基于多分辨率分析的遥感图像云层去除方法研究

论文摘要

随着遥感技术与航天技术的迅猛发展,遥感图像获得了十分广泛的应用。但由于遥感图像在拍摄过程中极易受天气因素的影响,因此获取的图像往往存在一些被云层覆盖的区域。图像中云的存在不仅影响了图像的进一步处理和识别,而且降低了图像的利用率,因此探索有效的遥感图像的去云方法,具有很重要的实际意义和研究价值。本文分析了遥感图像云层的形成原因、多分辨率分析的理论及其在图像处理中的优势,研究了基于多分辨分析的遥感图像的薄云和厚云的去除方法。主要工作及研究成果如下：1.介绍了小波变换和多分辨分析理论的原理和实现方法,讨论了图像的多尺度几何分析的发展以及多尺度分析在遥感图像去云中的应用。2.提出一种基于Curvelet变换的遥感图像去薄云新方法。首先将有薄云的遥感图像进行Curvelet变换分解,然后对低频系数进行云检测并对云区进行补偿,对高频系数采用自适应阈值增强的方法进行补偿,最后进行Curvelet反变换重构得到去云结果。实验结果表明,该方法与同态滤波和小波变换方法比较,能取得更好的去云效果,有效地保留了图像的细节信息和边缘信息。3.利用非抽样Contourlet的多尺度多方向以及平移不变性的优点,提出了一种基于非抽样Contourlet变换的遥感图像去薄云算法。该算法将图像进行非抽样Contourlet变换分解,然后再对各子带系数进行补偿处理,最后进行反Contourlet变换重构得到去云图像。实验表明,该算法是有效可行的,与其他算法比较而言,图像去云效果更好,纹理信息更加清晰。4.提出了一种基于支持向量机的遥感图像去厚云算法。首先根据支持向量机理论构造支持向量值轮廓波变换并对图像进行分解,然后对云层进行检测且分别对高低频采用不同的融合规则进行融合,最后进行重构得到去云图像。仿真实验表明,与其他算法相比,该算法对于有厚云覆盖、无云区重叠的遥感图像取得更好的去云效果,图像更加清晰。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 论文研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 云噪声模型
• 1.2.2 常用的去云方法
• 1.3 本文的研究内容
• 1.4 论文组织结构
• 第二章 多分辨率分析
• 2.1 多分辨率分析理论
• 2.1.1 小波变换
• 2.1.2 多分辨分析概念
• 2.1.3 图像的小波多分辨率分析
• 2.2 图像多分辨率分析方法
• 2.3 多尺度分析用于遥感图像的去云
• 2.4 小结
• 第三章 基于Curvelet变换的去薄云新方法
• 3.1 图像的薄云去除概述
• 3.2 Curvelet变换
• 3.2.1 连续脊波变换
• 3.2.2 第一代Curvelet变换
• 3.2.3 第二代Curvelet变换
• 3.3 基于Curvelet变换遥感图像去薄云处理
• 3.3.1 阈值的选取
• 3.3.2 云层检测
• 3.3.3 低频处理
• 3.3.4 高频补偿
• 3.3.5 Curvelet变换去薄云流程
• 3.4 去云结果及分析
• 3.4.1 去云效果评价
• 3.4.2 实验结果及分析
• 3.5 小结
• 第四章 基于非抽样Contourlet的遥感图像薄云去除算法
• 4.1 非抽样Contourlet变换
• 4.1.1 Contourlet变换
• 4.1.2 非抽样塔状滤波器
• 4.1.3 非抽样方向性滤波器组
• 4.2 基于非抽样Contourlet变换的遥感图像去薄云算法
• 4.2.1 基于非抽样Contourlet变换的去薄云步骤
• 4.2.2 实验结果及分析
• 4.2.3 NSCT算法与Curvelet变换方法之间的比较
• 4.3 小结
• 第五章 基于支持向量机的遥感图像厚云去除算法
• 5.1 支持向量机原理
• 5.2 支持向量机轮廓波变换
• 5.2.1 支持向量值滤波器
• 5.2.2 支持向量机轮廓波变换
• 5.3 基于支持向量机的遥感图像厚云去除算法
• 5.3.1 云区域检测
• 5.3.2 图像融合
• 5.3.3 基于支持向量机的厚云去除算法的实现步骤
• 5.4 实验结果与分析
• 5.5 小结
• 第六章 总结与展望
• 6.1 全文工作总结
• 6.2 工作展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文