高光谱图像融合算法研究

高光谱图像融合算法研究

论文摘要

高光谱遥感图像包含了大量的数据,波段之间的相关性较高,采用信息融合技术可以降低分析难度。通过遥感手段获得的遥感图像的研究能够获取对同一事物或目标的更为全面、客观及本质上的认识。由于高光谱图像的特殊性,决定了融合的手段和目的不同于一般的图像数据融合。本文探讨了一些传统的和较新的高光谱图像融合算法,并以小波多分辨率分解与重构为基础,提出一种在高频系数上使用PCNN网络进行选取融合的算法准则。具体内容主要包含以下三个部分:介绍了遥感成像、遥感图像融合的概念,以及目前国内外遥感图像融合技术的发展现状。并介绍了图像融合的层次和目的,本文采用的高光谱图像数据空间的特点和评价图像融合质量的一些技术指标。为了更加突出融合的目的性,相比于以往的统计指标方法还采用分类精度的方法评价融合的质量。介绍了传统的一些从图像增强算法发展而来的融合算法,例如高通滤波融合法、IHS变换法、主成分分析(PCA)等方法。另外详细地介绍了小波变换方法,分别介绍了传统小波变换和第二代提升小波变换。在对图像采用一种自动子空间划分的方法划分为若干子空间后,在各个子空间层次上对各波段图像进行分解重构,在融合准则上,低频系数分别采用均值加权和方差加权的方法,高频系数分别采用局部方差加权和局部能量加权方法。对各种融合方法得到的融合图像进行了比较评价。在对图像使用一种二代提升小波进行分解的基础上,对高频系数采用脉冲耦合神经网络进行选取的融合算法。通过合理的神经元参数的设定,最终的仿真融合图像结果同传统的高频系数采用局部方差加权和局部能量加权的算法进行主客观的比较后,看出新融合算法可以最大限度地保留待融合图像的光谱信息,同时提高了待融合图像的清晰度和空间分辨率。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  • 1.1 引言
  • 1.2 课题研究的背景
  • 1.2.1 遥感技术概述
  • 1.2.2 高光谱遥感技术简介
  • 1.3 高光谱图像融合技术研究的现状
  • 1.4 课题的背景及研究意义
  • 1.5 论文研究内容及结构安排
  • 第2章 高光谱遥感数据特性分析
  • 2.1 高光谱数据简述
  • 2.1.1 高光谱图像的定义
  • 2.1.2 高光谱数据的表示方式
  • 2.1.3 高光谱图像的存储格式
  • 2.2 高光谱图像数据源划分方法
  • 2.2.1 常用数据源划分方法介绍
  • 2.2.2 本文采用的数据源划分方法
  • 2.3 本章小结
  • 第3章 遥感图像融合技术简介
  • 3.1 图像融合的目标
  • 3.2 图像融合的分级
  • 3.2.1 像素级图像融合
  • 3.2.2 特征级图像融合
  • 3.2.3 决策级图像融合
  • 3.3 常见图像融合的方法
  • 3.3.1 传统图像融合方法
  • 3.3.2 多分辨率融合方法
  • 3.3.3 人工智能融合方法
  • 3.4 图像融合评价标准
  • 3.4.1 图像融合的主观评价
  • 3.4.2 图像融合的统计分析指标
  • 3.4.3 图像融合的分类精度
  • 3.5 本章小结
  • 第4章 基于小波变换的高光谱图像融合
  • 4.1 小波的基本概念
  • 4.1.1 连续小波变换
  • 4.1.2 离散小波变换
  • 4.2 小波对二维图像的分解与重构
  • 4.3 小波变换应用于图像融合的特性
  • 4.4 小波基及分解层数的选取
  • 4.4.1 小波基的选择
  • 4.4.2 分解层数的选取
  • 4.5 小波分解融合的步骤
  • 4.6 传统小波的分解层融合
  • 4.6.1 局部方差加权融合
  • 4.6.2 局部能量加权融合
  • 4.7 第二代提升小波融合
  • 4.7.1 提升小波变换的基本步骤
  • 4.7.2 本文所使用的提升小波
  • 4.7.3 第二代提升小波的加权融合
  • 4.8 本章小结
  • 第5章 基于脉冲耦合神经网络的高光谱图像融合
  • 5.1 脉冲耦合神经网络的发展概述
  • 5.2 脉冲耦合神经网络神经元模型
  • 5.2.1 基本神经元模型
  • 5.2.2 实验神经元模型参数的选取
  • 5.3 脉冲耦合神经网络在高光谱图像融合中的应用
  • 5.4 本章小结
  • 结论
  • 参考文献
  • 攻读硕士学位期间发表的论文和取得的科研成果
  • 致谢
  • 相关论文文献

    • [1].基于深度学习的高光谱图像分类算法[J]. 传感器与微系统 2020(07)
    • [2].基于生成对抗网络的高光谱图像分类[J]. 计算机工程与应用 2019(22)
    • [3].深度学习在高光谱图像分类领域的研究现状与展望[J]. 自动化学报 2018(06)
    • [4].基于高光谱图像技术的水果表面农药残留检测观察[J]. 种子科技 2017(04)
    • [5].高光谱图像技术在农产品监测中的应用进展[J]. 北京农业 2016(01)
    • [6].粮油中高光谱图像技术的应用现状[J]. 粮食与饲料工业 2016(09)
    • [7].基于核方法协同表示的高光谱图像分类[J]. 广西大学学报(自然科学版) 2019(05)
    • [8].基于快速去噪和深度信念网络的高光谱图像分类方法[J]. 桂林电子科技大学学报 2016(06)
    • [9].局部保护降维与高斯混合模型的高光谱图像分类[J]. 工业仪表与自动化装置 2017(04)
    • [10].高光谱图像技术在水果品质检测中的研究进展[J]. 食品研究与开发 2013(10)
    • [11].高光谱图像技术在食品无损检测中的研究进展[J]. 食品工业科技 2012(15)
    • [12].基于3D卷积联合注意力机制的高光谱图像分类[J]. 红外技术 2020(03)
    • [13].高光谱图像分类方法研究进展[J]. 新产经 2020(04)
    • [14].高光谱图像分类的研究进展[J]. 光学精密工程 2019(03)
    • [15].基于空-谱加权总变分的高光谱图像混合噪声去除算法[J]. 德州学院学报 2017(04)
    • [16].基于低秩结构提取的高光谱图像压缩表示[J]. 电子与信息学报 2016(05)
    • [17].高光谱图像稀疏信息处理综述与展望[J]. 遥感学报 2016(05)
    • [18].高光谱图像技术在水果无损检测中的研究进展[J]. 激光与红外 2013(09)
    • [19].基于卷积神经网络与主动学习的高光谱图像分类[J]. 中国科学院大学学报 2020(02)
    • [20].针对高光谱图像的目标分类方法现状与展望[J]. 激光与红外 2020(03)
    • [21].基于鱼群算法的高光谱图像稀疏分解研究[J]. 计算机仿真 2020(01)
    • [22].基于自适应主动学习与联合双边滤波的高光谱图像分类[J]. 计算机科学 2018(12)
    • [23].浅谈高光谱图像融合方法[J]. 科技风 2019(16)
    • [24].拉普拉斯约束低秩表示的高光谱图像异常检测[J]. 光谱学与光谱分析 2018(11)
    • [25].基于焦点损失的半监督高光谱图像分类[J]. 计算机应用 2020(04)
    • [26].基于空谱联合协同表征的高光谱图像分类算法[J]. 计算机工程与设计 2020(03)
    • [27].基于关联规则的含噪高光谱图像分类系统[J]. 激光杂志 2018(12)
    • [28].基于改进的局部保持投影高光谱图像分类研究[J]. 计算机应用研究 2017(08)
    • [29].不变矩在高光谱图像空谱分类中的应用研究[J]. 小型微型计算机系统 2017(07)
    • [30].基于谱聚类波段选择的高光谱图像分类[J]. 光电工程 2012(02)

    标签:;  ;  ;  ;  

    高光谱图像融合算法研究
    下载Doc文档

    猜你喜欢