基于Contourlet变换的遥感图像融合方法研究

论文摘要

图像融合是图像理解和计算机视觉领域中一项不可或缺的技术,其中多源遥感图像融合是遥感图像处理领域中的研究热点。它研究的是如何综合利用不同遥感传感器所获取的图像信息来产生新的数据,以获取更多的信息。遥感图像融合在军事和民用方面有着广泛的应用。首先,提出基于Contourlet变换和互信息的遥感图像配准算法。Contourlet变换是一种新的多尺度分析方法,比小波变换更适合分析二维图像中的边缘特征。互信息是图像配准过程中很合适的相似性判断准则,它不需要进行图像预处理。此算法逐层细化,实现由粗到细的搜索过程,可减少搜索空间,提高配准精度。其次,提出基于Contourlet变换和区域特征的遥感图像融合算法。将Contourlet变换引入图像融合中,它能够更好地提取源图像的特征,为融合图像提供更多的信息。该算法考虑了低频分量在图像融合中的作用,增强了图像整体效果。实验结果表明了该算法能提高融合图像的综合分辨率。然后,提出Contourlet域独立分量分析和支持向量机的遥感图像融合算法。独立分量分析可实现图像的稀疏编码并具有很好地捕捉图像重要边缘信息的特征。支持向量机是结构风险最小化的,具有很高泛化性能的学习算法。实验结果表明,独立分量分析和支持向量机克服了单一融合准则所带来的缺陷。该方法简单、有效,融合后的效果较好。最后,提出基于Contourlet变换和支持向量聚类的遥感图像融合算法。支持向量聚类是一种无监督的机器学习。聚类算法不需要训练样本集,所以基于聚类的融合规则对源图像的依赖性更小。实验结果表明,基于支持向量聚类算法所获得的融合效果是可控的,对像素清晰程度的判别更准确。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景和意义
• 1.1.1 遥感图像融合的定义及一般模型
• 1.1.2 遥感图像融合的目的及意义
• 1.2 遥感图像融合技术的发展现状
• 1.2.1 研究发展及现状
• 1.2.2 存在的问题
• 1.3 本文的研究内容及主要创新点
• 1.3.1 本文的研究内容
• 1.3.2 本文的主要创新点
• 第二章 基于Contourlet 变换和互信息7 的遥感图像配准方法
• 2.1 引言
• 2.2 图像配准的过程及分类
• 2.3 图像配准的几种方法
• 2.3.1 基于小波变换的配准参数搜索算法
• 2.3.2 基于互相关的遥感图像配准方法
• 2.3.3 基于互信息的遥感图像配准方法
• 2.4 基于Contourlet 变换和互信息的遥感图像配准方法
• 2.4.1 Contourlet 变换理论
• 2.4.2 基于Contourlet 变换和互信息的遥感图像配准算法
• 2.5 实验结果及分析
• 2.6 本章小结
• 第三章 常用的遥感图像融合算法研究
• 3.1 遥感图像融合的三个层次
• 3.2 遥感图像融合的常用方法
• 3.2.1 线性加权平均法
• 3.2.2 高通滤波
• 3.2.3 基于HIS 变换的融合方法
• 3.2.4 基于PCA 变换的融合方法
• 3.2.5 基于小波变换的融合方法
• 3.3 融合结果评价准则
• 3.3.1 主观评价方法
• 3.3.2 客观评价方法
• 3.4 实验结果及分析
• 3.5 本章小结
• 第四章 基于Contourlet 变换和区域特征的遥感图像融合算法
• 4.1 引言
• 4.1.1 传统遥感图像融合算法存在的缺点
• 4.1.2 Contourlet 变换在图像融合应用中的优点
• 4.2 基于Contourlet 变换和区域特征的遥感图像融合算法
• 4.3 实验结果及分析
• 4.4 本章小结
• 第五章 Contourlet 域独立分量分析和支持向量机的遥感图像融合算法
• 5.1 引言
• 5.2 独立分量分析（ICA）的基本理论
• 5.2.1 独立分量分析的相关概念及线性模型
• 5.2.2 Fast ICA 方法概述
• 5.3 支持向量机（SVM）的基本理论
• 5.3.1 支持向量机（SVM）的基本原理
• 5.3.2 粒子群优化支持向量机
• 5.4 Contourlet 域独立分量分析和支持向量机的图像融合算法
• 5.5 实验结果及分析
• 5.6 本章小结
• 第六章 基于Contourlet 变换和支持向量聚类的遥感图像融合算法
• 6.1 引言
• 6.2 支持向量聚类（SVC）的基本原理
• 6.3 基于Contourlet 变换和支持向量聚类的图像融合算法
• 6.4 实验结果及分析
• 6.5 本章小结
• 第七章 总结和展望
• 7.1 本文的主要工作及结论
• 7.2 进一步研究工作展望
• 参考文献
• 致谢
• 在学期间的研究成果及发表的学术论文