隨著遙感技術(shù)的發(fā)展,遙感圖像在天氣預報、環(huán)境監(jiān)測、地震監(jiān)測、海洋監(jiān)測、軍事測繪等領域的應用越來越廣泛。光學遙感衛(wèi)星,例如QuickBird, IKONOS、 GeoEye-1等,能夠提供地球表面觀測圖像。觀測圖像包含低分辨多光譜圖像和高分辨全色圖像。多光譜圖像由多個波段構(gòu)成,光譜信息豐富,但空間分辨率低。全色圖像僅有單個波段,空間分辨率高。實際應用中需要高分辨多光譜圖像。然而,由于遙感傳感器技術(shù)限制,衛(wèi)星無法提供高分辨多光譜圖像。多光譜與全色圖像融合技術(shù)能夠有效解決該問題。這項技術(shù)也被稱為多光譜圖像銳化。通過融合多光譜圖像與全色圖像,可以得到高分辨多光譜圖像。多光譜與全色圖像融合作為遙感圖像融合的重要分支,值得深入研究。本論文的主要研究課題是多光譜與全色圖像融合。在已知融合框架下,針對多光譜與全色圖像融合中的光譜失真和空間失真問題,利用進化算法、壓縮感知、稀疏表示、字典學習和圖像恢復等理論,提出了五種融合方法。本論文提出的融合方法在QuickBird、IKONOS、GeoEye-1遙感數(shù)據(jù)上進行測試。本論文的主要成果總結(jié)如下：1. 分量替換融合方法是多光譜與全色圖像融合的重要框架之一。... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：149 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 圖像融合的目的與意義
        1.1.1 圖像融合的層次
        1.1.2 圖像融合分類
        1.1.3 多源圖像融合的目的與意義
    1.2 多光譜與全色圖像融合的發(fā)展現(xiàn)狀與意義
        1.2.1 常見的光學衛(wèi)星及其數(shù)據(jù)特性
        1.2.2 多光譜與全色圖像融合研究現(xiàn)狀
    1.3 客觀評價指標
    1.4 本文的工作與主要內(nèi)容
第二章 基于粒子群優(yōu)化的自適應分量替換融合方法
    2.1 引言
        2.1.1 分量替換融合框架
        2.1.2 粒子群優(yōu)化算法原理
    2.2 自適應分量替換融合框架
        2.2.1 基于粒子群優(yōu)化的自適應分量替換融合方法
        2.2.2 相似性測量函數(shù)
        2.2.3 粒子群算法參數(shù)設置
    2.3 實驗與結(jié)果分析
        2.3.1 實驗數(shù)據(jù)與評價方法
        2.3.2 與基于IHS變換融合方法的比較實驗和結(jié)果分析
        2.3.3 與基于GS變換融合方法的比較實驗和結(jié)果分析
        2.3.4 與CS-PR方法的比較實驗和結(jié)果分析
    2.4 本章小結(jié)
第三章 基于局部線性嵌入和小波融合的改進分量替換融合方法
    3.1 引言
    3.2 改進分量替換融合框架
H
1">        3.2.1 利用局部線性嵌入超分辨重建IH
1

        3.2.2 利用小波融合技術(shù)合成I_H
2

        3.2.3 改進分量替換融合模型
        3.2.4 融合圖像增強
    3.3 實驗與結(jié)果分析
        3.3.1 實驗數(shù)據(jù)和評價指標
        3.3.2 圖像塊大小與權(quán)重系數(shù)對本章方法性能的影響
        3.3.3 QuickBird仿真實驗與結(jié)果分析
        3.3.4 GeoEye-1仿真實驗與結(jié)果分析
    3.4 本章小結(jié)
第四章 基于稀疏表示和局部自回歸模型的多光譜與全色圖像融合方法
    4.1 引言
    4.2 稀疏表示和壓縮感知
        4.2.1 稀疏表示
        4.2.2 壓縮感知理論
    4.3 基于稀疏和局部自回歸先驗的多光譜與全色圖像融合方法
        4.3.1 多光譜圖像與全色圖像成像模型
        4.3.2 高分辨多光譜圖像的稀疏表示模型
        4.3.3 基于稀疏正則的融合模型
        4.3.4 局部自回歸模型
        4.3.5 光譜字典和空間細節(jié)字典構(gòu)造方法
    4.4 實驗與結(jié)果分析
        4.4.1 實驗設置
        4.4.2 仿真實驗與結(jié)果分析
        4.4.3 真實實驗與結(jié)果分析
    4.5 本章小結(jié)
第五章 基于分布式壓縮感知的多光譜圖像銳化方法
    5.1 引言
    5.2 分布式壓縮感知理論
    5.3 本章方法
        5.3.1 低分辨多光譜圖像與高分辨全色圖像的觀測模型
        5.3.2 基于聯(lián)合稀疏先驗的融合方法
        5.3.3 字典構(gòu)造方法
        5.3.4 本章方法復雜度分析
    5.4 實驗與結(jié)果分析
        5.4.1 實驗數(shù)據(jù)
        5.4.2 參數(shù)設置
        5.4.3 圖像塊大小、字典大小和正則參數(shù)對本章方法性能的影響
        5.4.4 共同分量和獨有分量
        5.4.5 仿真實驗和結(jié)果分析
        5.4.6 真實實驗和結(jié)果分析
    5.5 本章小結(jié)
第六章 基于雙空間正則的多光譜圖像銳化方法
    6.1 引言
    6.2 本章方法的優(yōu)化模型
        6.2.1 低分辨多光譜圖像成像模型
        6.2.2 全局空間相似正則
        6.2.3 非局部相似正則
    6.3 正則參數(shù)的設定和梯度下降方法
        6.3.1 分析和定義正則參數(shù)
        6.3.2 梯度下降優(yōu)化方法
    6.4 仿真實驗和結(jié)果分析
        6.4.1 實驗數(shù)據(jù)和評價指標
        6.4.2 正則參數(shù)和濾波器對本章方法性能的影響
        6.4.3 仿真實驗和結(jié)果分析
        6.4.4 融合圖像單波段分析
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 研究總結(jié)
    7.2 研究展望
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]基于雙樹復小波變換的PET/CT自適應融合算法[J]. 魏興瑜,周濤,陸惠玲,王文文.  計算機科學與探索. 2015(03)
[2]基于視覺顯著度的多聚焦圖像融合方法[J]. 侯慶岑,潘晨,楊勇.  計算機工程. 2015(01)
[3]基于壓縮感知的紅外與可見光圖像融合[J]. 柳翠寅,羅洪禮,李曉峰.  四川大學學報(工程科學版). 2014(05)
[4]大動態(tài)范圍多曝光圖像融合方法[J]. 胡燕翔,萬莉.  計算機工程與應用. 2014(01)
[5]基于梯度的多曝光圖像融合[J]. 吳偉華,鐘聲.  計算機與現(xiàn)代化. 2011(06)
[6]基于二代Curvelet變換的紅外與可見光圖像融合[J]. 付夢印,趙誠.  紅外與毫米波學報. 2009(04)
[7]壓縮感知理論及其研究進展[J]. 石光明,劉丹華,高大化,劉哲,林杰,王良君.  電子學報. 2009(05)
[8]基于區(qū)域分割的紅外與可見光圖像融合算法的研究(英文)[J]. 劉坤,郭雷,李暉暉,陳敬松.  Chinese Journal of Aeronautics. 2009(01)
[9]一種基于非采樣Contourlet變換紅外圖像與可見光圖像融合算法[J]. 張強,郭寶龍.  紅外與毫米波學報. 2007(06)
[10]基于多幅不同曝光量照片的場景高動態(tài)范圍圖像合成[J]. 華順剛,王麗丹,歐宗瑛.  大連理工大學學報. 2007(05)

博士論文
[1]基于小波核濾波器和稀疏表示的遙感圖像融合[D]. 劉帆.西安電子科技大學 2014
[2]遙感圖像的融合及應用[D]. 強贊霞.華中科技大學 2005



本文編號：2963026

boshi