一、基于小波变换的遥感图像插值方法研究（论文文献综述）
冯旭斌[1]（2020）在《基于深度学习的光学遥感图像去噪与超分辨率重建算法研究》文中认为遥感技术的日益进步极大的促进了光学遥感影像的获取。光学遥感影像具有很高的研究和实用价值,尤其是高质量的光学遥感影像,具有高分辨率、低噪声的特点,可广泛应用于农林监测、城市规划、军事侦察等领域,因此提升光学遥感影像质量的方法具有很高的研究价值和应用前景。然而,通过升级硬件直接提升遥感影像质量的方法需要的成本高昂、工艺水平高且时间周期长。因此,如何经济、方便和高效地提升光学遥感影像的质量成为遥感领域的一个重大挑战。针对这一挑战,本文采用了基于深度学习的图像处理算法,通过对单幅低质量的图像进行去噪和超分辨率重建,达到了提高其质量的目的。本文循序渐进的开展了多项基于深度学习的光学遥感图像去噪和超分辨率重建研究工作,旨在为后续研究奠定理论与技术基础,加快基于深度学习技术的光学遥感图像去噪与超分辨率算法工程化应用进程。本文的主要研究成果为:（1）提出了一种基于深度卷积神经网络的空间目标图像去噪与超分辨率重建方法。本方法主要利用了残差网络思想,结合了局部残差网络和全局残差网络,实现了对空间目标图像进行2倍、3倍和4倍超分辨重建的同时还可以去除宇宙线噪声。实验数据表明本方法比其他所有对比的方法在峰值信噪比（Peak signal-to-noise ratio,PSNR）和人类视觉系统（Human visual system,HVS）等评价标准上,分别提高了0.08～3.1d B和3.1～7.1d B。（2）针对基于非生成对抗网络（Generative adversiral netword,GAN）在对光学遥感图像去噪和超分辨率重建方法会导致图像细节趋于平滑的问题,提出了一种在小波变换域下的基于生成对抗网络的光学遥感图像去噪与超分辨率重建算法。首先,为了重建更多的细节信息,采用了生成对抗网络的架构;然后为了使最终重建的图像能在PSNR和结构相似度（Structural similarity,SSIM）等客观评价指标上有良好的表现,在其生成部分结合了残差网络（局部残差网络和全局残差网络）。在损失函数方面,生成部分的损失函数结合了全变分（Total variation,TV）损失,进一步增强了重建的细节信息;判别部分使用了相对损失来代替传统的判别损失计算方法,目的是为了使整个网络更好的收敛。最后本算法执行在小波变换域下。实验数据表明本方法可以对光学遥感图像进行4倍超分辨率重建的同时去除高斯噪声或椒盐噪声。在PSNR和SSIM方面比基于GAN的SRGAN、ESRGAN等算法高出0.01～0.56d B和0.04～0.07。从视觉效果看,在所有实验对比的算法中,本方法处理过的图像细节都更加丰富,且在平均主观得分（Mean opinion score,MOS）和感知指数（Perceptual index,PI）等评价标准上,比其他对比方法高出0.2～2和0.07～4.7。（3）为了进一步获得比数据集本身质量还高的光学遥感图像,提出了一种基于不成对图像的无监督学习光学遥感图像去噪与超分辨率重建算法。首先,为了获取更高的质量的图像,采用循环生成对抗架构,将本身质量就很高的自然图像数据集作为输入的一部分,共同训练网络;其次在计算对抗损失和循环一致性损失时,分别使用相对损失和感知损失,使整个网络更好的收敛。实验数据表明本方法可以对光学遥感图像进行无监督4倍超分辨率重建的同时去除高斯噪声。在PSNR和SSIM指标方面,比基于GAN的RRDGAN和Cin CGAN等算法高出0.92～2.18d B和0.07～0.14。视觉效果上本方法生成的图像细节更加丰富,且在PI评价标准上,比实验中对比的所有算法高出0.01～4.86。综上所述,本文以深度学习技术为基础,提出了三种新的光学遥感图像去噪与超分辨率重建算法,可以在提升光学遥感图像分辨率的同时去除相应的噪声,有效的解决了现有方法中的一些不足,取得了较理想的效果。为获取更高质量光学遥感图像问题提供了新的途径。
施宇[2]（2020）在《基于超分辨重建的遥感图像融合方法研究》文中提出遥感图像融合通过将多幅遥感图像进行互补整合,得到一幅图像信息更丰富、更精确的融合图像,使得图像特征比较全面,对数据的利用率也比较高,具有研究意义。本文主要研究遥感图像中的多光谱（Multispectral,MS）图像和全色（Panchromatic,PAN）图像的融合,通过将MS图像与PAN图像进行融合,在保留MS图像光谱信息的前提下,提高图像的空间分辨率,可以充分利用遥感图像的光谱信息与空间信息以及各种传感器的优势。论文对MS图像与PAN图像融合方法进行了深入研究,针对传统融合方法中MS图像采用插值法得到的匹配图像分辨率较低这一缺陷,引入超分辨重建的方法提高MS图像的分辨率,并将重建的MS图像与PAN图像使用两种方法进行融合,分别是能提取不同尺度上信息的拉普拉斯金字塔,和能保持图像边缘平滑的导向滤波器方法。论文主要的工作为:1、对传统融合方法进行讨论,对比了基于Intensity Hue Saturation（IHS）变换的融合方法、基于主成分分析（Principal Component Analysis,PCA）的融合方法、基于Gram Schmidt（GS）融合方法、基于Brovey变换的融合方法等4种融合方法。针对图像超分辨重建的方法,基于MS图像,对插值、超分辨卷积神经网络（Super-Resolution with Convolutional Neural Network,SRCNN）、快速超分辨卷积神经网络（Fast Super-resolution with Convolutional Neural Network,FSRCNN）等3种重建方法,进行了实验验证与分析。2、研究了拉普拉斯金字塔融合与导向滤波器融合的两种融合方法。在基于超分辨重建的多光谱图像及拉普拉斯金字塔融合中,对PAN图像与经过重建后的MS图像进行卷积神经网络（Convolutional Neural Network,CNN）特征提取,获取两幅图像的细节信息,再分别对两幅图像进行拉普拉斯金字塔分解,并与提取的细节信息进行融合。在基于超分辨重建的多光谱图像及导向滤波器融合中,通过对PAN图像与经过重建后的MS图像进行导向滤波的细节提取,将提取的细节信息自适应增强后注入到MS图像中获得融合图像,并引入了三种滤波方法:基于导向滤波器,基于快速导向滤波器,基于滚动滤波器,将这三种滤波器进行了对比融合实验,从主观与客观分析来看,基于导向滤波器的滤波方法得到的融合结果优于对比的两种滤波方法。3、选择了三种遥感卫星的数据作为融合实验的数据源,包括Geo Eye-1、IKONOS、World View-2。并选择IHS算法、PCA算法、GS算法、Brovey算法、小波变换算法作为对比实验,通过主观视觉分析与客观数据分析,本文研究的基于拉普拉斯金字塔融合与基于导向滤波融合方法较对比方法得到的融合图像效果最好,而基于导向滤波融合方法得到的融合图像光谱信息保留的最丰富,图像细节特征也最丰富。
王桢炜[3]（2020）在《基于EMD的多源遥感影像融合的方法研究》文中研究表明随着遥感技术的飞速发展,遥感数字图像融合已成为航空、卫星图像处理领域的研究重点。遥感数字图像融合不仅能提高影像信息的可利用率,集成源图像的互补信息,降低单个遥感数字图像的差异性,获得信息更丰富、更精确的融合图像,而且融合后的图像信息量丰富,清晰度增强,具有较高的解释能力。本文主要是对同一地物的多光谱图像和全色图像的融合方法进行研究,在传统经验模式分解（Empirical Mode Decomposition,EMD）的基础上,提出了一种基于粒子群优化径向基神经网络权值的插值方法。并以此为基础,针对图像融合提出了一种基于彩色空间（luminance,Hue,Saturation,IHS）变换、小波滤波和改进二维EMD的遥感数字图像融合方法。该融合方法既可以保留融合图像的光谱信息,又可以提高其空间纹理细节信息。本文的主要研究工作和创新点如下:1、叙述了遥感数字图像融合算法的研究背景与意义以及国内外研究现状,讨论了遥感数字图像融合过程中的融合方法、融合规则、融合结果评价标准,最后分析比较了几种常用的图像滤波方法。2、分别介绍了一维EMD和二维EMD的基本原理和实验步骤,并指出二维EMD方法分解过程中需要注意的问题。3、在图像分解的过程中,本文对二维EMD方法进行了改进。针对二维EMD分解过程中包络面的插值拟合方法,以粒子群算法为基础,对径向基神经网络的权值进行优化;经验证,基于粒子群优化径向基神经网络权值的插值方法相比径向基函数插值法,具有插值精度高的优点;最后,使用改进的二维EMD方法分解遥感数字图像时,可以使图像得到充分分解。4、针对遥感数字图像融合,本文提出了一种基于IHS变换、小波滤波和改进二维EMD方法的图像融合方法,并进行了四组仿真实验。实验结果表明:融合图像不仅可以最大程度保留光谱信息,在空间纹理细节信息上相比于原图像也有所提高。最后,通过分析比较四组实验结果以及经过小波滤波后的全色背景图像和高频信息面,得出了本文算法的适用范围,即本文算法适用于地物信息丰富且区别明显的遥感数字图像融合。
张奇臣[4]（2020）在《基于Directionlet变换的图像超分辨率重建算法研究》文中研究指明在图像图像处理领域,超分辨率重构一直都是难度很大且极富挑战性的研究课题。随着互联网的高速发展,手机、Pad和电脑等显示设备的屏幕不断增大,人们对图像的分辨率要求越来越高。以增加拍摄设备感光器件面积来获得更高分辨率的图像的解决方案因成本过高,且受制于器件工艺的发展,而不可能被广泛采用。因此大量的科研人员从事于从低分辨率图像重构高分辨率图像的算法研究,试图在图像显示端用软件实现图像尺寸的放大,从而规避拍摄设备发展的制约因素。图像的超分辨率重构算法依据参考图像的数量可分为基于多幅低分辨率参考图像的重构与基于单幅低分辨率参考图像的重构两种,其中基于单幅低分辨率参考图像的超分辨率重构算法的难度更大,应用范围更广。本课题从小波域入手提出了一种基于单幅低分辨率参考图像的超分辨率重构算法,获得了较理想的重构质量。本文首先分析对比了常见的超分辨率图像重建技术的基本理论与各种算法的优缺点。接着,根据小波变换在图像的稀疏性表示的优势,详细分析了在小波域进行的超分辨率图像重建原理,对比了两种小波域重建超分辨图像的算法框架:边缘指导型和边缘修正型,并在边缘修正型重构框架下提出了一种融合了稀疏插值和小波变换的基于稀疏插值的小波域边缘修正型超分辨率图像重建算法。实验仿真结果证明该算法计算复杂度低,图像重构质量较原始算法框架好。最后,针对小波变换在图像处理技术领域的不足,即小波分析变换会在图像轮廓的表示上产生大量幅值较大的系数,本文深入地研究了Directionlet理论,用实验对比了Directionlet变换相对小波变换的优势。最后将Directionlet系数与隐马尔科夫树（HMT）模型结合,提出了一种基于Directionlet域HMT模型的超分辨率图像重建算法。该方法在性能上和计算复杂度上达到了预期效果,重构图像质量较基于稀疏插值的小波域边缘修正型超分辨图像重构算法和原始边缘修正型超分辨重构算法有较大提高。
吴磊[5]（2019）在《基于注入模型的遥感图像整合方法研究及其应用》文中研究指明遥感图像的分辨率直接影响国土资源信息的全面性和准确性,随着遥感技术的发展,遥感图像在国土资源中的应用越来越广泛,国土资源管理对遥感图像的分辨率有了更高的要求。在实际应用中,由于卫星遥感器的技术受限,多数商业卫星不能提供一幅高空间分辨率多光谱（High-spatial-resolution Multispectral,HRMS）图像。它们只能提供低空间分辨率多光谱（Multispectral,MS）图像和高空间分辨率全色（Panchromatic,PAN）图像。这种由卫星直接成像的MS和PAN图像通常因空间分辨率或光谱分辨率不高无法为国土资源管理提供全面、准确的信息,不能直接用于国土资源信息管理。因此遥感图像融合应运而生。遥感图像融合是两幅或多幅来自同一场景的不同空间分辨率、光谱分辨率或时域分辨率的MS和PAN图像的信息整合过程,其目的是通过融合不同传感器成像的MS和PAN图像互补信息,产生一幅HRMS图像。遥感图像融合技术按照信息表征层次不同,由低到高可分为像素级图像融合、特征级图像融合和决策级图像融合。像素级图像融合是目前研究最广泛,也是最为常用的一类融合,它对各源图像中的像素逐个进行信息融合,能尽可能多地保留源图像中的重要信息,有利于获得对场景更全面、更精确的描述。经过近二十多年的发展,像素级遥感图像融合形成了一个以注入模型为代表的遥感图像融合方案。该方案假定低空间分辨率MS图像丢失的空间信息可以用高空间分辨率PAN图像的空间信息来补偿,提取其高频信息注入到MS图像中获取HRMS图像。注入模型通常包括三个部分:1)高频细节;2)细节接受对象;3)注入效益。现有基于注入模型的遥感图像融合算法存在两大亟需解决的关键问题:1)PAN图像细节与MS图像之间的低相关问题;2)高频细节过度注入问题。本论文针对注入模型算法存在的两大问题,围绕高频细节、细节接受对象及细节注入效益三方面开展探索性研究,提出新的遥感图像融合新方法。论文的主要研究成果如下。（1）提出了基于精炼细节注入的遥感图像融合算法,并对该算法在国土资源管理中的应用进行了分析。该算法针对MS与PAN图像之间存在的全局或局部不相似导致PAN图像高频细节与MS图像低相关问题,围绕注入模型中高频细节参数的改进工作开展研究。算法通过分析PAN和MS图像的特性,并基于àtrous小波变换及引导滤波技术,提出一种基于àtrous小波变换和引导滤波联合的多尺度分析技术,用于提取PAN和MS图像的高频细节,构造一种细节精炼方法。该方法首先基于稀疏表示融合MS和PAN图像的高频细节得到初始联合细节;再基于初始联合细节和PAN图像细节间的相关性及差异设计一个权重因子;最后从初始联合细节和PAN图像细节中提出精炼的联合细节,将精炼的联合细节注入到低空间分辨率MS图像中得到融合图像。实验结果表明,与一系列现有的遥感图像融合方法对比,所提出的遥感图像融合算法能有效克服注入细节与MS图像低相关引起的光谱失真缺陷,在WorldView-2、QuickBird和IKONOS三大遥感图像数据库上表现出优越的性能,而且能有效消除国土资管理中信息获取误差,融合结果能满足国土资源管理需要。（2）提出了基于补偿细节注入的遥感图像融合算法,并对该算法在国土资源管理中的应用进行了分析。高频细节注入在基于注入模型的遥感图像融合算法中扮演着重要角色,获取与细节接受对象高相关的细节直接影响算法的优劣。针对这一问题,论文提出从补偿学习的角度改进注入模型中高频细节参数,用鲁棒稀疏模型分解PAN和MS图像,并基于分解产生的MS和PAN图像细节计算补偿细节,通过增加补偿细节的注入来补偿PAN图像细节的不足,减少融合图像的光谱失真。该方法首先用鲁棒稀疏模型分解源PAN和MS图像,得到PAN和MS图像的低频成分和高频成分,并基于提取到的高频成分计算补偿细节;然后利用引导滤波提取PAN图像高频细节;最后将补偿细节和PAN图像的细节注入到源MS图像中得到融合图像。实验证明所提出的基于补偿细节注入的遥感图像融合算法补偿了源MS图像空间信息,同时避免了融合图像的光谱失真,与现有一系列先进的遥感图像融合算法相比,该算法在很多遥感图像数据库上表现出优越的性能,能解决现有遥感图像融合算法应用于国土资源信息管理中分类准确度不高的问题。（3）提出了基于多光谱图像改进的遥感图像融合算法,并对该算法在国土资源管理中的应用进行了分析。传统的MS全色锐化处理操作通过将PAN图像细节注入到源MS图像中获取HRMS图像。这种处理方式会因PAN图像细节和MS图像间的潜在不匹配及几何结构不一致产生光谱失真。为了克服上述问题,提出评估PAN与其低通子图间的空间差异获取PAN图像细节,并将这些细节注入到一个改进后的低空间分辨率多光谱（Improved Low-spatial-resolution Multispectral,ILRMS）图像中获取HRMS图像。提出的算法致力于改进注入模型中细节接受对象和注入效益两个参数。该算法执行过程中,首先,一对基于低空间分辨率PAN图像及其细节子图的低、高频字典被构建,用低频字典中的原子稀疏地表示LRMS图像,获得LRMS图像的稀疏系数;然后,联合高频字典及LRMS图像的稀疏系数重构源MS图像与PAN低通子图间的差异信息,并注入这些重构的信息到源MS图像得到ILRMS图像;最后,算法基于MS和PAN图像间相关性及差异构建了一个注入效益,将PAN图像细节自适应地注入到ILRMS图像中得到融合图像。实验表明,所提出的算法通过改进源MS图像,使ILRMS图像与PAN图像低通子图的空间分辨率相似,增加了注入细节与MS图像的相关性。同时,算法通过改进注入效益避免了细节的过度注入,大大减少了融合图像的光谱失真,与现有很多遥感图像融合算法相比,其优越的性能在WorldView-2、QuickBird和IKONOS三大遥感图像数据库上表现突出,能给国土资源管理部门提供全面、精准的信息。（4）提出了基于光谱及亮度调制的遥感图像融合算法,并对该算法在国土资源管理中的应用进行了分析。该算法针对注入模型中高频细节容易过度注入及其光谱信息保护不协调容易导致融合图像空间及光谱信息不均匀问题,围绕注入模型中细节接受对象和注入效益两个参数的改进开展研究,提出一种新的基于光谱调制及亮度调制的注入模型。该模型是光谱调制系数与源MS图像、亮度调制系数与PAN图像高频细节的线性联合。提出的算法首先基于PAN与MS图像高频细节差异及MS图像通道间关系构建光谱调制系数,随后将这个系数作用于源MS图像,对融合图像进行光谱调制,从而克服因MS图像像素点亮度改变导致邻域像素值变化引起的光谱失真;然后基于PAN和MS图像间相关性及差异构建亮度调制系数,将这个系数作用于PAN图像高频细节,对融合图像进行亮度调制,克服因细节的过度注入引起的空间失真;最后将光谱和亮度两种调制的作用效果叠加得到融合图像。实验证明,所提出的算法通过对融合图像进行光谱和亮度调制,在增强多光谱图像边缘纹理细节的同时,可调制融合图像的光谱信息,获得较好的融合效果,且该算法计算简单,可有效融合WorldView-2、QuickBird和IKONOS三大遥感图像数据库上的图像,同时其融合的结果所含信息全面、准确。
霍英海[6]（2019）在《基于压缩感知的遥感影像融合技术研究》文中指出受传感器限制,遥感卫星无法获得同时具有高空间分辨率和高光谱分辨率的遥感图像。图像融合技术可以将具有高空间分辨率的全色图像和低分辨率的多光谱图像合成一幅同时具有高空间分辨与高光谱分辨率的遥感图像。如何利用融合技术获取高质量的融合图像,成为一个非常关键的问题。针对该问题,本文对遥感图像融合技术展开研究:首先,介绍了遥感图像融合的目的与意义以及研究现状;分析指出遥感图像融合中存在的问题;预测了未来的发展方向。重点介绍了基于像素级的遥感图像融合方法和稀疏表示理论,简短介绍了融合图像质量的主观评价和客观评价,建议结合主观评价和客观评价对融合图像质量进行科学、合理的评价。其次,含噪声的图像去噪处理后的融合图像质量高,图像去噪算法的研究对于遥感图像融合具有十分重要的意义。传统的去噪方法处理遥感图像易过度平滑图像,丢失边缘结构信息,针对基于奇异值分解（Singular Value Decomposition,SVD）的图像去噪算法中相似块选择,提出一种基于奇异值分解的改进算法,改用矩阵相似度测量图像块相似性,并设计相应的权重系数。实验证明,所提算法对遥感图像的滤波效果优于其他算法,有利于后续的遥感图像融合。最后,分析指出基于多尺度变换的遥感融合图像空间分辨较低的原因在于多尺度变换的方向局限性。通过对细节注入模型表达式的分析,指出空间细节信息对融合图像质量的影响。重点介绍了两种可以提高融合图像质量的方法:引导滤波器以及联合稀疏表示,改用多尺度引导滤波处理全色图像,获得较完整的空间细节信息,并用联合稀疏模型滤除空间细节信息中的冗余信息,提高空间细节信息的精度。实验证明,所提算法能有效提高空间信息的精度,在具有较高光谱保真度的同时,提高了融合图像的空间分辨率。
徐彤阳[7]（2012）在《基于二代Contourlet域遥感图像双三次插值方法》文中研究说明为了使插值后的遥感图像在尽可能保持原图像信息的同时,显着提高图像空间分辨率,提出一种基于第二代Contourlet变换的遥感图像三次插值算法。在对遥感图像做第二代Contourlet分解基础上,对低分辨率频带中的高频分量做双线性插值变换,使其相似于高分辨率频带中的高频分量。最后,通过反变换得到比原始图像分辨率高的插值图像。实验结果表明,该方法插值效果优于双三次插值算法、小波双三次插值和第一代Contourlet双三次插值算法。
徐彤阳[8]（2011）在《基于抗混叠Contourlet变换的遥感图像融合研究》文中认为图像融合技术是图像处理领域中一项重要的技术,它是将不同类型的传感器获得的同一场景的多种信息特征,通过一定的融合算法,产生比原图像信息更全面、精确和稳定的新图像,它包含了原图像的冗余信息和互补信息。近年来,图像融合技术已经广泛地应用在遥感图像、医学图像、自动目标识别、机器视觉等众多领域。遥感图像融合技术研究已经成为当前图像融合技术研究领域中的重点和热点,本文针对遥感图像融合技术中需要解决的关键问题,重点研究了其中的三项关键技术:图像融合预处理中的图像插值技术、多光谱图像与全色图像融合技术以及红外图像与可见光图像融合技术。论文的主要工作概括如下:（1）详细介绍了Contourlet变换与抗混叠Contourlet变换的基本理论和实现算法,分析了Contourlet变换存在的频谱混叠问题,并对两种变换进行比较。（2）图像融合预处理方面,针对遥感图像融合预处理中的图像插值问题,提出了一种基于抗混叠Contourlet变换的遥感图像双线性插值算法。该算法利用抗混叠Contourlet变换系数中低分辨率频带中的高频分量相似高分辨率频带中的高频分量的特性,将遥感图像在抗混叠Contourlet变换的基础上用双线性做相似变换,最后通过NACT逆变换得到比原图像分辨率高的插值图像。实验结果表明,与传统插值方法相比,该算法具有更高的信噪比和更好的图像细节效果。（3）针对多光谱图像与全色图像融合问题,提出了一种基于lαβ空间和抗混叠Contourlet变换的多光谱与全色图像的融合算法。首先将多光谱图像进行lαβ变换,对其l分量和全色图像分别进行抗混叠Contourlet变换,利用循环平移算法消除由于变换缺乏平移不变性而引起的图像失真,对得到的低频子带系数和各带通方向子带系数分别进行融合,最后,通过抗混叠Contourlet逆变换得到新的l通道分量,将其与α,β通道分量一起经lαβ空间逆变换得到融合后的高分辨率多光谱彩色图像。实验结果证明,本文方法准确性和有效性,融合图像的融合效果和统计指标均优于传统的IHS融合方法、小波融合方法以及Contourlet变换方法。（4）针对红外图像与可见光图像融合问题,提出了一种基于改进PCNN和抗混叠Contourlet变换的红外与可见光图像的融合算法。PCNN具有全局耦合性和脉冲同步性的优点,这使得PCNN可以从图像中提取边缘、轮廓和纹理等有效信息。但PCNN模型对参数比较敏感,参数调整比较麻烦,影响了在图像融合中的应用。本文算法利用一种改进的PCNN解决了上述问题并与抗混叠Contourlet变换相结合,将其应用于红外图像与可见光图像融合中,实验结果表明,该方法的融合效果优于Laplacian金字塔方法、小波变换方法和Contourlet变换方法。（5）研究了NMF理论在图像融合中的应用,并提出了两种基于NMF的图像融合算法。一、针对红外图像与可见光图像融合问题,提出了一种基于NMF和区域能量的红外图像与可见光图像的融合算法。该算法充分考虑了NMF算法能够提取图像的整体特征的特性,把它应用于图像融合中,融合效果优于传统融合算法。二、针对多光谱图像与全色图像融合问题,提出了基于NMF和NACT的多光谱图像与全色图像融合算法。该算法采用NMF算法对多光谱图像进行预处理,以获得较高的图像质量。实验仿真结果证明该算法的正确性和有效性,其融合图像的主观视觉效果和客观条件参数评价分析均优于传统的其他融合算法。
王晓甜[9]（2011）在《基于信噪特征的遥感图像去噪方法研究》文中研究表明卫星遥感成像是对地观测的重要手段之一,在国家安全、国民经济、科学研究和人民生活等方面有重要作用。卫星遥感利用地物目标的辐射特性以及对电磁波的反射特性,实现对地表信息的间接获取。遥感卫星图像需要真实、客观的反映地物特征,然而,由于星载成像系统处于复杂的电磁环境,卫星内部电路系统众多,CCD器件的工艺缺陷等,在获取和传输图像的过程中会引入大量噪声,严重降低对地观测信息获取的图像质量,给后期的图像处理和人眼视觉判读带来障碍。因此,对卫星成像系统获得的遥感图像进行数据预处理,降低成像系统中引入的各种噪声,提高遥感图像的质量和准确度,为后期压缩编码、数据传输、判读解译、目标识别等工作能够顺利进行并取得良好结果提供前提和保证,是获取遥感图像后需要完成的首要工作。在星载成像系统获取图像的过程中,实际系统受到的噪声干扰多种多样,不同的环境干扰和系统缺陷会对遥感图像引入分布和统计特性截然不同的噪声,例如成像过程中受电磁干扰产生的服从高斯分布或泊松分布的热噪声、由于线阵CCD像元响应不均引起的具有一定方向性的条带噪声和由于成像系统的故障和缺陷及电气开关、继电器改变状态引起的脉冲噪声等。这些噪声具有明显不同的特征,对数据产生的干扰在图像中的表现形式也不同,使用一种降噪算法难以对它们进行有效的抑制。例如能够有效抑制高斯噪声的小波软阈值降噪算法在条带噪声和脉冲噪声面前就显得束手无策。因此,处理不同种类的噪声,必须针对它们各自的机理和特性分别加以消除,才能真正达到抑制图像噪声,提高图像质量的效果。另一方面,遥感图像信号有其自身显着的细节丰富、边缘和纹理方向性显着等特点,图像降噪的本质就是寻找信号和噪声之间的不同特征并利用这些特征将其分开。国内外目前还没有分析遥感图像的信噪特征,并利用这些特征针对不同噪声采用不同方法进行降噪的专门文献。本文在分析总结星载成像系统工作机理的基础上,探讨卫星遥感图像信号和噪声的源特性,并利用各自不同的源特性,将信号和噪声分开。从实际系统角度出发,对不同类型噪声分别加以处理。主要工作内容如下:1.星载可见光成像系统中噪声的来源和特性分析:在分析噪声产生机理的基础上介绍了成像过程中光电散粒噪声、读出噪声、条带噪声和脉冲等的来源和特点。对存在于遥感图像中的噪声进行分类,总结和探讨了泊松噪声、高斯噪声、条带噪声和脉冲噪声等各类噪声的统计特性和数学模型。2.线阵扫描CCD条带噪声抑制方法研究:分析研究线阵沿轨扫描CCD传感器内部每一个像元在光谱响应区内的响应函数不一致造成的遥感图像条带噪声。在分析遥感CCD图像孤立条带噪声产生原因和噪声模型的基础上,提出基于二维方向滤波器抑制条带噪声的方法。该方法利用窄带方向滤波器良好的图像纹理方向的频率选择特性,将条带噪声与图像其它信息分离到不同的方向滤波器子带内,并在水平信息子带内采用均值补偿方法去除条带噪声。实验结果证明它不仅能有效去除CCD图像中的随机孤立条带噪声,还能保持原始图像的辐射入射幅度,保留细节信息。较传统的方法相比,性能有较大的提高。3.基于信噪特征的图像高斯白噪声抑制方法研究:分析研究了成像过程中以读出噪声为代表的高斯白噪声特征,并利用遥感图像富含边缘和纹理等具有方向信息的二维数据特征,提出基于自适应方向提升小波变换的遥感图像降噪方法。该方法构建于传统提升小波变换框架之上,分析图像的局部方向信息,并使每一个提升步骤都沿着图像局部像素相关性最强的方向进行变换,实现局部最大去相关性,将图像中边缘和纹理产生的高频信息尽可能的压缩到低频子带,从而克服了传统小波缺乏灵活的方向选择性的缺点。方向提升小波将噪声产生的无方向性的高频信息留在高频子带,从而实现将图像的纹理和噪声在小波域更好的分开。通过阈值策略对高频系数进行处理,就可以实现在降噪的过程中尽可能的保留图像边缘信息,这一特点在富含边缘、纹理和小目标的遥感图像降噪中非常重要。4.基于两级插值的图像脉冲噪声去除方法研究:分析研究星载成像系统脉冲噪声的特点,提出一种基于非均匀下采样和分段自回归插值的去除图像脉冲噪声的新方法。根据脉冲噪声的特点:由随机非连续,幅度大的不规则脉冲或噪声尖峰组成。通过检测算法可以检测出未受脉冲噪声影响的像素。将未受噪声污染的像素点从含噪图像中提取来构成一幅不含脉冲噪声,分辨率为原来1/2的低分辨率图像。再通过分段自回归插值将低分辨率图像插回原始图像大小,得到恢复信号。该方法首次将下采样和插值的概念引入脉冲噪声抑制方法,充分利用未受噪声影响的像素和二维图像结构信息,恢复清晰图像。
程光权[10]（2010）在《基于方向小波图像处理与几何特征保持质量评价研究》文中研究表明随着科学技术的发展,以及人们需求的日益提高,从一维信号处理中发展起来的经典图像处理算法,已越来越难满足人们对高质量图像处理的需求。小波等经典图像处理方法忽略了高维数据的本征几何结构特征,并不是适于图像数据结构的视觉最优图像处理方法。因此,为了改善各类图像处理算法的效果,必须从图像数据的本身结构特点出发,根据人眼视觉系统特性,结合实际应用背景需求,设计真正适合于图像数据特征的图像处理算法。图像数据的离散属性,以及结构的复杂特性,决定了在数字图像处理过程中,建立符合视觉感知特点的适于应用背景的精确模型的困难性。本文在深入研究图像数据视觉感知特点的基础上,针对传统图像压缩、分辨率增强以及质量评价算法设计中的不足,对算法设计中的一些关键问题做出了深入研究。本文的主要工作和创新包括以下几个方面:1.针对基于小波变换图像压缩方法的不足,结合图像数据几何结构特征,提出了基于边缘导向的正交小波变换图像压缩方法。该方法在继承经典小波变换优点的基础上,能够充分理解图像数据的方向奇异结构特性,有效地利用图像数据空间不均匀的特性,提高图像压缩效率的同时,有效保护图像数据中人眼视觉感兴趣的几何奇异特征。同时,将方法根据SAR图像数据特点加以改进,拓展应用到SAR图像压缩中。2.针对传统插值方法的不足,提出了基于小波变换的边缘保持方向自适应图像插值方法。该方法通过改进双线性插值方法,自适应调整插值核函数,有效地保护了图像的边缘特征。同时结合小波变换的多分辨表示性能,有效地提高了插值图像的高频信息,并进行相关后处理,增强了图像的视觉效果。与传统方法比较,试验结果的主客观质量都得到了提高。3.在研究二分树复小波变换系数几何先验信息的基础上,建立了基于复小波变换的超分辨图像重建模型。该方法利用二分树复小波变换具有近似平移不变和灵活的方向选择性,实现图像的高效稀疏表示。同时,根据复小波变换系数模值和相位信息在边缘处的几何约束条件,结合超分辨重建问题,从而在复小波变换域建立一种新型的超分辨重建模型。最后,利用分裂Bregman方法实现模型的有效优化求解,得到高质量的超分辨率图像。4.针对传统质量评价方法的缺陷,根据视觉感知图像数据的特点,提出了基于几何结构失真模型的完全参考图像质量评价方法。该方法根据图像数据中引起视觉敏感的方向失真、幅度失真和锐度失真,建立了几何结构失真模型,物理意义明确,计算复杂度较低,符合人眼视觉感知特点,试验结果与主观预测结果具有很好的一致性。同时,利用小波变换与人眼视觉系统的多通道特性相匹配的特点,建立基于小波变换的几何结构失真模型的质量评价方法,试验结果验证了方法的有效性。5.根据自然图像统计先验信息,提出了基于边缘特征统计的部分参考型图像质量评价方法。图像边缘信息在人眼感知图像质量过程中占据着十分重要的地位,而自然图像的边缘统计分布符合一定的先验统计规律,该方法通过度量这种统计分布特征的变化程度预测图像质量,仿真试验对标准图像库中所有失真类型数据都得到较好的预测结果。总之,本文从图像数据结构特征出发,结合人眼视觉感知特性,解决基于方向小波图像处理算法与几何特征保持质量评价方法设计中的一些关键问题,获得了更加符合人眼视觉系统特性的试验结果。
二、基于小波变换的遥感图像插值方法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于小波变换的遥感图像插值方法研究（论文提纲范文）
（1）基于深度学习的光学遥感图像去噪与超分辨率重建算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像去噪技术 |
| 1.2.2 图像超分辨率重建技术 |
| 1.3 论文研究内容与工作安排 |
| 1.4 小结 |
| 第2章 深度学习技术与图像去噪和超分辨率重建 |
| 2.1 深度学习技术 |
| 2.1.1 卷积神经网络 |
| 2.1.2 残差网络与密集连接网络 |
| 2.1.3 生成对抗网络 |
| 2.2 图像去噪技术 |
| 2.2.1 传统去噪方法 |
| 2.2.2 基于深度学习的去噪方法 |
| 2.3 图像超分辨率重建技术 |
| 2.3.1 传统超分辨率重建 |
| 2.3.2 基于深度学习的超分辨率重建 |
| 2.4 图像质量评价 |
| 2.4.1 客观评价方法 |
| 2.4.2 主观评价方法 |
| 2.5 小结 |
| 第3章 结合残差网络的空间目标图像去噪与超分辨率重建方法 |
| 3.1 宇宙线噪声去除方法研究 |
| 3.2 结合残差网络的空间目标图像去噪与超分辨率重建方法 |
| 3.2.1 问题建模 |
| 3.2.2 空间目标图像去噪与超分辨率重建网络 |
| 3.2.3 本方法中的残差网络 |
| 3.3 实验结果与分析 |
| 3.3.1 BUAA-SID1.0 数据集 |
| 3.3.2 训练参数 |
| 3.3.3 结果与分析 |
| 3.3.4 讨论 |
| 3.4 小结 |
| 第4章 小波变换域下的基于生成对抗网络的光学遥感图像去噪与超分辨率重建方法 |
| 4.1 基于小波变换的图像处理技术 |
| 4.2 小波变换域下光学遥感图像去噪与超分辨率重建方法 |
| 4.2.1 问题建模 |
| 4.2.2 提出的方法 |
| 4.3 实验结果与分析 |
| 4.3.1 数据集 |
| 4.3.2 训练参数 |
| 4.3.3 结果与分析 |
| 4.3.4 讨论 |
| 4.4 小结 |
| 第5章 基于非成对的光学遥感图像去噪与超分辨率重建方法 |
| 5.1 基于无监督学习的非成对图像处理 |
| 5.2 基于非成对的光学遥感图像去噪与超分辨率重建方法 |
| 5.2.1 问题讨论与模型建立 |
| 5.2.2 双循环结构 |
| 5.2.3 损失函数 |
| 5.3 实验结果与分析 |
| 5.3.1 训练参数 |
| 5.3.2 结果与分析 |
| 5.4 小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文的主要创新点 |
| 6.3 后续研究工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（2）基于超分辨重建的遥感图像融合方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作和结构安排 |
| 第二章 图像融合的理论基础 |
| 2.1 引言 |
| 2.2 融合层次 |
| 2.3 常见的融合方法 |
| 2.3.1 IHS变换融合方法 |
| 2.3.2 PCA变换融合方法 |
| 2.3.3 GS变换融合方法 |
| 2.3.4 Brovey变换融合方法 |
| 2.4 融合效果评价 |
| 2.5 基于超分辨重建的方法 |
| 2.5.1 传统插值方法 |
| 2.5.2 SRCNN模型重建方法 |
| 2.5.3 FSRCNN模型重建 |
| 2.5.4 超分辨处理对比实验 |
| 2.6 本章小结 |
| 第三章 基于超分辨重建的多光谱及拉普拉斯金字塔融合方法 |
| 3.1 引言 |
| 3.2 CNN特征提取 |
| 3.2.1 CNN的一般特性 |
| 3.2.2 CNN特征提取模型 |
| 3.3 拉普拉斯金字塔分解与重建 |
| 3.3.1 高斯金字塔分解 |
| 3.3.2 拉普拉斯金字塔分解 |
| 3.3.3 拉普拉斯金字塔重建 |
| 3.4 融合步骤 |
| 3.5 本章小结 |
| 第四章 基于超分辨重建的多光谱及导向滤波融合方法 |
| 4.1 引言 |
| 4.2 导向滤波器的基础与应用 |
| 4.3 导向滤波器的性质 |
| 4.3.1 保边平滑性 |
| 4.3.2 核函数分析 |
| 4.4 快速导向滤波与滚动导向滤波 |
| 4.5 融合步骤 |
| 4.6 三种导向滤波器的对比实验 |
| 4.7 本章小结 |
| 第五章 实验结果与融合质量评价 |
| 5.1 引言 |
| 5.2 Geo Eye-1 图像融合结果与评价 |
| 5.2.1 Geo Eye-1 遥感图像介绍 |
| 5.2.2 主观评价 |
| 5.2.3 客观评价 |
| 5.3 IKONOS图像融合结果与评价 |
| 5.3.1 IKONOS遥感图像介绍 |
| 5.3.2 主观评价 |
| 5.3.3 客观评价 |
| 5.4 World View-2 图像融合结果与评价 |
| 5.4.1 World View-2 遥感图像介绍 |
| 5.4.2 主观评价 |
| 5.4.3 客观评价 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 论文展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）基于EMD的多源遥感影像融合的方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 经验模态分解研究现状 |
| 1.2.2 其它图像融合方法研究现状 |
| 1.3 图像融合概述 |
| 1.3.1 融合方法 |
| 1.3.2 融合规则 |
| 1.3.3 融合评价 |
| 1.4 研究的主要内容及论文结构 |
| 2 相关理论基础 |
| 2.1 一维EMD基本原理 |
| 2.1.1 瞬时频率 |
| 2.1.2 时间尺度 |
| 2.1.3 固有模态函数 |
| 2.1.4 一维EMD分解过程 |
| 2.2 二维EMD基本原理 |
| 2.2.1 二维EMD分解过程 |
| 2.2.2 二维EMD分解中的关键问题 |
| 2.3 本章小结 |
| 3 改进的二维EMD方法及其在图像分解中的应用 |
| 3.1 改进的径向基插值算法 |
| 3.1.1 粒子群算法 |
| 3.1.2 基于粒子群算法优化RBF网络权值 |
| 3.2 分量融合规则 |
| 3.3 改进二维EMD方法的分解过程 |
| 3.3.1 改进二维EMD方法实现过程 |
| 3.3.2 改进二维EMD方法的仿真实验 |
| 3.4 本章小结 |
| 4 基于改进二维EMD的遥感数字图像融合 |
| 4.1 遥感数字图像融合过程 |
| 4.1.1 遥感数字图像融合步骤 |
| 4.1.2 图像滤波实验及评价结果 |
| 4.2 数据来源 |
| 4.3 遥感数字图像融合实验及评价结果 |
| 4.3.1 遥感数字图像融合的仿真实验 |
| 4.3.2 遥感数字图像融合结果评价 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（4）基于Directionlet变换的图像超分辨率重建算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 超分辨率重建的研究目的和意义 |
| 1.2 超分辨率图像重建的定义、研究内容、现状和不足 |
| 1.3 论文的主要工作与创新点 |
| 1.4 研究内容和章节安排 |
| 第二章 常用超分辨率图像重建技术介绍 |
| 2.1 引言 |
| 2.2 像素域基于插值滤波器的超分辨率图像重建技术 |
| 2.2.1 理论基础 |
| 2.2.2 邻近插值算法 |
| 2.2.3 双线性插值算法 |
| 2.2.4 双三次插值算法 |
| 2.2.5 兰索斯插值算法 |
| 2.2.6 优点与不足 |
| 2.3 像素域基于纹理特征的超分辨率图像重建技术 |
| 2.3.1 理论基础 |
| 2.3.2 分形插值算法 |
| 2.3.3 数学形态学插值算法 |
| 2.3.4 小波分析插值算法 |
| 2.4 衡量超分辨率图像重建算法的评价方法 |
| 2.4.1 主观评价 |
| 2.4.2 客观评价 |
| 2.5 本章小结 |
| 第三章 小波域的超分辨率图像重建算法 |
| 3.1 引言 |
| 3.2 小波变换基本理论 |
| 3.2.1 一维小波变换 |
| 3.2.2 二维小波变换 |
| 3.3 基于小波变换的超分辨率图像重建算法 |
| 3.3.1 小波域的超分辨率图像重建的原理 |
| 3.3.2 小波域的超分辨率图像重建方案 |
| 3.4 小波域的边缘修正型超分辨率图像重建改进 |
| 3.4.1 稀疏插值 |
| 3.4.2 边缘修正型超分辨率图像重建算法测试方案 |
| 3.4.3 系数修正因子与小波种类、插值算法关系的实验测试 |
| 3.4.4 小波域超分辨率图像重建算法的实验验证 |
| 3.5 小波变换在超分辨率图像重建方面的优势与亟待解决的问题 |
| 3.5.1 小波变换超分辨率重建的优势 |
| 3.5.2 可分离的标准二维小波变换的缺点 |
| 3.6 本章小结 |
| 第四章 基于Directionlet域的HMT模型 |
| 4.1 标准二维小波变换在图像领域的局限 |
| 4.1.1 空间方向性固定 |
| 4.1.2 空间各向同性 |
| 4.2 多尺度几何分析研究 |
| 4.3 Directionlet变换理论及其实现 |
| 4.3.1 整数栅格多方向框架 |
| 4.3.2 二维各向异性小波变换 |
| 4.3.3 Directionlet变换 |
| 4.4 Directionlet域 HMT模型的构造 |
| 4.5 Directionlet域 HMT模型的超分辨率图像重建 |
| 4.5.1 边缘修正函数的构造 |
| 4.5.2 重建算法实现步骤 |
| 4.6 实验评价及结果分析 |
| 4.6.1 超分辨率图像重建的评价 |
| 4.6.2 实验结果及分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 硕士期间成果 |
（5）基于注入模型的遥感图像整合方法研究及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 遥感图像融合的研究背景 |
| 1.1.2 遥感图像融合的研究意义 |
| 1.2 遥感图像融合层级结构 |
| 1.3 像素级遥感图像融合算法概述 |
| 1.3.1 基于成分替代的遥感图像融合算法 |
| 1.3.2 基于多分辨率分析的遥感图像融合算法 |
| 1.3.3 基于模型的遥感图像融合算法 |
| 1.3.4 基于人工神经网络的遥感图像融合算法 |
| 1.3.5 基于混合技术的遥感图像融合算法 |
| 1.3.6 遥感图像融合存在的问题 |
| 1.4 遥感图像特性分析 |
| 1.4.1 WorldView-2 卫星图像特性 |
| 1.4.2 IKONOS卫星图像特性 |
| 1.4.3 QuickBird卫星图像特性 |
| 1.5 遥感图像融合质量评价 |
| 1.5.1 有参考图遥感图像融合质量评价 |
| 1.5.2 无参考图遥感图像融合质量评价 |
| 1.6 本论文创新点与结构安排 |
| 1.6.1 论文创新点 |
| 1.6.2 论文结构安排 |
| 第2章 注入模型 |
| 2.1 引言 |
| 2.2 注入模型融合方案 |
| 2.3 图像预处理 |
| 2.3.1 重采样 |
| 2.3.2 直方图匹配 |
| 2.4 成分替代技术 |
| 2.4.1 亮度-色度-饱和度变换 |
| 2.4.2 主成分分析 |
| 2.5 基于成分替代的注入模型 |
| 2.6 多分辨率分析技术 |
| 2.6.1 小波变换 |
| 2.6.2 滤波技术 |
| 2.6.3 稀疏表示理论 |
| 2.7 基于多分辨率分析的注入模型 |
| 2.8 本章小节 |
| 第3章 基于精炼细节注入的遥感图像融合算法及其应用 |
| 3.1 引言 |
| 3.2 细节精炼关键技术 |
| 3.2.1 à trous小波变换 |
| 3.2.2 引导滤波 |
| 3.2.3 稀疏表示 |
| 3.2.4 字典学习 |
| 3.3 基于精炼细节注入的遥感图像融合算法框架 |
| 3.4 基于精炼细节注入的遥感图像融合算法 |
| 3.4.1 基于àtrous小波变换及引导滤波的高频细节提取 |
| 3.4.2 稀疏融合获取初始联合细节 |
| 3.4.3 基于自适应权重因子精炼算法获取精炼联合细节 |
| 3.4.4 基于边缘信息保护的细节注入 |
| 3.4.5 精炼细节性能测试 |
| 3.5 实验结果及其应用分析 |
| 3.5.1 仿真图像实验结果及其应用分析 |
| 3.5.2 真实图像实验结果及其应用分析 |
| 3.5.3 算法综合性能评价 |
| 3.5.4 应用示例:算法在城区地物分类管理中的应用 |
| 3.6 本章小结 |
| 第4章 基于补偿细节注入的遥感图像融合算法及其应用 |
| 4.1 引言 |
| 4.2 补偿细节提取关键技术 |
| 4.2.1 基于补偿细节的注入模型 |
| 4.2.2 鲁棒稀疏模型 |
| 4.2.3 鲁棒稀疏模型性能 |
| 4.3 基于补偿细节注入的遥感图像融合算法框架 |
| 4.4 基于补偿细节注入的遥感图像融合算法 |
| 4.4.1 鲁棒稀疏模型重建补偿细节 |
| 4.4.2 全色图像高频细节提取 |
| 4.4.3 补偿细节与全色图像高频细节的联合注入 |
| 4.4.4 鲁棒稀疏模型中方形窗尺寸讨论 |
| 4.4.5 补偿细节性能 |
| 4.5 实验结果及其应用分析 |
| 4.5.1 仿真图像实验结果及其应用分析 |
| 4.5.2 真实图像实验结果及其应用分析 |
| 4.5.3 算法综合性能评价 |
| 4.5.4 应用示例:算法用于山川、河流管理 |
| 4.6 本章小结 |
| 第5章 基于多光谱图像改进的遥感图像融合算法及其应用 |
| 5.1 引言 |
| 5.2 多光谱图像改进关键技术 |
| 5.2.1 基于多光谱图像改进的注入模型 |
| 5.2.2 基于稀疏表示的字典学习 |
| 5.3 基于多光谱图像改进的遥感图像融合算法框架 |
| 5.4 基于多光谱图像改进的遥感图像融合算法 |
| 5.4.1 低空间分辨率多光谱图像性能改进 |
| 5.4.2 基于改进的多光谱图像的细节注入 |
| 5.4.3 改进的多光谱图像的性能 |
| 5.5 实验结果及其应用分析 |
| 5.5.1 仿真图像实验结果及其应用分析 |
| 5.5.2 真实图像实验结果及其应用分析 |
| 5.5.3 算法综合性能评价 |
| 5.5.4 应用示例:算法用于林业分类管理 |
| 5.6 本章小结 |
| 第6章 基于光谱及亮度调制的遥感图像融合算法及其应用 |
| 6.1 引言 |
| 6.2 基于光谱及亮度调制的遥感图像融合算法关键技术 |
| 6.2.1 光谱调制 |
| 6.2.2 亮度调制 |
| 6.2.3 光谱及亮度调制观测模型 |
| 6.3 光谱及亮度调制的遥感图像融合算法框架 |
| 6.4 基于光谱及亮度调制的遥感图像融合算法 |
| 6.4.1 构建光谱调制系数 |
| 6.4.2 构建亮度调制系数 |
| 6.4.3 光谱调制系数及亮度调制系数性能 |
| 6.5 实验结果及其应用分析 |
| 6.5.1 仿真图像实验结果及其应用分析 |
| 6.5.2 真实图像实验结果及其应用分析 |
| 6.5.3 算法综合性能评价 |
| 6.5.4 应用示例:算法用于城区地物分类管理 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 致谢 |
（6）基于压缩感知的遥感影像融合技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 引言 |
| 1.1 遥感图像融合目的和意义 |
| 1.2 遥感图像融合研究现状 |
| 1.3 遥感图像数据 |
| 1.4 论文主要工作及章节安排 |
| 第2章 遥感图像融合理论 |
| 2.1 遥感图像融合 |
| 2.2 像素级遥感图像融合方法 |
| 2.2.1 基于成分替换的遥感图像融合 |
| 2.2.2 基于多分辨率分析的遥感图像融合 |
| 2.3 稀疏表示 |
| 2.3.1 稀疏表示理论 |
| 2.3.2 稀疏表示求解 |
| 2.4 图像融合质量评价 |
| 2.4.1 图像融合的主观评价 |
| 2.4.2 图像融合的客观评价 |
| 2.5 本章小结 |
| 第3章 基于SVD的遥感图像去噪 |
| 3.1 引言 |
| 3.2 遥感图像去噪 |
| 3.2.1 传统的图像去噪方法 |
| 3.2.2 基于小波变换去噪方法 |
| 3.2.3 质量评价指标 |
| 3.3 基于SVD的遥感图像去噪改进算法 |
| 3.3.1 低秩理论模型 |
| 3.3.2 矩阵近似理论去噪模型 |
| 3.3.3 矩阵相似度 |
| 3.3.4 改进算法步骤 |
| 3.4 实验结果分析 |
| 3.5 本章小节 |
| 第4章 基于联合稀疏表示的遥感图像融合 |
| 4.1 引言 |
| 4.2 引导滤波理论 |
| 4.2.1 边缘保持滤波 |
| 4.2.2 引导滤波 |
| 4.3 联合稀疏表示理论 |
| 4.4 基于联合稀疏表示的遥感图像融合 |
| 4.4.1 细节注入模型 |
| 4.4.2 空间细节信息的提取 |
| 4.4.3 联合稀疏表示 |
| 4.4.4 融合算法步骤 |
| 4.5 实验结果分析 |
| 4.6 本章小节 |
| 第5章 结束语 |
| 5.1 主要工作 |
| 5.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（7）基于二代Contourlet域遥感图像双三次插值方法（论文提纲范文）
| 0 引 言 |
| 1 图像的第二代Contourlet变换原理与实现 |
| 2 第二代Contourlet双三次插值算法 |
| 2.1 插值算法原理描述 |
| 2.2 第二代Contourlet双三次插值算法的实现 |
| 3 实验与分析 |
| 4 结 语 |
（8）基于抗混叠Contourlet变换的遥感图像融合研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语 |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 图像融合的研究现状 |
| 1.3 论文的主要工作及内容编排 |
| 第二章 抗混叠Contourlet 变换 |
| 2.1 引言 |
| 2.2 Contourlet 变换 |
| 2.2.1 拉普拉斯金字塔分解 |
| 2.2.2 方向滤波器组 |
| 2.3 抗混叠Contourlet 变换 |
| 2.3.1 Contourlet 变换中的频谱混叠 |
| 2.3.2 抗混叠Contourlet 变换原理 |
| 2.4 小结 |
| 第三章 遥感图像预处理中的插值算法 |
| 3.1 引言 |
| 3.2 遥感图像插值算法综述 |
| 3.3 基于多尺度几何分析方法的遥感图像插值算法原理 |
| 3.4 基于抗混叠Contourlet 变换遥感图像双线性插值算法 |
| 3.4.1 抗混叠Contourlet 变换的选取 |
| 3.4.2 算法实现 |
| 3.5 实验结果与分析 |
| 3.6 小结 |
| 第四章 基于抗混叠Contourlet 变换的图像融合算法 |
| 4.1 引言 |
| 4.2 基于lαβ空间和抗混叠Contourlet 变换的多光谱图像与全色图像融合算法 |
| 4.2.1 算法原理 |
| 4.2.2 lαβ变换 |
| 4.2.3 循环平移算法 |
| 4.2.4 融合算法实现过程 |
| 4.2.5 融合规则 |
| 4.2.6 图像融合的性能评价 |
| 4.2.7 实验结果与分析 |
| 4.3 基于改进PCNN 和抗混叠Contourlet 变换的红外图像与可见光图像融合算法 |
| 4.3.1 基于IPCNN 和NACT 的红外图像与可见光图像融合算法概述 |
| 4.3.2 改进的PCNN 机理 |
| 4.3.3 算法实现过程 |
| 4.3.4 实验仿真结果与分析 |
| 4.4 小结 |
| 第五章 基于非负矩阵分解的遥感图像融合研究 |
| 5.1 引言 |
| 5.2 非负矩阵分解（NMF）在图像融合中的应用 |
| 5.2.1 NMF 理论基本原理 |
| 5.2.2 基于NMF 的图像融合 |
| 5.3 基于NMF 和区域能量的红外图像和可见光图像融合算法 |
| 5.3.1 算法分析 |
| 5.3.2 算法实现 |
| 5.3.3 实验结果与分析 |
| 5.4 基于NMF 和NACT 的多光谱图像和全色图像融合算法 |
| 5.4.1 算法分析 |
| 5.4.2 算法实现 |
| 5.4.3 融合规则 |
| 5.4.4 实验结果与分析 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 主要工作总结 |
| 6.2 下一步研究展望 |
| 参考文献 |
| 攻读博士学位期间公开发表的论文 |
| 致谢 |
（9）基于信噪特征的遥感图像去噪方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 遥感成像的定义、应用及发展历史 |
| 1.2 遥感图像降噪处理研究意义 |
| 1.3 遥感数字图像降噪研究背景 |
| 1.3.1 遥感数字图像处理系统 |
| 1.3.2 遥感图像噪声建模及处理方法综述 |
| 1.3.2.1 星载成像系统噪声建模及参数估计研究方法综述 |
| 1.3.2.2 噪声处理方法综述 |
| 1.4 论文的主要研究内容 |
| 1.5 本文的结构安排 |
| 第二章 遥感图像信噪特性分析 |
| 2.1 引言 |
| 2.2 卫星成像机理及遥感图像信号特征分析 |
| 2.2.1 星载成像系统结构及其工作原理 |
| 2.2.1.1 星载成像系统结构 |
| 2.2.1.2 星载成像系统工作机理 |
| 2.2.2 遥感图像信号特征分析 |
| 2.2.2.1 高空间分辨率特征 |
| 2.2.2.2 几何形状特征 |
| 2.2.2.3 遥感图像数学统计模型特征 |
| 2.3 卫星遥感图像噪声特征分析 |
| 2.3.1 噪声来源分析 |
| 2.3.2 CCD 成像系统噪声分类 |
| 2.3.3 噪声分类及噪声模型分析 |
| 2.3.3.1 光电散粒噪声 |
| 2.3.3.2 读出噪声 |
| 2.3.3.3 条带噪声 |
| 2.3.3.4 脉冲噪声 |
| 2.4 本章小结 |
| 第三章 基于方向滤波器的遥感图像条带噪声抑制 |
| 3.1 引言 |
| 3.2 遥感图像条带噪声特征分析 |
| 3.2.1 线阵CCD 扫描系统工作机理分析 |
| 3.2.2 条带噪声形成的原因和机理 |
| 3.2.2.1 周期性条带噪声 |
| 3.2.2.2 随机孤立条带噪声 |
| 3.2.3 条带噪声数学模型分析 |
| 3.2.4 条带噪声频谱分析 |
| 3.3 条带噪声校正的机理及方法分析比较 |
| 3.3.1 矩匹配法 |
| 3.3.2 直方图修正法 |
| 3.3.3 图像滤波法 |
| 3.3.4 定标法 |
| 3.3.5 基于方向滤波器的图像处理方法 |
| 3.4 基于方向滤波器的条带噪声抑制方法 |
| 3.4.1 楔形窄带任意方向滤波器设计 |
| 3.4.2 楔形方向滤波器提取水平子带信息 |
| 3.4.3 均值补偿校正图像不均匀 |
| 3.5 实验结果分析 |
| 3.6 本章小结 |
| 第四章 基于自适应方向提升小波的高斯白噪声滤波方法 |
| 4.1 引言 |
| 4.2 图像信号及其高斯白噪声特征分析 |
| 4.2.1 图像信号特征分析 |
| 4.2.2 高斯白噪声特征及降噪机理分析 |
| 4.2.3 基于小波变换的图像降噪原理及分析 |
| 4.3 自适应方向提升小波（ADL） |
| 4.3.1 从小波理论到方向提升的发展历程 |
| 4.3.2 从小波变换到方向提升的研究及实现 |
| 4.3.2.1 小波变换 |
| 4.3.2.2 提升小波框架结构实现 |
| 4.3.2.3 自适应方向提升小波变换原理及实现 |
| 4.4 基于鲁棒自适应方向提升小波（RADL）的图像降噪方法 |
| 4.4.1 图像局部自适应方向插值及预测 |
| 4.4.2 基于纹理分析的像素点分类 |
| 4.4.3 具有噪声鲁棒性的图像局部自适应方向预测 |
| 4.4.4 传统提升和方向提升结合的变换策略及图像降噪方法 |
| 4.5 基于移不变方向提升小波（TI-DL）的图像降噪方法 |
| 4.5.1 移不变提升小波实现 |
| 4.5.2 基于2D Gabor-Wavelet 的方向预测 |
| 4.5.3 移不变全角方向提升小波框架实现及图像降噪方法 |
| 4.6 实验结果分析 |
| 4.6.1 遥感图像降噪结果分析比较 |
| 4.6.2 自然图像降噪结果分析比较 |
| 4.6.3 实验结果分析总结 |
| 4.7 本章小结 |
| 第五章 基于非均匀下采样及自回归插值的脉冲噪声抑制方法 |
| 5.1 引言 |
| 5.2 脉冲噪声特征及去除方法分析 |
| 5.2.1 脉冲噪声模型及特点 |
| 5.2.1.1 椒盐噪声 |
| 5.2.1.2 随机值脉冲噪声 |
| 5.2.2 脉冲噪声处理发展现状 |
| 5.2.3 基于插值的脉冲噪声抑制思路 |
| 5.3 图像分段自回归插值 |
| 5.4 基于非均匀下采样和分段自回归插值的脉冲噪声抑制方法 |
| 5.4.1 脉冲噪声图像非均匀下采样 |
| 5.4.2 基于ADL 的低分辨率图像边缘锯齿消除 |
| 5.4.3 基于改进分段自回归插值的图像恢复 |
| 5.4.3.1 参数建模步骤 |
| 5.4.3.2 改进的插值过程 |
| 5.5 实验结果分析 |
| 5.5.1 遥感图像降噪结果分析比较 |
| 5.5.2 自然图像降噪结果分析比较 |
| 5.5.3 实验结果分析总结 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文内容总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间参加的主要科研项目和获奖 |
（10）基于方向小波图像处理与几何特征保持质量评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 图像数据的几何结构特征 |
| 1.3 多尺度几何分析 |
| 1.3.1 从傅立叶分析到小波 |
| 1.3.2 多尺度几何分析方法 |
| 1.4 本文研究内容 |
| 1.5 主要创新点 |
| 第二章 基于边缘导向正交小波变换的图像压缩 |
| 2.1 引言 |
| 2.2 图像压缩主要方法 |
| 2.3 小波图像压缩及其不足 |
| 2.4 基于边缘导向的正交小波变换图像压缩 |
| 2.4.1 方向消失矩 |
| 2.4.2 方向提升格式 |
| 2.4.3 算法框架 |
| 2.4.4 试验结果 |
| 2.4.5 结论 |
| 2.5 基于最优树结构的边缘导向正交小波包变换SAR 图像压缩 |
| 2.5.1 SAR 图像数据特点 |
| 2.5.2 SAR 图像压缩方案 |
| 2.5.3 试验结果 |
| 2.5.4 结论 |
| 2.6 本章小结 |
| 第三章 基于特征保持的图像分辨率增强技术研究 |
| 3.1 引言 |
| 3.2 研究现状 |
| 3.3 基于小波变换的边缘保持方向自适应图像插值 |
| 3.3.1 方向自适应插值 |
| 3.3.2 基于小波的自适应插值方法 |
| 3.3.3 插值图像后处理 |
| 3.3.4 试验结果 |
| 3.3.5 结论 |
| 3.4 基于复小波变换的单幅图像超分辨率重建 |
| 3.4.1 复小波变换及几何正则约束 |
| 3.4.2 基于复小波变换的超分辨率图像重建及求解 |
| 3.4.3 数值试验 |
| 3.4.4 结论 |
| 3.5 本章小结 |
| 第四章 基于几何特征保持的图像质量评价研究 |
| 4.1 引言 |
| 4.2 研究现状 |
| 4.3 基于几何结构失真模型的完全参考型图像质量评价 |
| 4.3.1 方向失真 |
| 4.3.2 幅度失真 |
| 4.3.3 锐度失真 |
| 4.3.4 数值试验 |
| 4.3.5 结论 |
| 4.4 基于小波变换的几何结构失真模型图像质量评价 |
| 4.4.1 对比敏感函数 |
| 4.4.2 算法设计 |
| 4.4.3 试验结果 |
| 4.4.4 结论 |
| 4.5 基于边缘特征统计的部分参考型质量评价方法 |
| 4.5.1 引言 |
| 4.5.2 自然图像特征统计 |
| 4.5.3 模型建立 |
| 4.5.4 数值试验 |
| 4.5.5 结论 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、基于小波变换的遥感图像插值方法研究（论文参考文献）
- [1]基于深度学习的光学遥感图像去噪与超分辨率重建算法研究[D]. 冯旭斌. 中国科学院大学(中国科学院西安光学精密机械研究所), 2020(06)
- [2]基于超分辨重建的遥感图像融合方法研究[D]. 施宇. 西安电子科技大学, 2020(05)
- [3]基于EMD的多源遥感影像融合的方法研究[D]. 王桢炜. 华北水利水电大学, 2020(01)
- [4]基于Directionlet变换的图像超分辨率重建算法研究[D]. 张奇臣. 电子科技大学, 2020(07)
- [5]基于注入模型的遥感图像整合方法研究及其应用[D]. 吴磊. 江西财经大学, 2019(07)
- [6]基于压缩感知的遥感影像融合技术研究[D]. 霍英海. 重庆邮电大学, 2019(02)
- [7]基于二代Contourlet域遥感图像双三次插值方法[J]. 徐彤阳. 计算机应用与软件, 2012(02)
- [8]基于抗混叠Contourlet变换的遥感图像融合研究[D]. 徐彤阳. 上海大学, 2011(05)
- [9]基于信噪特征的遥感图像去噪方法研究[D]. 王晓甜. 西安电子科技大学, 2011(12)
- [10]基于方向小波图像处理与几何特征保持质量评价研究[D]. 程光权. 国防科学技术大学, 2010(04)