隨著計(jì)算機(jī)技術(shù)的廣泛應(yīng)用,圖像技術(shù)發(fā)生了巨大的進(jìn)步,例如在國(guó)防、環(huán)境、農(nóng)林、水利等重要領(lǐng)域。傳統(tǒng)的單一類(lèi)型遙感數(shù)據(jù)已不能滿足人們?nèi)找嬖鲩L(zhǎng)的研究需求,我們需要同時(shí)同步使用高光譜和高空間分辨率兩種信息。因此,多源遙感圖像方法越來(lái)越受到學(xué)者的重視。在實(shí)際應(yīng)用中,高光譜、低空間分辨率的多光譜圖像（MS）主要用于準(zhǔn)確識(shí)別土地覆蓋類(lèi)型、海洋光譜特性分析、地質(zhì)勘探、地表植被研究和軍事目標(biāo)的檢測(cè)與識(shí)別等精確地物分類(lèi)方向。而高空間、低光譜分辨率的全色圖像（PAN）主要用于準(zhǔn)確描述特征的紋理和形狀,例如環(huán)境監(jiān)測(cè)、土地使用、城市規(guī)劃、資源管理等方面。以上的兩種情況下,其單個(gè)圖像均不能提供足夠的信息。因此,遙感圖像融合是必不可少的,多源的圖像具有可以豐富視覺(jué)信息,減少不確定性的優(yōu)點(diǎn)。遙感圖像融合即充分利用了多源遙感圖像的差異性和互補(bǔ)性,最終目標(biāo)是融合MS圖像和PAN圖像,生成具有高空間分辨率和高光譜分辨率的融合圖像。所獲融合圖像比任一源圖像所包含的信息更加全面,提高了數(shù)據(jù)的可靠性,進(jìn)而提升遙感圖像高效解譯的可能性,深化了該領(lǐng)域的應(yīng)用潛力和價(jià)值,對(duì)我國(guó)的國(guó)防建設(shè)、經(jīng)濟(jì)發(fā)展和國(guó)民生活等發(fā)展意義重大。本文首先對(duì)遙感... 

【文章來(lái)源】： 劉思含 吉林大學(xué)

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

HSV顏色空間

第3章基于互結(jié)構(gòu)聯(lián)合濾波和顯著性檢測(cè)的遙感圖像融合方法21對(duì)于有噪點(diǎn)的RGB/深度圖像恢復(fù)，互結(jié)構(gòu)的聯(lián)合濾波被廣泛地做了評(píng)估,實(shí)驗(yàn)在Lu等人[53]的數(shù)據(jù)集上進(jìn)行。將該結(jié)果與聯(lián)合雙邊濾波器[54]、引導(dǎo)圖像濾波器[55]和先進(jìn)的RGB/深度恢復(fù)方法[53]進(jìn)行了比較。PSNR的結(jié)果如圖3.1所示。圖3.1PSNR與[53][54][55]在RGBZ數(shù)據(jù)集上的比較1021120log1((,)(,))MNijLPSNRXijYijMN===………………（3.9）這里，L是灰度的數(shù)目。PSNR越大，融合圖像與參考圖像越相似，融合質(zhì)量越好。本文分別計(jì)算了參考圖像和不同濾波方法所得圖像的PSNR值。每對(duì)中的兩個(gè)源圖像都被視為參考圖像，PSNR值是平均值。由于每組中的兩個(gè)源圖像內(nèi)容不同，濾波后的結(jié)果圖像越相似，表示性能越好。也就是說(shuō)，PSNR越大，算法越好。圖3.1指出MSJF方法優(yōu)于其他方法，因此本文選擇它來(lái)進(jìn)行分解。表3.1圖3.2中相應(yīng)評(píng)估指標(biāo)的詳細(xì)信息不同分解層的融合圖像如圖3.2所示，相應(yīng)的目標(biāo)評(píng)價(jià)指標(biāo)如表3.1所示。當(dāng)分解層數(shù)大于3時(shí)，發(fā)現(xiàn)目標(biāo)評(píng)價(jià)指標(biāo)變化非常小，可以認(rèn)為當(dāng)分解層數(shù)為3

第3章基于互結(jié)構(gòu)聯(lián)合濾波和顯著性檢測(cè)的遙感圖像融合方法21對(duì)于有噪點(diǎn)的RGB/深度圖像恢復(fù)，互結(jié)構(gòu)的聯(lián)合濾波被廣泛地做了評(píng)估,實(shí)驗(yàn)在Lu等人[53]的數(shù)據(jù)集上進(jìn)行。將該結(jié)果與聯(lián)合雙邊濾波器[54]、引導(dǎo)圖像濾波器[55]和先進(jìn)的RGB/深度恢復(fù)方法[53]進(jìn)行了比較。PSNR的結(jié)果如圖3.1所示。圖3.1PSNR與[53][54][55]在RGBZ數(shù)據(jù)集上的比較1021120log1((,)(,))MNijLPSNRXijYijMN===………………（3.9）這里，L是灰度的數(shù)目。PSNR越大，融合圖像與參考圖像越相似，融合質(zhì)量越好。本文分別計(jì)算了參考圖像和不同濾波方法所得圖像的PSNR值。每對(duì)中的兩個(gè)源圖像都被視為參考圖像，PSNR值是平均值。由于每組中的兩個(gè)源圖像內(nèi)容不同，濾波后的結(jié)果圖像越相似，表示性能越好。也就是說(shuō)，PSNR越大，算法越好。圖3.1指出MSJF方法優(yōu)于其他方法，因此本文選擇它來(lái)進(jìn)行分解。表3.1圖3.2中相應(yīng)評(píng)估指標(biāo)的詳細(xì)信息不同分解層的融合圖像如圖3.2所示，相應(yīng)的目標(biāo)評(píng)價(jià)指標(biāo)如表3.1所示。當(dāng)分解層數(shù)大于3時(shí)，發(fā)現(xiàn)目標(biāo)評(píng)價(jià)指標(biāo)變化非常小，可以認(rèn)為當(dāng)分解層數(shù)為3

【參考文獻(xiàn)】：
期刊論文
[1]基于梯度一致性約束的多光譜/全色影像最大后驗(yàn)融合方法[J]. 孟祥超,沈煥鋒,張洪艷,張良培,李慧芳.  光譜學(xué)與光譜分析. 2014(05)



本文編號(hào)：2955420