本文主要研究内容
作者陈敏强（2019）在《深度卷积神经网络超分重建技术驱动的卫星遥感影像融合研究》一文中研究指出：图像超分辨率重建技术被广泛应用于遥感影像处理、医学成像、视频监控、交通违法监控等多个领域,具备较强的应用价值。对于图像超分辨率重建方法研究问题,发展趋势从基于插值、基于重构、基于学习的算法到近几年基于深度学习理论,基于深度学习超分辨率重建如SRCNN、FSRCNN、VDSR、DRCN等算法,在一定程度上能改善超分重建后图像的质量,但还存在一些不足之处,如卷积层数过少,无法充分学习低分辨率图像与高分辨率图像之间的细节特征。同时,传统卫星遥感影像在融合过程中,大多通过简单的插值法将多光谱影像放大到与全色影像相同的尺寸大小进行融合,融合关注的重点是全色波段的空间细节信息和低分辨率多光谱频谱信息的合并。因此,在插值过程中存在没有充分利用低分辨率的空间信息的情况。本文在前人研究的基础上,针对传统卫星遥感影像融合过程中存在信息丢失的问题和图像超分重建方法的不足之处,改进了基于多尺度卷积神经网络的超分辨率重建方法,在保留频谱信息的同时,增强了低分辨率多光谱影像的空间信息。其次,通过施密特正交变换对空间信息增强的多光谱和全色波段影像进行融合,得到一个具备较高空间分辨率、良好频谱的融合结果。最后通过定性定量质量评价指标对本文提出融合模型与四种经典常规融合算法进行对比,本文方法在主客观质量评价中取得了较好效果。本文主要研究内容如下:(1)综述图像超分辨率重建技术,国内外研究学者对超分辨率重建技术的原理、算法、研究意义进行概述,超分辨率重建技术中包括基于插值、基于重建和基于学习的算法,此外,阐述影像预处理步骤,图像融合的几种常用方法,引入图像质量评价指标对超分重建后图像质量进行评价。(2)结合深度学习中的卷积神经网络模型,卷积神经网络(CNN)结构和算法,介绍了一种将卷积神经网络和超分辨率重建技术结合在一起的卷积神经网络超分辨率重建方法(SRCNN)。其次,提出一种改进的多尺度卷积神经网络超分辨率重建算法,多尺度卷积神经网络能够自主学习高分辨率图像与低分辨率图像内在的逻辑特征。采用Set5、Set14、BSD100、Urban100数据集作为实验数据与测试数据,通过与重建效果较好的Bicubic、SRCNN、SelfEx、VDSR、DRCN方法进行定量和定性比较,客观指标选取峰值信噪比(PSNR)和结构相似度(SSIM)。选用缩放尺度因子为(×2、×3和×4)来验证本文改进方法的可靠性与有效性,实验结果表明本文改进方法性能优于传统重建方法。(3)将改进的多尺度卷积神经网络超分辨率重建方法(MSCNN)与GS融合方法结合组建融合模型。首先,通过改进的多尺度卷积神经网络超分辨率算法对多光谱影像进行超分重建,得到分辨率增强的影像。然后,通过施密特正交变换(GS)将空间信息增强的影像与全色影像进行融合得到一个高空间分辨率、高频谱分辨率的融合结果。同时,对比融合实验采用Brovey变换、Gram-Schmidt变换、NNDiffuse Pan Sharpening、PC Spectral锐化等方法,经主客观质量评价方法对融合结果进行对比,实验结果表明本文方法与GS融合组建的模型融合效果优于四种常用的方法。
Abstract
tu xiang chao fen bian lv chong jian ji shu bei an fan ying yong yu yao gan ying xiang chu li 、yi xue cheng xiang 、shi pin jian kong 、jiao tong wei fa jian kong deng duo ge ling yu ,ju bei jiao jiang de ying yong jia zhi 。dui yu tu xiang chao fen bian lv chong jian fang fa yan jiu wen ti ,fa zhan qu shi cong ji yu cha zhi 、ji yu chong gou 、ji yu xue xi de suan fa dao jin ji nian ji yu shen du xue xi li lun ,ji yu shen du xue xi chao fen bian lv chong jian ru SRCNN、FSRCNN、VDSR、DRCNdeng suan fa ,zai yi ding cheng du shang neng gai shan chao fen chong jian hou tu xiang de zhi liang ,dan hai cun zai yi xie bu zu zhi chu ,ru juan ji ceng shu guo shao ,mo fa chong fen xue xi di fen bian lv tu xiang yu gao fen bian lv tu xiang zhi jian de xi jie te zheng 。tong shi ,chuan tong wei xing yao gan ying xiang zai rong ge guo cheng zhong ,da duo tong guo jian chan de cha zhi fa jiang duo guang pu ying xiang fang da dao yu quan se ying xiang xiang tong de che cun da xiao jin hang rong ge ,rong ge guan zhu de chong dian shi quan se bo duan de kong jian xi jie xin xi he di fen bian lv duo guang pu pin pu xin xi de ge bing 。yin ci ,zai cha zhi guo cheng zhong cun zai mei you chong fen li yong di fen bian lv de kong jian xin xi de qing kuang 。ben wen zai qian ren yan jiu de ji chu shang ,zhen dui chuan tong wei xing yao gan ying xiang rong ge guo cheng zhong cun zai xin xi diu shi de wen ti he tu xiang chao fen chong jian fang fa de bu zu zhi chu ,gai jin le ji yu duo che du juan ji shen jing wang lao de chao fen bian lv chong jian fang fa ,zai bao liu pin pu xin xi de tong shi ,zeng jiang le di fen bian lv duo guang pu ying xiang de kong jian xin xi 。ji ci ,tong guo shi mi te zheng jiao bian huan dui kong jian xin xi zeng jiang de duo guang pu he quan se bo duan ying xiang jin hang rong ge ,de dao yi ge ju bei jiao gao kong jian fen bian lv 、liang hao pin pu de rong ge jie guo 。zui hou tong guo ding xing ding liang zhi liang ping jia zhi biao dui ben wen di chu rong ge mo xing yu si chong jing dian chang gui rong ge suan fa jin hang dui bi ,ben wen fang fa zai zhu ke guan zhi liang ping jia zhong qu de le jiao hao xiao guo 。ben wen zhu yao yan jiu nei rong ru xia :(1)zeng shu tu xiang chao fen bian lv chong jian ji shu ,guo nei wai yan jiu xue zhe dui chao fen bian lv chong jian ji shu de yuan li 、suan fa 、yan jiu yi yi jin hang gai shu ,chao fen bian lv chong jian ji shu zhong bao gua ji yu cha zhi 、ji yu chong jian he ji yu xue xi de suan fa ,ci wai ,chan shu ying xiang yu chu li bu zhou ,tu xiang rong ge de ji chong chang yong fang fa ,yin ru tu xiang zhi liang ping jia zhi biao dui chao fen chong jian hou tu xiang zhi liang jin hang ping jia 。(2)jie ge shen du xue xi zhong de juan ji shen jing wang lao mo xing ,juan ji shen jing wang lao (CNN)jie gou he suan fa ,jie shao le yi chong jiang juan ji shen jing wang lao he chao fen bian lv chong jian ji shu jie ge zai yi qi de juan ji shen jing wang lao chao fen bian lv chong jian fang fa (SRCNN)。ji ci ,di chu yi chong gai jin de duo che du juan ji shen jing wang lao chao fen bian lv chong jian suan fa ,duo che du juan ji shen jing wang lao neng gou zi zhu xue xi gao fen bian lv tu xiang yu di fen bian lv tu xiang nei zai de luo ji te zheng 。cai yong Set5、Set14、BSD100、Urban100shu ju ji zuo wei shi yan shu ju yu ce shi shu ju ,tong guo yu chong jian xiao guo jiao hao de Bicubic、SRCNN、SelfEx、VDSR、DRCNfang fa jin hang ding liang he ding xing bi jiao ,ke guan zhi biao shua qu feng zhi xin zao bi (PSNR)he jie gou xiang shi du (SSIM)。shua yong su fang che du yin zi wei (×2、×3he ×4)lai yan zheng ben wen gai jin fang fa de ke kao xing yu you xiao xing ,shi yan jie guo biao ming ben wen gai jin fang fa xing neng you yu chuan tong chong jian fang fa 。(3)jiang gai jin de duo che du juan ji shen jing wang lao chao fen bian lv chong jian fang fa (MSCNN)yu GSrong ge fang fa jie ge zu jian rong ge mo xing 。shou xian ,tong guo gai jin de duo che du juan ji shen jing wang lao chao fen bian lv suan fa dui duo guang pu ying xiang jin hang chao fen chong jian ,de dao fen bian lv zeng jiang de ying xiang 。ran hou ,tong guo shi mi te zheng jiao bian huan (GS)jiang kong jian xin xi zeng jiang de ying xiang yu quan se ying xiang jin hang rong ge de dao yi ge gao kong jian fen bian lv 、gao pin pu fen bian lv de rong ge jie guo 。tong shi ,dui bi rong ge shi yan cai yong Broveybian huan 、Gram-Schmidtbian huan 、NNDiffuse Pan Sharpening、PC Spectralrui hua deng fang fa ,jing zhu ke guan zhi liang ping jia fang fa dui rong ge jie guo jin hang dui bi ,shi yan jie guo biao ming ben wen fang fa yu GSrong ge zu jian de mo xing rong ge xiao guo you yu si chong chang yong de fang fa 。
论文参考文献
论文详细介绍
论文作者分别是来自东华理工大学的陈敏强，发表于刊物东华理工大学2019-10-31论文，是一篇关于多尺度卷积神经网络论文,超分辨率重建论文,质量评价论文,图像融合论文,东华理工大学2019-10-31论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自东华理工大学2019-10-31论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：多尺度卷积神经网络论文; 超分辨率重建论文; 质量评价论文; 图像融合论文; 东华理工大学2019-10-31论文;