多源遥感图像融合方法研究

论文摘要

多源遥感图像融合是数据融合的重要内容，也是图像理解和计算机视觉领域中的一项重要技术。其理论和应用研究的目标是把来自多个传感器的图像进行智能合成，获取比单一传感器更精确、更完整、更可靠的描述。本文主要针对多源遥感图像，运用多分辨分析和神经网络等理论，深入研究了像素级、特征级和快速融合问题。针对Mallat小波变换方法得到的融合图像存在细节信息含量不够和振铃效应的问题，本文提出了一种保真的小波（HFWT）融合方法。该方法主要通过灰度对比度融合算子，有效地将高分辨率图像的低频分量融合到多光谱图像的低频分量中，降低了失真度。本文不但从理论上进行了证明，而且应用在高分辨率图像和多光谱图像的融合实验中也取得了很好的结果。针对单小波融合方法的融合结果存在光谱畸变等缺点，提出了一种多小波（MWT）的融合方法。该方法克服了单小波融合方法的移变性缺点，实验证明它不仅避免了融合图像的振铃效应，也有效地消除了融合图像的光谱畸变。针对小波融合方法只对低频分量进行分解，对高频分量不做进一步分解，致使富含边缘信息的高频分量不能根据实际情况灵活采用不同融合规则和算子进行融合的缺陷。提出了一种小波包方向自适应（WPT-OA）图像融合方法。通过定量分析与目视评价，证明该融合方法的融合结果明显优于小波融合方法。图像较大时，小波包融合方法的计算量大，不能满足实时融合的要求。通过对小波包融合方法的流程和并行性的分析，提出了一种小波包变换并行融合算法。该算法针对小波变换计算的数据局部性和边界计算相关性特点，采用规整数据分块和冗余存储思想，使得融合过程完全不需要通信。在Pentium PC和1000Mbps交换式以太网的8机系统的MPI（Message Passing Interface）并行环境下，针对不同大小图像进行实验，结果表明该算法具有良好的并行性能，8机融合加速比最高可达6.3798。此外，本文还根据对线状目标识别的实际应用需要，提出了一种SAR图像目标区域分割和光学图像目标区域边缘定位的特征级融合方法。该方法首先依据SAR图像目标区域原始特征的类别可分性，确定了以惯性矩为最优特征建立一个初始特征，然后，通过马氏距离测度进行特征减维，在此基础上利用模糊神经网络进行SAR目标区域分割，最后对配准的光学图像进行边缘定位，从而完成特征级的融合。实验表明，融合结果具有较准确的目标区域和较精确的目标边缘。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 多传感器数据融合的基本概念和意义
• 1.2 数据融合技术的国内外发展与应用
• 1.2.1 数据融合技术的发展与应用
• 1.2.2 图像融合技术的发展与应用
• 1.3 多传感器数据融合研究的基本理论和方法
• 1.4 本文的主要工作及安排
• 参考文献
• 第二章 图像传感器及传感器图像
• 2.1 遥感的基本概念及图像信息的获取方式
• 2.2 遥感图像的基本特性
• 2.2.1 SAR图像特性分析
• 2.2.2 TM图像特性分析
• 2.2.3 SPOT卫星特性及其图像分析
• 2.2.4 中巴地球资源卫星（CBERS1）特性及其图像分析
• 2.3 图像融合前的预处理
• 2.3.1 SAR图像增强
• 2.3.2 TM图像增强
• 2.3.3 图像配准
• 2.4 本文实验图像简介
• 2.5 图像融合效果评价准则
• 2.5.1 基于信息量的评价
• 2.5.2 基于统计特性的评价
• 2.5.3 基于相关性的评价
• 2.5.4 基于梯度值的评价
• 2.6 本章小结
• 参考文献
• 第三章 多传感器图像融合主要方法
• 3.1 遥感图像融合常用的技术方法
• 3.2 基于不同彩色空间的融合方法
• 3.2.1 彩色空间模型
• 3.2.2 基于彩色变换IHS的直方图匹配图像融合方法
• 3.3 数学合成技术的融合方法
• 3.3.1 PCA变换融合方法
• 3.3.2 高通滤波融合方法
• 3.4 多分辨率融合方法
• 3.4.1 塔形分解融合技术
• 3.4.2 小波变换融合技术
• 3.5 基于统计理论的图像融合方法
• 3.5.1 k/n准则
• 3.5.2 Bayes推理技术
• 3.5.3 Dempster-Shafer方法
• 3.5.4 模糊集理论
• 3.5.5 聚类分析理论
• 3.5.6 神经网络理沦
• 3.5.7 熵法
• 3.6 本章小结
• 参考文献
• 第四章 基于小波多分辨分析的图像融合方法
• 4.1 小波变换
• 4.2 多分辨分析理论
• 4.2.1 多分辨分析
• 4.2.2 Mallat分解与重构算法
• 4.3 基于Mallat算法的图像融合方法
• 4.3.1 融合准则选取
• 4.3.2 保真小波融合方法（HFWT）
• 4.3.3 实验结果分析
• 4.4 基于多小波变换的图像融合新方法
• 4.4.1 连续多小波变换
• 4.4.2 多小波的特性
• 4.4.3 多元多分辨分析
• 4.4.4 多小波的分解与重构
• 4.4.5 基于离散多小波变换的图像融合方法
• 4.4.6 实验结果及分析
• 4.6 本章小结
• 参考文献
• 第五章 小波包变换的图像融合及并行算法研究
• 5.1 小波包变换
• 5.2 小波包变换融合方法
• 5.2.1 小波包方向自适应融合算法（WPT-SAO）
• 5.2.2 基于区域能量的融合规则
• 5.2.3 实验及结果分析
• 5.3 基于小波包变换的多传感器图像并行融合方法实现
• 5.3.1 图像并行计算理论
• 5.3.2 并行融合算法
• 5.3.3 实验结论
• 5.4 本章小结
• 参考文献
• 第六章 基于区域统计特征的特征级图像融合
• 6.1 特征级图像融合原理
• 6.2 SAR图像分割
• 6.2.1 SAR图像特征及其提取
• 6.2.2 基于灰度共生矩阵和模糊神经网络的SAR图像分割
• 6.3 光学图像的边缘提取
• 6.4 SAR图像与光学图像特征融合目标区域的提取
• 6.4.1 基于区域长轴线的融合特征提取
• 6.4.2 实验及结果分析
• 6.5 本章小结
• 参考文献
• 第七章 总结与展望
• 7.1 论文工作总结
• 7.2 课题研究展望
• 致谢
• 附录 攻读博士学位期间发表论文及科研工作
• 1.1 攻读博士学位期间合作发表的学术论文
• 1.2 攻读博士学位期间科研成果