感圖像融合算法 |
| 1.3.5 基于混合技術的遙感圖像融合算法 |
| 1.3.6 遙感圖像融合存在的問題 |
| 1.4 遙感圖像特性分析 |
| 1.4.1 WorldView-2 衛(wèi)星圖像特性 |
| 1.4.2 IKONOS衛(wèi)星圖像特性 |
| 1.4.3 QuickBird衛(wèi)星圖像特性 |
| 1.5 遙感圖像融合質量評價 |
| 1.5.1 有參考圖遙感圖像融合質量評價 |
| 1.5.2 無參考圖遙感圖像融合質量評價 |
| 1.6 本論文創(chuàng)新點與結構安排 |
| 1.6.1 論文創(chuàng)新點 |
| 1.6.2 論文結構安排 |
| 第2章 注入模型 |
| 2.1 引言 |
| 2.2 注入模型融合方案 |
| 2.3 圖像預處理 |
| 2.3.1 重采樣 |
| 2.3.2 直方圖匹配 |
| 2.4 成分替代技術 |
| 2.4.1 亮度-色度-飽和度變換 |
| 2.4.2 主成分分析 |
| 2.5 基于成分替代的注入模型 |
| 2.6 多分辨率分析技術 |
| 2.6.1 小波變換 |
| 2.6.2 濾波技術 |
| 2.6.3 稀疏表示理論 |
| 2.7 基于多分辨率分析的注入模型 |
| 2.8 本章小節(jié) |
| 第3章 基于精煉細節(jié)注入的遙感圖像融合算法及其應用 |
| 3.1 引言 |
| 3.2 細節(jié)精煉關鍵技術 |
| 3.2.1 à trous小波變換 |
| 3.2.2 引導濾波 |
| 3.2.3 稀疏表示 |
| 3.2.4 字典學習 |
| 3.3 基于精煉細節(jié)注入的遙感圖像融合算法框架 |
| 3.4 基于精煉細節(jié)注入的遙感圖像融合算法 |
| 3.4.1 基于àtrous小波變換及引導濾波的高頻細節(jié)提取 |
| 3.4.2 稀疏融合獲取初始聯合細節(jié) |
| 3.4.3 基于自適應權重因子精煉算法獲取精煉聯合細節(jié) |
| 3.4.4 基于邊緣信息保護的細節(jié)注入 |
| 3.4.5 精煉細節(jié)性能測試 |
| 3.5 實驗結果及其應用分析 |
| 3.5.1 仿真圖像實驗結果及其應用分析 |
| 3.5.2 真實圖像實驗結果及其應用分析 |
| 3.5.3 算法綜合性能評價 |
| 3.5.4 應用示例:算法在城區(qū)地物分類管理中的應用 |
| 3.6 本章小結 |
| 第4章 基于補償細節(jié)注入的遙感圖像融合算法及其應用 |
| 4.1 引言 |
| 4.2 補償細節(jié)提取關鍵技術 |
| 4.2.1 基于補償細節(jié)的注入模型 |
| 4.2.2 魯棒稀疏模型 |
| 4.2.3 魯棒稀疏模型性能 |
| 4.3 基于補償細節(jié)注入的遙感圖像融合算法框架 |
| 4.4 基于補償細節(jié)注入的遙感圖像融合算法 |
| 4.4.1 魯棒稀疏模型重建補償細節(jié) |
| 4.4.2 全色圖像高頻細節(jié)提取 |
| 4.4.3 補償細節(jié)與全色圖像高頻細節(jié)的聯合注入 |
| 4.4.4 魯棒稀疏模型中方形窗尺寸討論 |
| 4.4.5 補償細節(jié)性能 |
| 4.5 實驗結果及其應用分析 |
| 4.5.1 仿真圖像實驗結果及其應用分析 |
| 4.5.2 真實圖像實驗結果及其應用分析 |
| 4.5.3 算法綜合性能評價 |
| 4.5.4 應用示例:算法用于山川、河流管理 |
| 4.6 本章小結 |
| 第5章 基于多光譜圖像改進的遙感圖像融合算法及其應用 |
| 5.1 引言 |
| 5.2 多光譜圖像改進關鍵技術 |
| 5.2.1 基于多光譜圖像改進的注入模型 |
| 5.2.2 基于稀疏表示的字典學習 |
| 5.3 基于多光譜圖像改進的遙感圖像融合算法框架 |
| 5.4 基于多光譜圖像改進的遙感圖像融合算法 |
| 5.4.1 低空間分辨率多光譜圖像性能改進 |
| 5.4.2 基于改進的多光譜圖像的細節(jié)注入 |
| 5.4.3 改進的多光譜圖像的性能 |
| 5.5 實驗結果及其應用分析 |
| 5.5.1 仿真圖像實驗結果及其應用分析 |
| 5.5.2 真實圖像實驗結果及其應用分析 |
| 5.5.3 算法綜合性能評價 |
| 5.5.4 應用示例:算法用于林業(yè)分類管理 |
| 5.6 本章小結 |
| 第6章 基于光譜及亮度調制的遙感圖像融合算法及其應用 |
| 6.1 引言 |
| 6.2 基于光譜及亮度調制的遙感圖像融合算法關鍵技術 |
| 6.2.1 光譜調制 |
| 6.2.2 亮度調制 |
| 6.2.3 光譜及亮度調制觀測模型 |
| 6.3 光譜及亮度調制的遙感圖像融合算法框架 |
| 6.4 基于光譜及亮度調制的遙感圖像融合算法 |
| 6.4.1 構建光譜調制系數 |
| 6.4.2 構建亮度調制系數 |
| 6.4.3 光譜調制系數及亮度調制系數性能 |
| 6.5 實驗結果及其應用分析 |
| 6.5.1 仿真圖像實驗結果及其應用分析 |
| 6.5.2 真實圖像實驗結果及其應用分析 |
| 6.5.3 算法綜合性能評價 |
| 6.5.4 應用示例:算法用于城區(qū)地物分類管理 |
| 6.6 本章小結 |
| 第7章 總結與展望 |
| 7.1 論文工作總結 |
| 7.2 研究展望 |
| 參考文獻 |
| 攻讀博士學位期間取得的成果 |
| 致謝 |
四、基于小波變換的多源遙感圖像的信息融合（論文參考文獻）
- [1]大豆冠層信息獲取圖像融合方法研究[D]. 劉春鵬. 黑龍江八一農墾大學, 2021(10)
- [2]光學遙感影像融合參數優(yōu)化解算與質量評價方法[D]. 趙錚. 山東科技大學, 2020(06)
- [3]基于深度卷積生成對抗網絡的SAR與可見光融合技術研究[D]. 張演康. 北京郵電大學, 2020(05)
- [4]基于參考影像信息融合的遙感影像云檢測和云去除算法研究[D]. 王睿. 上海大學, 2020(02)
- [5]基于多尺度下結構組稀疏表示的圖像融合方法研究[D]. 楊進. 昆明理工大學, 2020(04)
- [6]基于CLIT-FCNN的遙感圖像融合算法[D]. 王明麗. 吉林大學, 2020(08)
- [7]基于推掃式星載相機的顫振估計和圖像補償[D]. 張兆祥. 哈爾濱工業(yè)大學, 2020(01)
- [8]基于EMD的多源遙感影像融合的方法研究[D]. 王楨煒. 華北水利水電大學, 2020(01)
- [9]高分辨率遙感圖像去云技術研究[D]. 朱宏亮. 哈爾濱工程大學, 2020(05)
- [10]基于注入模型的遙感圖像整合方法研究及其應用[D]. 吳磊. 江西財經大學, 2019(07)