一、基于小波变换的多源遥感图像的信息融合（论文文献综述）
刘春鹏[1]（2021）在《大豆冠层信息获取图像融合方法研究》文中研究指明作物长势信息监测,使用冠层信息进行反映仍是主要手段。得益于无人机遥感技术和计算机技术的快速发展,利用无人机搭载多光谱遥感相机获取农作物冠层信息成为农作物生长过程中长势监测不可或缺的技术手段之一。但遥感图像受飞行高度、成像角度等因素影响,导致合成结果清晰度差、有效信息重叠等问题,直接影响对作物长势信息的判断,影响监测效率。研究冠层图像融合方法,可实现作物长势信息参数的准确提取,为作物长势判断和精准施药技术发展提供理论和现实意义。为提高无人机低空遥感成像质量,在分析整理中外文献资料的基础上,系统总结了的多源遥感影像融合算法的研究现状,借鉴现有的融合机理,以大豆冠层作为研究对象,基于大豆冠层无人机低空遥感图像成像特点,研究大豆冠层遥感图像融合算法,获取分辨率高且空间细节信息丰富的融合图像,并对图像融合性能进行检验,重点展开了以下几个方面的工作:（1）大豆冠层低空遥感图像融合理论分析根据前期研究的理论基础确定图像融合层次,通过对比分析基于成分替换和基于多尺度变换的图像融合算法的优缺点,选用基于成分变换中的IHS变化和基于多尺度的NSCT变换方式,构建了融合图像算法结构,确定其工作原理,详细分析了强度分量在融合过程中的变换过程,针对分量变换产生的信息丢失、光谱失真现象,通过结合NSCT变换操作进行修正,有效避免图像空间细节信息丢失现象,同时保持了光谱信息的表达。（2）遥感图像融合算法确定通过分析NSCT变换过程中,非下采样金字塔滤波和非下采样方向滤波的工作原理,引入空间频率概念和区域能量加权的方式完成图像间低、高频子带系数的融合操作,筛选出空间频率最大的像元值参与子带的重构,使得大部分能量信息得以保留,对结果的清晰度保持稳定;以区域内像素相关性为前提的区域能量加权方法同样可以保证融合结果的清晰程度,同时对图像的局部特征表达充分。（3）融合图像应用效果试验研究根据图像边缘分割提取的理论研究和实际的实验操作过程,分别从基于搜索的边缘提取方法和基于零交叉的边缘提取方法进行分析,验证融合结果的边缘提取效果,同时结合近地端车载多光谱传感器遥感结果对融合结果获取的植被指数进行对比分析和结果验证。研究建立一种IHS变换结合非下采样轮廓波变换的无人机低空遥感图像融合算法,将无人机遥感直接应用于大豆冠层信息提取,融合结果空间信息保留度高、图像分辨率良好,为大豆冠层图像边缘轮廓信息提取和植被指数获取提供理论基础和技术支撑。
赵铮[2]（2020）在《光学遥感影像融合参数优化解算与质量评价方法》文中研究说明随着高光谱遥感卫星技术的发展,遥感影像的光谱、空间分辨率得以快速提升、甚至达到亚米级,其包含的信息量也趋于复杂、多样。其中,遥感影像融合是分析复杂遥感信息的一个重要步骤。影像融合是指卫星所获取的低空间分辨率的多光谱影像与高空间分辨率单波段的全色影像进行融合,得到同时具有高分辨率、多光谱特征融合影像的遥感技术。影像融合算法依据融合层次的不同可分为:像素级影像融合、特征级影像融合和决策级影像融合。由于像素级影像融合算法具有高精度、融合精度高的优势,本文从像素级影像融合和评价的角度出发对遥感影像融合算法进行探讨。首先,本文就像素级影像融合算法进行简要阐述,结合这类算法实验效果分析优缺点、适用范围以及像素级影像融合的本质。其次,探讨BRSVR影像融合算法在应用上的优势、不足,并进行一定的改进。由于改进算法需要合理的影像分割,本文探讨了不同分割尺度对融合效果的影响。通过对原理、结果的分析,最终选择了 SLIC图像分割算法。基于此,本文设计了一种SLIC图像分割与SVR方法结合的影像融合算法。首先通过SLIC图像分割的方式对影像进行合理的分块,之后按照SVR的影像融合方法对影像进行融合。通过与其他像素级影像融合算法的定量实验对比,借助标准差、熵、归一化均方根误差等6项指标客观定量评估,相较于其他算法均体现出本文提出的SLIC-SVR算法具备更好的融合结果。除此之外,融合算法还需要更加科学便捷的评价方法。本文在互信息量的基础上,综合遥感影像定性与定量评价的优势,构建了互信息影像直方图评价方法。该方法以灰度影像的方式直观展示影像光谱信息差异,并用以评估融合影像光谱保持程度。文章最后通过实验以及定性、定量与互信息直方图等评价方法,证明了 SLIC-SVR遥感影像融合算法在影像融合中的应用潜力。本文的主要贡献为:（1）改进了全色锐化（Pansharpening）影像融合算法,结合现有的BRSVR影像融合理论和SLIC图像分割算法,提出了 SLIC-SVR影像融合算法。结合包括GF-2、ZY-3、K3A等7种卫星以及多种复杂地物类型的影像进行融合,与小波变换、主成分分析、IHS变换等6种传统影像融合算法实验结果对比分析,并进行定性与定量的评价,实验结果表明SLIC-SVR算法在空间细节注入与光谱特征保持上均有一定优势。（2）基于信息熵与互信息量理论,结合灰度统计直方图的形式提出互信息直方图的影像质量评价标准。该方法可以同时定性、定量地对影像结果进行评价,对影像融合质量评价指标体系进行了有益补充。
张演康[3]（2020）在《基于深度卷积生成对抗网络的SAR与可见光融合技术研究》文中研究表明SAR（Synthetic Aperture Radar,合成孔径雷达）与可见光遥感图像的融合技术在地物分类、目标检测、变化检测等领域具有广泛的应用价值。但是,其面临着有效数据源不足,特征提取能力弱等挑战。利用基于深度学习、卷积神经网络等技术对大规模遥感图像进行高质量、高性能的融合,对综合利用多源卫星资源,精确探索地物信息具有重要价值。为了充分利用SAR图像的纹理信息和可见光遥感图像的颜色信息,本文开展基于深度卷积生成对抗网络的SAR与可见光遥感图像融合方法研究。针对中等分辨率的SAR与可见光遥感图像融合任务,本文提出SO-GAN（SAR-Optical Generative Adversarial Network）方法。该方法使用一种基于编解码器结构的卷积神经网络作为融合图像的生成器,利用二分类卷积神经网络构成了评估融合图像质量的判别器。为了学习图像的全局特征及细节特征,SO-GAN采用了一种多感受野并行的特征提取结构。此外,对损失函数进行优化,加入了基于HSV（Hue,Saturation,Value）变换后灰度共生矩阵的损失函数,约束图像的纹理特性,使融合图像更能兼具SAR与可见光图像的信息针对高分辨率SAR与可见光遥感图像融合任务,本文提出一种HRSO-GAN（High Resolution SAR-Optical Generative Adversarial Network）方法,该方法基于多尺度特征图金字塔生成器,结合多个判别器,由低至高逐层生成高分辨率图像。利用合理的上采样方式避免重复性纹理的错误特征,并引入了多任务损失函数进一步丰富细节信息。本文利用Sentinel-1A和GF-3卫星获取的SAR图像,以及Sentinel-2和GF-2获取的可见光图像进行了融合处理实验,并采用峰值信噪比等几个客观的图像质量评价指标对融合图像进行色彩质量评估和纹理质量评估。实验结果证明了本文方法的有效性和准确性。
王睿[4]（2020）在《基于参考影像信息融合的遥感影像云检测和云去除算法研究》文中研究指明遥感影像是目前唯一可以对地球进行大范围宏观观测的数据资源,在农业,军事,城市规划等领域得到广泛应用。然而遥感影像不可避免的受到云,雾等大气环境的污染,造成影像信息丢失,这些信息丢失的影像无法满足后续实际应用的需求,造成数据资源的巨大浪费。因此,对遥感影像的云区域进行检测并进行信息重建,可以有效提高遥感影像的利用率。本文分别对遥感影像云检测算法和云去除算法进行调研和研究发现,在云检测方面,因为不同遥感卫星传感器设计的波段分布不同,基于多波段的云检测算法只能适用于特定类型的遥感数据。基于机器学习和深度学习的检测算法的适用性较好,但是算法的复杂度较高,薄云检测精度低。在云去除算法中,遥感影像薄云去除算法普遍存在高亮物体被过度校正和无云区域的信息丢失的问题。由于遥感影像具有多时相的特点,这些在同一区域不同时间获取的影像可以进行信息互补,因此本文主要研究了基于多时相遥感影像信息融合的云检测和云去除方法。本文的主要工作和创新点如下:（1）提出了基于参考影像信息融合的云检测算法。首先获取目标影像和参考影像的暗通道图像,通过阈值法得到初始厚云检测结果,对检测结果采用导向滤波进行优化。然后对非厚云区域利用核主成分分析算法（Kernel Principle Component Analysis,KPCA）提取薄云成分,最后利用阈值法完成薄云检测。通过对检测结果的正检度,漏检度和整体检测精度的评估结果表明,该算法能够对厚云和薄云进行有效检测,并且降低了因高亮地物信息干扰造成的误检率。（2）提出了基于参考影像信息融合的薄云去除算法。首先利用薄云影像和参考影像的差异估计大气透射率,运用到薄云去除模型后得到初始去云图像。然后以初始去云影像和原始影像的暗通道图像作为输入,获取薄云分布掩膜,最后利用小波图像融合算法对去云结果进行优化,得到最终的去云结果。通过以霾效应指数和结构相似度为评价指标对薄云去除结果的分析表明,当参考影像和薄云影像存在较大时相或地物差异时,该算法在对薄云进行有效去除的同时,很好的保证了去云结果的保真度。（3）提出了基于选择多源全变分模型的多时相遥感影像厚云去除算法。该算法针对现实中难以获取一张完全无云参考影像的问题,以多时相遥感影像中一张作为重建对象,融合其他时相图像信息完成图像重建。首先对多时相遥感影像进行亮度校正,降低影像间亮度差异。然后基于选择多源全变分模型完成图像重建,最后针对局部区域亮度信息不一致问题进行泊松图像优化。通过对去云结果的平均梯度和结构相似度的评估表明,该算法有效解决了选择多源全变分模型无法对选定目标影像进行重建的问题,而且保证了厚云去除结果的图像质量。通过对不同数据类型,不同地物类型的遥感影像进行实验,并与其他算法结果进行对比,本文提出的云检测算法和云去除算法均得到了更佳的处理效果,验证了本文算法的有效性和可行性。
杨进[5]（2020）在《基于多尺度下结构组稀疏表示的图像融合方法研究》文中进行了进一步梳理在人工智能及信息技术大力发展的背景下,各技术领域对图像融合有较大的需求,因此图像融合在各技术领域的地位越来越重要。在图像融合技术中,人们开始采用多尺度方式来分解源图像,这样图像融合就可以在离散的变换域中进行,其中多尺度小波变换在进行图像融合时取得了显着的效果。于是本文对具有多尺度性质的小波变换图像融合方法以及根据结构组稀疏表示图像融合方法进行分析研究。针对小波变换图像融合方法中存在的问题,本文提出了一种基于结构相似度融合规则的图像融合方法。然后本文根据结构组稀疏表示图像融合中的发展和应用,又提出一种改进的双树复小波变换（DT-CWT）与结构组稀疏表示相结合的图像融合方法。具体内容如下:本文首先对图像融合理论背景及其意义进行分析说明,了解图像融合理论在国内外的状况以及发展趋势。接下来本文介绍了图像融合基本理论和传统融合方法,同时也介绍图像融合质量好坏的评价标准。在分析研究多尺度变换理论时,本文对常用的小波变换进行理论分析,发现小波变换不足之处是不具有平移不变性和有效的方向选择性。针对小波变换存在的缺点,本文提出了一种改进的DT-CWT变换的图像融合方法,这方法是基于结构相似度（SSIM）对DT-CWT变换产生的分量进行有效选取,很好的解决了小波变换存在的问题,从而提高图像融合效果。通过实验结果和客观评价标准可以说明改进的DT-CWT变换改善了图像的融合效果。通过文献查阅,本文分析了稀疏表示方法的发展过程和在图像融合中的应用,发现传统的稀疏表示存在字典学习计算难和稀疏表示图像分块关联性两个问题。针对传统的稀疏表示存在的两个问题,对结构组稀疏表示有关文献分析,发现结构组稀疏表示方法可以解决上述问题,同时本文介绍了结构组理论和结构组稀疏模型的构造。根据图像结构组稀疏表示的优点和DT-CWT变换的优点,提出一种具有多尺度性的DT-CWT变换的结构组图像融合方法,本文分别介绍了这种方法的融合流程,其中包括源图像低、高频分量改进的融合规则。最后将常用的图像融合方法的仿真实验结果同本文方法的仿真实验结果进行对比,可以得出本文方法有效改善了图像的融合效果,提高了图像清晰度和保留了图像细节信息。
王明丽[6]（2020）在《基于CLIT-FCNN的遥感图像融合算法》文中认为随着遥感领域相关技术的发展,多种传感器已应用到卫星中用于获取不同种类的遥感图像。但由于辐射能量限制,遥感卫星传感器不能捕获同一地区既具有高空间分辨率又有高光谱分辨率的遥感影像,仅可以获取到光谱信息丰富但空间分辨率较低的多光谱图像（Multispectral Image,MS）和高空间分辨率但低光谱分辨率的全色图像（Panchromatic Image,PAN）,但在现实应用中如岩性分析、地图更新和植被识别等领域中,需要同时使用到PAN图像中的高空间分辨率信息描述图像纹理和MS图像中的多光谱信息判断图像类别。为有效地将MS图像和PAN图像进行融合得到符合实际要求的高质量遥感影像,众多学者提出了遥感图像融合技术。传统的遥感图像融合算法针对不同类型遥感图像需人工制定不同融合规则,且融合质量与图像的分解方法、分解的层次和各层次选用的融合规则密切相关,导致算法融合效果残次不齐。近年来,卷积神经网络广泛应用在图像分割、视觉识别、图像分类等领域,由于其具有权重分享和局部连接等特点使其与传统方法相比有更好的性能。U-Net是具有对称结构的卷积神经网络,它使用跨层拼接的方式将来自低级特征图与较高层特征图拼接在一起处理,从而更好的保存了来自多个尺度的特征图信息,减少了信息的损失,更高效、准确的解决了医学图像像素级分割问题。受U-Net启发,针对传统遥感图像融合算法的弊端并利用卷积神经网络在处理图像的优势,提出一种基于CLIT-FCNN（Cross-Layer Information Transfer Fusion CNN）遥感图像融合算法。采用跨层信息传递方式融合来自不同尺度的特征图以减少图像的信息损失使得融合的遥感图像质量变高。训练后的网络模型可以看作是具有良好鲁棒性端到端（end-to-end）的遥感图像融合规则。本文提出的网络模型使用由大量真实遥感图像数据构造的训练集,并且该训练集包括不同类型的地物。通过使用多组DEIMOS-2卫星、QuickBird卫星和高分二号卫星遥感图像数据集验证本文算法的有效性和鲁棒性,并通过主观评价和客观评价相结合的方法评价融合图像的质量。实验结果表明,本文提出的CLIT-FCNN算法与传统算法相比,能够有效将PAN图像的空间细节信息与MS图像的光谱信息融合,且算法稳定性强。
张兆祥[7]（2020）在《基于推扫式星载相机的颤振估计和图像补偿》文中进行了进一步梳理卫星平台的颤振又称为微振动、震颤等,指的是卫星在轨运行期间,由于卫星平台的姿态调整、星上运动部件的周期性运动等引起的一种幅值较小、频率较高的微振动响应。卫星平台的颤振是一种在轨姿态控制系统难以检测和消除的平台高频率低振幅抖动。在推扫式遥感光学载荷在成像过程中,卫星平台控制系统的误差,飞轮,CMG等运动部件的瞬态运动,或者太阳能帆板等柔性部件的变形均会引起在轨平台的姿态颤振,从而影响到光学遥感图像的成像质量。本文对卫星平台的姿态颤振引起的推扫式遥感图像畸变进行研究,主要完成以下内容:针对推扫式卫星遥感的特点,采用深度学习理论对遥感图像进行云层检测。给出了深度学习算法的理论基础,介绍了深度学习在图像分割任务中的基本原则,设计了基于轻量级U-net的遥感图像云层检测算法。针对在轨卫星平台算力不足的特点,引入了离散小波算法和云层检测算法相结合的轻量级云检测模型,实现了在轨遥感图像的云层检测,对图像云量进行定量测量,并对后续图像畸变检测任务的样本进行筛选。考虑到多光谱推扫式遥感相机不同光谱段间的成像视差,对多光谱图像的畸变进行数学建模和分析,然后根据图像配准算法对相邻光谱段的图像进行配准,获取图像间的像素偏移。针对现有配准算法的不足,提出了改进的L-K算法获取高精度像素偏移。引入在轨相机运动模型,得到本体坐标系下的相对姿态颤振。提出了基于时频域结合的反卷积算法,将相对颤振转换为时间坐标系下的绝对姿态颤振。引入姿态平滑正则项,得到反卷积算法的稳定解。引入基于多项式优化算法的初始段匹配,减小反卷积算法参数量同时提高算法效率。为了对单波段遥感图像畸变进行估计,提出了改进的卷积神经网络算法对畸变图像进行恢复,同时检测出颤振曲线。为训练模型参数,首先根据畸变的物理原理利用多谐波正弦曲线拟合畸变曲线,通过图像插值算法得到畸变-清晰图像对。利用离散卷积层的学习能力,搭建多层卷积神经网络。引入余量卷积层拟合畸变-清晰图像对的特征差异。同时给出扩展的Sigmoid激活函数增加网络的非线性拟合能力。针对网络参数的训练,设计多项融合损失函数,并利用自训练超参数调节各项损失权重,使网络训练过程更快收敛。同时使用在线图像增强算法避免训练过程中的模型过拟合。提出基于梯度惩罚项的对抗神经网络作为损失函数,引导网络更高效地优化。仿真分析和对比实验证明所提出的损失函数能有效校正畸变图像,并能检测出图像畸变曲线。针对恢复后的畸变图像,引入图像索引算法和图像分割算法,对图像畸变-恢复图像对进行测试,实验结果验证了校正后的畸变图像在图像检测等任务中的精度提升。针对多光谱图像和单波段遥感图像得到的畸变信息,提出一种卡尔曼滤波算法,对多源畸变信息进行融合,进一步提高颤振信息的估计精度及图像恢复质量。针对极端特征下颤振估计算法误差较大的问题,引入一种基于全连接神经网络的模糊星点颤振估计算法,改善颤振估计和畸变图像复原的鲁棒性。
王桢炜[8]（2020）在《基于EMD的多源遥感影像融合的方法研究》文中提出随着遥感技术的飞速发展,遥感数字图像融合已成为航空、卫星图像处理领域的研究重点。遥感数字图像融合不仅能提高影像信息的可利用率,集成源图像的互补信息,降低单个遥感数字图像的差异性,获得信息更丰富、更精确的融合图像,而且融合后的图像信息量丰富,清晰度增强,具有较高的解释能力。本文主要是对同一地物的多光谱图像和全色图像的融合方法进行研究,在传统经验模式分解（Empirical Mode Decomposition,EMD）的基础上,提出了一种基于粒子群优化径向基神经网络权值的插值方法。并以此为基础,针对图像融合提出了一种基于彩色空间（luminance,Hue,Saturation,IHS）变换、小波滤波和改进二维EMD的遥感数字图像融合方法。该融合方法既可以保留融合图像的光谱信息,又可以提高其空间纹理细节信息。本文的主要研究工作和创新点如下:1、叙述了遥感数字图像融合算法的研究背景与意义以及国内外研究现状,讨论了遥感数字图像融合过程中的融合方法、融合规则、融合结果评价标准,最后分析比较了几种常用的图像滤波方法。2、分别介绍了一维EMD和二维EMD的基本原理和实验步骤,并指出二维EMD方法分解过程中需要注意的问题。3、在图像分解的过程中,本文对二维EMD方法进行了改进。针对二维EMD分解过程中包络面的插值拟合方法,以粒子群算法为基础,对径向基神经网络的权值进行优化;经验证,基于粒子群优化径向基神经网络权值的插值方法相比径向基函数插值法,具有插值精度高的优点;最后,使用改进的二维EMD方法分解遥感数字图像时,可以使图像得到充分分解。4、针对遥感数字图像融合,本文提出了一种基于IHS变换、小波滤波和改进二维EMD方法的图像融合方法,并进行了四组仿真实验。实验结果表明:融合图像不仅可以最大程度保留光谱信息,在空间纹理细节信息上相比于原图像也有所提高。最后,通过分析比较四组实验结果以及经过小波滤波后的全色背景图像和高频信息面,得出了本文算法的适用范围,即本文算法适用于地物信息丰富且区别明显的遥感数字图像融合。
朱宏亮[9]（2020）在《高分辨率遥感图像去云技术研究》文中提出现如今高分辨率遥感图像已经广泛应用到各个领域,由于受到光照、大气等外界因素的影响,遥感系统成像时可能出现图像清晰度降低现象,如遥感图像中包含云污染,会影响对地物信息的解译与判读,如果是薄云噪声,可以不需要辅助影像进行降噪处理,而厚云噪声几乎完全遮挡了地物信息,需要借助辅助影像进行云去除。本文提出的对高分辨率可见光遥感图像的薄云与厚云去除技术具有较好的效果与实用性。本文的研究内容主要包括以下两个方面:针对可见光图像中薄云噪声的去除,本文提出了改进的基于多尺度小波分析的去云算法,该算法能改善传统小波法对薄云信息区分的不精确问题。首先利用暗原色先验算法将可见光图像进行暗通道处理得到暗通道图像,然后将可见光图像进行多尺度小波分解,分解后对低层细节系数重构得到高频分量,高频分量对应于图像的地物细节信息,对暗通道图像进行加权处理后与高频分量结合来增强地物信息,对高层细节系数重构得到低频分量,低频分量对应图像的薄云噪声,利用高频强调滤波器进行低频云噪声的抑制,对近似系数进行重构,最后将处理后的高层细节系数重构图、低层细节系数重构图与近似系数重构图进行叠加得到去云图像。针对不同时相的两幅遥感图像中厚云所在位置不同,本文提出了一种基于小波分析的图像融合算法,该算法解决了传统小波融合去云法的云残留问题。由于数据集的空间分辨率高、地物信息明显,本文对融合方式做了改进,主要改进是对低频分量的融合规则,提出了将基于暗通道的云检测算法运用到低频分量的融合规则中,首先将两幅不同时相的图像进行暗通道处理分别得到各自的暗通道图像,然后对两幅图像分别进行小波分解,对各自的低频分量进行重构,通过判断云的位置来融合两幅图的低频分量,对于高频分量则利用局部能量融合算法进行融合,融合后进行重构,最后将融合后的高频分量与低频分量进行叠加得到去云图像。通过实验结果分析,验证了本文提出的算法能够有效去除遥感图像的薄云噪声与厚云噪声。本文对薄云去除的几种方法进行了对比,结果表明本文提出的算法在目视分析与客观评价上都取得较好效果,改善了传统小波法对薄云信息区分的不精确问题。厚云去除后的图像与原始图像的相似度较高,可视性更佳,有效地解决了云残留问题。
吴磊[10]（2019）在《基于注入模型的遥感图像整合方法研究及其应用》文中研究指明遥感图像的分辨率直接影响国土资源信息的全面性和准确性,随着遥感技术的发展,遥感图像在国土资源中的应用越来越广泛,国土资源管理对遥感图像的分辨率有了更高的要求。在实际应用中,由于卫星遥感器的技术受限,多数商业卫星不能提供一幅高空间分辨率多光谱（High-spatial-resolution Multispectral,HRMS）图像。它们只能提供低空间分辨率多光谱（Multispectral,MS）图像和高空间分辨率全色（Panchromatic,PAN）图像。这种由卫星直接成像的MS和PAN图像通常因空间分辨率或光谱分辨率不高无法为国土资源管理提供全面、准确的信息,不能直接用于国土资源信息管理。因此遥感图像融合应运而生。遥感图像融合是两幅或多幅来自同一场景的不同空间分辨率、光谱分辨率或时域分辨率的MS和PAN图像的信息整合过程,其目的是通过融合不同传感器成像的MS和PAN图像互补信息,产生一幅HRMS图像。遥感图像融合技术按照信息表征层次不同,由低到高可分为像素级图像融合、特征级图像融合和决策级图像融合。像素级图像融合是目前研究最广泛,也是最为常用的一类融合,它对各源图像中的像素逐个进行信息融合,能尽可能多地保留源图像中的重要信息,有利于获得对场景更全面、更精确的描述。经过近二十多年的发展,像素级遥感图像融合形成了一个以注入模型为代表的遥感图像融合方案。该方案假定低空间分辨率MS图像丢失的空间信息可以用高空间分辨率PAN图像的空间信息来补偿,提取其高频信息注入到MS图像中获取HRMS图像。注入模型通常包括三个部分:1)高频细节;2)细节接受对象;3)注入效益。现有基于注入模型的遥感图像融合算法存在两大亟需解决的关键问题:1)PAN图像细节与MS图像之间的低相关问题;2)高频细节过度注入问题。本论文针对注入模型算法存在的两大问题,围绕高频细节、细节接受对象及细节注入效益三方面开展探索性研究,提出新的遥感图像融合新方法。论文的主要研究成果如下。（1）提出了基于精炼细节注入的遥感图像融合算法,并对该算法在国土资源管理中的应用进行了分析。该算法针对MS与PAN图像之间存在的全局或局部不相似导致PAN图像高频细节与MS图像低相关问题,围绕注入模型中高频细节参数的改进工作开展研究。算法通过分析PAN和MS图像的特性,并基于àtrous小波变换及引导滤波技术,提出一种基于àtrous小波变换和引导滤波联合的多尺度分析技术,用于提取PAN和MS图像的高频细节,构造一种细节精炼方法。该方法首先基于稀疏表示融合MS和PAN图像的高频细节得到初始联合细节;再基于初始联合细节和PAN图像细节间的相关性及差异设计一个权重因子;最后从初始联合细节和PAN图像细节中提出精炼的联合细节,将精炼的联合细节注入到低空间分辨率MS图像中得到融合图像。实验结果表明,与一系列现有的遥感图像融合方法对比,所提出的遥感图像融合算法能有效克服注入细节与MS图像低相关引起的光谱失真缺陷,在WorldView-2、QuickBird和IKONOS三大遥感图像数据库上表现出优越的性能,而且能有效消除国土资管理中信息获取误差,融合结果能满足国土资源管理需要。（2）提出了基于补偿细节注入的遥感图像融合算法,并对该算法在国土资源管理中的应用进行了分析。高频细节注入在基于注入模型的遥感图像融合算法中扮演着重要角色,获取与细节接受对象高相关的细节直接影响算法的优劣。针对这一问题,论文提出从补偿学习的角度改进注入模型中高频细节参数,用鲁棒稀疏模型分解PAN和MS图像,并基于分解产生的MS和PAN图像细节计算补偿细节,通过增加补偿细节的注入来补偿PAN图像细节的不足,减少融合图像的光谱失真。该方法首先用鲁棒稀疏模型分解源PAN和MS图像,得到PAN和MS图像的低频成分和高频成分,并基于提取到的高频成分计算补偿细节;然后利用引导滤波提取PAN图像高频细节;最后将补偿细节和PAN图像的细节注入到源MS图像中得到融合图像。实验证明所提出的基于补偿细节注入的遥感图像融合算法补偿了源MS图像空间信息,同时避免了融合图像的光谱失真,与现有一系列先进的遥感图像融合算法相比,该算法在很多遥感图像数据库上表现出优越的性能,能解决现有遥感图像融合算法应用于国土资源信息管理中分类准确度不高的问题。（3）提出了基于多光谱图像改进的遥感图像融合算法,并对该算法在国土资源管理中的应用进行了分析。传统的MS全色锐化处理操作通过将PAN图像细节注入到源MS图像中获取HRMS图像。这种处理方式会因PAN图像细节和MS图像间的潜在不匹配及几何结构不一致产生光谱失真。为了克服上述问题,提出评估PAN与其低通子图间的空间差异获取PAN图像细节,并将这些细节注入到一个改进后的低空间分辨率多光谱（Improved Low-spatial-resolution Multispectral,ILRMS）图像中获取HRMS图像。提出的算法致力于改进注入模型中细节接受对象和注入效益两个参数。该算法执行过程中,首先,一对基于低空间分辨率PAN图像及其细节子图的低、高频字典被构建,用低频字典中的原子稀疏地表示LRMS图像,获得LRMS图像的稀疏系数;然后,联合高频字典及LRMS图像的稀疏系数重构源MS图像与PAN低通子图间的差异信息,并注入这些重构的信息到源MS图像得到ILRMS图像;最后,算法基于MS和PAN图像间相关性及差异构建了一个注入效益,将PAN图像细节自适应地注入到ILRMS图像中得到融合图像。实验表明,所提出的算法通过改进源MS图像,使ILRMS图像与PAN图像低通子图的空间分辨率相似,增加了注入细节与MS图像的相关性。同时,算法通过改进注入效益避免了细节的过度注入,大大减少了融合图像的光谱失真,与现有很多遥感图像融合算法相比,其优越的性能在WorldView-2、QuickBird和IKONOS三大遥感图像数据库上表现突出,能给国土资源管理部门提供全面、精准的信息。（4）提出了基于光谱及亮度调制的遥感图像融合算法,并对该算法在国土资源管理中的应用进行了分析。该算法针对注入模型中高频细节容易过度注入及其光谱信息保护不协调容易导致融合图像空间及光谱信息不均匀问题,围绕注入模型中细节接受对象和注入效益两个参数的改进开展研究,提出一种新的基于光谱调制及亮度调制的注入模型。该模型是光谱调制系数与源MS图像、亮度调制系数与PAN图像高频细节的线性联合。提出的算法首先基于PAN与MS图像高频细节差异及MS图像通道间关系构建光谱调制系数,随后将这个系数作用于源MS图像,对融合图像进行光谱调制,从而克服因MS图像像素点亮度改变导致邻域像素值变化引起的光谱失真;然后基于PAN和MS图像间相关性及差异构建亮度调制系数,将这个系数作用于PAN图像高频细节,对融合图像进行亮度调制,克服因细节的过度注入引起的空间失真;最后将光谱和亮度两种调制的作用效果叠加得到融合图像。实验证明,所提出的算法通过对融合图像进行光谱和亮度调制,在增强多光谱图像边缘纹理细节的同时,可调制融合图像的光谱信息,获得较好的融合效果,且该算法计算简单,可有效融合WorldView-2、QuickBird和IKONOS三大遥感图像数据库上的图像,同时其融合的结果所含信息全面、准确。
二、基于小波变换的多源遥感图像的信息融合（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于小波变换的多源遥感图像的信息融合（论文提纲范文）
（1）大豆冠层信息获取图像融合方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无人机低空遥感应用国内外研究现状 |
| 1.2.2 多源遥感图像融合算法国内外研究现状 |
| 1.3 研究的内容、方法以及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 主要研究方法 |
| 1.3.3 技术路线 |
| 2 低空遥感图像融合技术研究 |
| 2.1 遥感图像融合层次划分 |
| 2.1.1 像素级图像融合 |
| 2.1.2 特征级图像融合 |
| 2.1.3 决策级图像融合 |
| 2.2 图像融合质量评价 |
| 2.2.1 主观评价指标 |
| 2.2.2 客观评价指标 |
| 2.3 样本数据选取及分析 |
| 2.3.1 试验地选取 |
| 2.3.2 飞行参数设定 |
| 2.3.3 样本数据确定 |
| 2.4 像素级图像融合算法研究及应用 |
| 2.4.1 基于成分替换的图像融合方法 |
| 2.4.2 基于多尺度分析的图像融合方法 |
| 2.4.3 实验结果分析 |
| 2.5 本章小结 |
| 3 IHS变换和NSCT相结合的图像融合算法研究 |
| 3.1 算法理论基础 |
| 3.1.1 基于IHS变换的分量提取 |
| 3.1.2 非下采样金字塔滤波组 |
| 3.1.3 非下采样方向滤波器组 |
| 3.2 基于IHS变化结合非下采样轮廓波变换融合算法研究 |
| 3.2.1 算法实现过程 |
| 3.2.2 低频子带信息融合规则 |
| 3.2.3 高频子带信息融合规则 |
| 3.3 融合结果分析及效果评价 |
| 3.4 本章小结 |
| 4 实验结果与质量评价 |
| 4.1 边缘轮廓提取验证试验 |
| 4.1.1 基于搜索的边缘检测方法 |
| 4.1.2 基于零交叉的边缘检测方法 |
| 4.1.3 实验结果分析 |
| 4.2 归一化植被指数提取验证试验 |
| 4.2.1 理论基础分析 |
| 4.2.2 试验设计 |
| 4.2.3 数据处理与结果分析 |
| 4.3 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 进一步研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 个人情况 |
| 教育背景 |
| 科研经历 |
| 在学期间发表论文 |
| 专利 |
| 软着 |
（2）光学遥感影像融合参数优化解算与质量评价方法（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 遥感影像融合的目的和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及技术路线 |
| 2 像素级融合算法理论与评价 |
| 2.1 像素级影像融合算法简介 |
| 2.2 成分替代类融合算法 |
| 2.3 多分辨率分析影像融合算法 |
| 2.4 基于模型类融合算法 |
| 2.5 混合方法类融合算法 |
| 2.6 本章小节 |
| 3 SLIC-SVR影像融合算法设计 |
| 3.1 Pansharpening影像融合原理 |
| 3.2 BRSVR算法实验 |
| 3.3 超像素图像分割算法简介 |
| 3.4 SLIC图像分割方法 |
| 3.5 SLIC-SVR算法理论提出与原理 |
| 3.6 本章小节 |
| 4 影像融合质量评价与方法补充 |
| 4.1 影像融合质量评价方法概述 |
| 4.2 图像融合质量评价方法 |
| 4.3 互信息影像评价直方图的设计 |
| 4.4 本章小节 |
| 5 SLIC-SVR影像融合实验与评价 |
| 5.1 实验数据 |
| 5.2 SLIC-SVR影像融合实验结果与分析 |
| 5.3 融合实验细节比较与分析 |
| 5.4 融合影像结果定量评价与比较 |
| 5.5 本章小节 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（3）基于深度卷积生成对抗网络的SAR与可见光融合技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 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 |
| 1.3 论文结构 |
| 第二章 GAN相关原理介绍 |
| 2.1 神经网络技术与生成对抗网络 |
| 2.2 深度卷积生成对抗网络 |
| 2.3 条件生成对抗网络 |
| 2.4 基于图像金字塔的DCGAN |
| 2.5 本章小结 |
| 第三章 中等分辨率SAR与光学图像融合算法设计 |
| 3.1 SO-GAN原理阐述 |
| 3.1.1 算法原理与思路 |
| 3.1.2 算法整体框架 |
| 3.1.3 算法特点与优势 |
| 3.2 SO-GAN算法设计 |
| 3.2.1 生成器网络结构 |
| 3.2.2 判别器网络结构 |
| 3.2.3 损失函数设计 |
| 3.2.4 训练与预测 |
| 3.3 本章小结 |
| 第四章 高分辨率SAR与光学图像融合算法设计 |
| 4.1 HRSO-GAN原理阐述 |
| 4.1.1 高分辨率图像生成任务的挑战 |
| 4.1.2 算法整体框架 |
| 4.1.3 算法特点与优势 |
| 4.2 HRSO-GAN算法设计 |
| 4.2.1 生成器网络结构 |
| 4.2.2 判别器网络结构 |
| 4.2.3 损失函数设计 |
| 4.2.4 训练与预测 |
| 4.3 本章小结 |
| 第五章 图像融合实验与分析 |
| 5.1 数据集 |
| 5.1.1 数据集基本情况 |
| 5.1.2 高分辨率数据集的配准 |
| 5.1.3 高分辨率数据集的增强 |
| 5.2 图像质量评价指标 |
| 5.2.1 融合图像色彩化质量评价指标 |
| 5.2.2 融合图像纹理信息评价指标 |
| 5.3 实验步骤及参数 |
| 5.3.1 中等分辨率图像融合实验 |
| 5.3.2 高分辨率图像融合实验 |
| 5.3.3 基于小波变换的图像融合实验 |
| 5.4 结果分析与讨论 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（4）基于参考影像信息融合的遥感影像云检测和云去除算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 国内外研究概况 |
| 1.2.1 遥感影像云检测算法研究概况 |
| 1.2.2 遥感影像薄云去除算法研究概况 |
| 1.3 论文的主要研究内容与结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构 |
| 第二章 遥感影像云检测算法 |
| 2.1 基于最小二乘向量机的遥感影像云检测算法 |
| 2.1.1 LS-SVM基本原理 |
| 2.1.2 梯度特征 |
| 2.1.3 实验结果及分析 |
| 2.2 基于K-means的遥感影像云检测算法 |
| 2.2.1 K-means聚类算法基本原理 |
| 2.2.2 基于K-means的云检测算法流程 |
| 2.2.3 实验结果及分析 |
| 2.3 基于多时相影像的遥感影像云检测算法 |
| 2.3.1 基于多时相遥感影像的云检测算法原理 |
| 2.3.2 实验结果及分析 |
| 2.4 本章小结 |
| 第三章 遥感影像薄云去除算法 |
| 3.1 基于同态滤波的遥感影像薄云去除算法 |
| 3.1.1 同态滤波去云算法基本原理 |
| 3.1.2 同态滤波去云流程 |
| 3.1.3 实验结果及分析 |
| 3.2 基于图像融合的遥感影像薄云去除算法 |
| 3.2.1 多曝光度图像融合基本原理 |
| 3.2.2 最优权重系数求解 |
| 3.2.3 实验结果及分析 |
| 3.3 基于暗通道先验的遥感影像薄云去除算法 |
| 3.3.1 暗通道先验理论 |
| 3.3.2 基于暗通道先验的去云算法基本原理 |
| 3.3.3 实验结果及分析 |
| 3.4 基于薄云厚度分布评估的遥感影像薄云去除算法 |
| 3.4.1 基于薄云厚度分布评估的薄云去除流程 |
| 3.4.2 基于薄云厚度分布评估的薄云去除流程 |
| 3.4.3 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于参考影像信息融合的云检测算法 |
| 4.1 遥感影像暗图像 |
| 4.2 厚云检测 |
| 4.2.1 初始厚云掩膜估计 |
| 4.2.2 导向滤波器优化 |
| 4.3 薄云检测 |
| 4.3.1 线性拉伸 |
| 4.3.2 基于KPCA算法的薄云检测 |
| 4.4 实验结果及分析 |
| 4.4.1 主观评价 |
| 4.4.2 定量分析 |
| 4.5 本章小结 |
| 第五章 基于参考影像信息融合的薄云去除算法 |
| 5.1 薄云去除算法流程 |
| 5.2 薄云去除模型 |
| 5.3 基于透射率估计的薄云去除 |
| 5.3.1 影像预处理 |
| 5.3.2 基于参考影像估计透射率 |
| 5.3.3 初始薄云去除图像 |
| 5.4 基于图像融合的去云图像重构 |
| 5.4.1 二值薄云分布掩膜估计 |
| 5.4.2 小波图像融合 |
| 5.5 实验结果及分析 |
| 5.5.1 主观评价 |
| 5.5.3 定量分析 |
| 5.6 本章小结 |
| 第六章 基于选择多源全变分模型的厚云去除算法 |
| 6.1 选择多源全变分图像重建模型 |
| 6.2 基于SMTV模型的厚云去除 |
| 6.2.1 影像亮度校正 |
| 6.2.2 确定像素权重矩阵 |
| 6.2.3 SMTV模型求解 |
| 6.2.4 泊松图像编辑 |
| 6.3 实验结果与分析 |
| 6.3.1 主观评价 |
| 6.3.2 定量分析 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者在攻读硕士学位期间公开发表的论文 |
| 作者在攻读硕士学位期间所作的项目 |
| 致谢 |
（5）基于多尺度下结构组稀疏表示的图像融合方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 图像融合的研究背景及其意义 |
| 1.2 图像融合的发展现状 |
| 1.2.1 图像融合的发展概况 |
| 1.2.2 图像融合普遍存在的问题 |
| 1.3 本文研究内容及创新点 |
| 1.4 本文各章节布局 |
| 第二章 图像融合基本理论 |
| 2.1 图像融合的简单概述 |
| 2.2 图像融合的层次分类 |
| 2.3 传统的图像融合方法 |
| 2.4 图像融合质量好坏评价 |
| 2.5 本章小结 |
| 第三章 基于多尺度的图像融合方法研究 |
| 3.1 多尺度分析的基本简介 |
| 3.2 小波的理论基础 |
| 3.2.1 连续小波变换 |
| 3.2.2 离散小波变换 |
| 3.3 小波变换的图像融合方法 |
| 3.3.1 小波在图像中的变换 |
| 3.3.2 小波在图像中的分解算法 |
| 3.3.3 基于小波变换的图像融合方法 |
| 3.4 复小波的理论基础 |
| 3.4.1 复小波变换理论基础 |
| 3.4.2 一维DT-CWT变换 |
| 3.4.3 二维DT-CWT变换 |
| 3.5 改进的DT-CWT变换的图像融合方法 |
| 3.5.1 改进的DT-CWT变换图像融合规则 |
| 3.5.2 改进的DT-CWT变换的低频分量融合规则 |
| 3.5.3 改进的DT-CWT变换的高频分量融合规则 |
| 3.6 实验结果及分析 |
| 3.7 本章小结 |
| 第四章 基于多尺度下结构组稀疏表示的图像融合方法研究 |
| 4.1 稀疏表示的理论基础 |
| 4.1.1 传统图像稀疏表示 |
| 4.1.2 图像稀疏表示系数的求解算法 |
| 4.1.3 图像稀疏表示过完备字典的构造 |
| 4.2 图像结构组稀疏表示理论 |
| 4.2.1 图像结构组的模型 |
| 4.2.2 图像结构组稀疏表示模型 |
| 4.3 基于DT-CWT与结构组稀疏表示的图像融合 |
| 4.3.1 DT-CWT—SGSR图像融合的方法 |
| 4.3.2 DT-CWT—SGSR图像融合规则 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 总结及展望 |
| 5.1 本文总结 |
| 5.2 下一步的工作 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间学术成果 |
（6）基于CLIT-FCNN的遥感图像融合算法（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 遥感图像融合研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文组织结构 |
| 第2章 相关理论基础介绍 |
| 2.1 遥感图像融合处理流程 |
| 2.1.1 图像预处理 |
| 2.1.2 图像配准和增强 |
| 2.1.3 遥感图像融合算法 |
| 2.1.4 融合图像质量评价 |
| 2.1.5 融合图像应用 |
| 2.2 遥感图像融合算法 |
| 2.1.1 IHS变换融合算法 |
| 2.1.2 PCA融合方法 |
| 2.1.3 Brovey变换融合方法 |
| 2.1.4 高通滤波器融合方法 |
| 2.1.5 拉普拉斯金字塔分解融合方法 |
| 2.1.6 小波变换融合方法 |
| 2.1.7 NSCT融合方法 |
| 2.3 卷积神经网络 |
| 2.4 U-NET |
| 2.5 本章小结 |
| 第3章 遥感图像融合算法CLIT-FCNN |
| 3.1 基于CLIT-FCNN的融合算法 |
| 3.1.1 总体思路 |
| 3.1.2 网络结构 |
| 3.2 CLIT-FCNN融合算法整体框架 |
| 3.3 本章小结 |
| 第4章 实验结果与分析 |
| 4.1 训练集构建 |
| 4.2 实验配置 |
| 4.2.1 实现细节 |
| 4.2.2 模型训练 |
| 4.3 CLIT-FCNN算法实验结果 |
| 4.3.1 DEIMOS-2 卫星融合结果 |
| 4.3.2 QuickBird卫星融合结果 |
| 4.3.3 高分二号卫星融合结果 |
| 4.3.4 实验结果总结 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（7）基于推扫式星载相机的颤振估计和图像补偿（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 卫星平台颤振的理论研究 |
| 1.2.2 遥感图像的云检测 |
| 1.2.3 多光谱图像的颤振估计 |
| 1.2.4 单波段遥感图像颤振估计 |
| 1.2.5 基于模糊星点的颤振分析 |
| 1.3 本文的主要内容 |
| 第2章 颤振估计数据预处理 |
| 2.1 引言 |
| 2.2 数据集介绍和预处理 |
| 2.2.1 畸变检测数据集 |
| 2.2.2 云检测数据集 |
| 2.3 遥感图像云检测 |
| 2.3.1 轻量级U-net算法 |
| 2.3.2 离散小波变换算法 |
| 2.3.3 云检测结果和分析 |
| 2.4 本章小结 |
| 第3章 多光谱视差遥感图像颤振估计 |
| 3.1 引言 |
| 3.2 视差图像配准算法 |
| 3.2.1 多光谱推扫式相机的原理 |
| 3.2.2 视差图像配准模型 |
| 3.2.3 相位相关法 |
| 3.2.4 归一化互相关法 |
| 3.2.5 改进的Lucas-Kanade方法 |
| 3.3 相对像素位移反卷积 |
| 3.3.1 多项式优化方法 (POM) |
| 3.3.2 傅里叶变换方法 (FTM) |
| 3.4 基于SVR的预测模型 |
| 3.5 卫星平台光学载荷运动模型 |
| 3.6 仿真结果及误差分析 |
| 3.6.1 图像配准算法分析 |
| 3.6.2 反卷积转换仿真结果 |
| 3.6.3 SVR预测及模型转换仿真结果 |
| 3.6.4 吉林一号实验结果 |
| 3.7 本章小结 |
| 第4章 单波段遥感图像颤振估计 |
| 4.1 引言 |
| 4.2 基于卷积神经网络的畸变检测 |
| 4.2.1 损失函数分析 |
| 4.3 IJC-net实验结果和分析 |
| 4.3.1 Pattern Net数据集的测试结果 |
| 4.3.2 遥感26号数据集实验结果 |
| 4.4 基于对抗神经网络的畸变检测 |
| 4.4.1 生成对抗损失 |
| 4.4.2 图像内容损失 |
| 4.4.3 姿态损失 |
| 4.4.4 图像区域选择 |
| 4.5 Restore GAN实验结果和分析 |
| 4.5.1 不同频率和振幅下的恢复结果 |
| 4.5.2 图像恢复实验结果 |
| 4.6 本章小结 |
| 第5章 图像颤振信息融合分析 |
| 5.1 引言 |
| 5.2 颤振信息的图像恢复验证 |
| 5.3 图像颤振信息的融合 |
| 5.3.1 颤振估计信息融合 |
| 5.4 基于模糊星点图的颤振估计 |
| 5.4.1 星点质心运动模型 |
| 5.4.2 模糊星图处理 |
| 5.4.3 实验结果和分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（8）基于EMD的多源遥感影像融合的方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 经验模态分解研究现状 |
| 1.2.2 其它图像融合方法研究现状 |
| 1.3 图像融合概述 |
| 1.3.1 融合方法 |
| 1.3.2 融合规则 |
| 1.3.3 融合评价 |
| 1.4 研究的主要内容及论文结构 |
| 2 相关理论基础 |
| 2.1 一维EMD基本原理 |
| 2.1.1 瞬时频率 |
| 2.1.2 时间尺度 |
| 2.1.3 固有模态函数 |
| 2.1.4 一维EMD分解过程 |
| 2.2 二维EMD基本原理 |
| 2.2.1 二维EMD分解过程 |
| 2.2.2 二维EMD分解中的关键问题 |
| 2.3 本章小结 |
| 3 改进的二维EMD方法及其在图像分解中的应用 |
| 3.1 改进的径向基插值算法 |
| 3.1.1 粒子群算法 |
| 3.1.2 基于粒子群算法优化RBF网络权值 |
| 3.2 分量融合规则 |
| 3.3 改进二维EMD方法的分解过程 |
| 3.3.1 改进二维EMD方法实现过程 |
| 3.3.2 改进二维EMD方法的仿真实验 |
| 3.4 本章小结 |
| 4 基于改进二维EMD的遥感数字图像融合 |
| 4.1 遥感数字图像融合过程 |
| 4.1.1 遥感数字图像融合步骤 |
| 4.1.2 图像滤波实验及评价结果 |
| 4.2 数据来源 |
| 4.3 遥感数字图像融合实验及评价结果 |
| 4.3.1 遥感数字图像融合的仿真实验 |
| 4.3.2 遥感数字图像融合结果评价 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（9）高分辨率遥感图像去云技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感图像薄云去除研究现状 |
| 1.2.2 遥感图像厚云去除研究现状 |
| 1.3 遥感图像去云技术的问题与难点 |
| 1.3.1 遥感图像薄云去除算法的问题与难点 |
| 1.3.2 遥感图像厚云去除算法的问题与难点 |
| 1.4 本文内容及组织结构 |
| 第2章 遥感图像去云相关理论与技术 |
| 2.1 遥感图像的云模型 |
| 2.1.1 大气中云的形成 |
| 2.1.2 遥感图像中云噪声特征 |
| 2.1.3 遥感图像中云噪声模型 |
| 2.2 遥感图像成像原理 |
| 2.2.1 数字成像系统的线性模型 |
| 2.2.2 遥感图像数字成像系统模型 |
| 2.2.3 图像退化/复原模型 |
| 2.3 遥感图像去云相关技术 |
| 2.3.1 多分辨率分析 |
| 2.3.2 暗通道先验原理 |
| 2.3.3 图像融合技术 |
| 2.3.4 区域检测技术 |
| 2.3.5 图像配准技术 |
| 2.4 本章小结 |
| 第3章 高分辨率遥感图像去云算法研究 |
| 3.1 遥感图像薄云去除算法 |
| 3.1.1 算法基本思想 |
| 3.1.2 算法整体框架 |
| 3.1.3 数字图像的小波分解 |
| 3.1.4 抑制低频分量 |
| 3.1.5 增强高频分量 |
| 3.2 遥感图像厚云去除算法 |
| 3.2.1 算法基本思想 |
| 3.2.2 算法整体框架 |
| 3.2.3 遥感影像配准 |
| 3.2.4 云区域检测 |
| 3.2.5 影像融合规则 |
| 3.3 本章小结 |
| 第4章 实验结果及分析 |
| 4.1 引言 |
| 4.2 遥感图像薄云去除的实验结果及分析 |
| 4.2.1 实验环境及内容 |
| 4.2.2 评价指标 |
| 4.2.3 实验结果分析 |
| 4.2.4 对比实验结果分析 |
| 4.3 遥感图像厚云去除的实验结果及分析 |
| 4.3.1 图像融合评价指标 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（10）基于注入模型的遥感图像整合方法研究及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 遥感图像融合的研究背景 |
| 1.1.2 遥感图像融合的研究意义 |
| 1.2 遥感图像融合层级结构 |
| 1.3 像素级遥感图像融合算法概述 |
| 1.3.1 基于成分替代的遥感图像融合算法 |
| 1.3.2 基于多分辨率分析的遥感图像融合算法 |
| 1.3.3 基于模型的遥感图像融合算法 |
| 1.3.4 基于人工神经网络的遥感图像融合算法 |
| 1.3.5 基于混合技术的遥感图像融合算法 |
| 1.3.6 遥感图像融合存在的问题 |
| 1.4 遥感图像特性分析 |
| 1.4.1 WorldView-2 卫星图像特性 |
| 1.4.2 IKONOS卫星图像特性 |
| 1.4.3 QuickBird卫星图像特性 |
| 1.5 遥感图像融合质量评价 |
| 1.5.1 有参考图遥感图像融合质量评价 |
| 1.5.2 无参考图遥感图像融合质量评价 |
| 1.6 本论文创新点与结构安排 |
| 1.6.1 论文创新点 |
| 1.6.2 论文结构安排 |
| 第2章 注入模型 |
| 2.1 引言 |
| 2.2 注入模型融合方案 |
| 2.3 图像预处理 |
| 2.3.1 重采样 |
| 2.3.2 直方图匹配 |
| 2.4 成分替代技术 |
| 2.4.1 亮度-色度-饱和度变换 |
| 2.4.2 主成分分析 |
| 2.5 基于成分替代的注入模型 |
| 2.6 多分辨率分析技术 |
| 2.6.1 小波变换 |
| 2.6.2 滤波技术 |
| 2.6.3 稀疏表示理论 |
| 2.7 基于多分辨率分析的注入模型 |
| 2.8 本章小节 |
| 第3章 基于精炼细节注入的遥感图像融合算法及其应用 |
| 3.1 引言 |
| 3.2 细节精炼关键技术 |
| 3.2.1 à trous小波变换 |
| 3.2.2 引导滤波 |
| 3.2.3 稀疏表示 |
| 3.2.4 字典学习 |
| 3.3 基于精炼细节注入的遥感图像融合算法框架 |
| 3.4 基于精炼细节注入的遥感图像融合算法 |
| 3.4.1 基于àtrous小波变换及引导滤波的高频细节提取 |
| 3.4.2 稀疏融合获取初始联合细节 |
| 3.4.3 基于自适应权重因子精炼算法获取精炼联合细节 |
| 3.4.4 基于边缘信息保护的细节注入 |
| 3.4.5 精炼细节性能测试 |
| 3.5 实验结果及其应用分析 |
| 3.5.1 仿真图像实验结果及其应用分析 |
| 3.5.2 真实图像实验结果及其应用分析 |
| 3.5.3 算法综合性能评价 |
| 3.5.4 应用示例:算法在城区地物分类管理中的应用 |
| 3.6 本章小结 |
| 第4章 基于补偿细节注入的遥感图像融合算法及其应用 |
| 4.1 引言 |
| 4.2 补偿细节提取关键技术 |
| 4.2.1 基于补偿细节的注入模型 |
| 4.2.2 鲁棒稀疏模型 |
| 4.2.3 鲁棒稀疏模型性能 |
| 4.3 基于补偿细节注入的遥感图像融合算法框架 |
| 4.4 基于补偿细节注入的遥感图像融合算法 |
| 4.4.1 鲁棒稀疏模型重建补偿细节 |
| 4.4.2 全色图像高频细节提取 |
| 4.4.3 补偿细节与全色图像高频细节的联合注入 |
| 4.4.4 鲁棒稀疏模型中方形窗尺寸讨论 |
| 4.4.5 补偿细节性能 |
| 4.5 实验结果及其应用分析 |
| 4.5.1 仿真图像实验结果及其应用分析 |
| 4.5.2 真实图像实验结果及其应用分析 |
| 4.5.3 算法综合性能评价 |
| 4.5.4 应用示例:算法用于山川、河流管理 |
| 4.6 本章小结 |
| 第5章 基于多光谱图像改进的遥感图像融合算法及其应用 |
| 5.1 引言 |
| 5.2 多光谱图像改进关键技术 |
| 5.2.1 基于多光谱图像改进的注入模型 |
| 5.2.2 基于稀疏表示的字典学习 |
| 5.3 基于多光谱图像改进的遥感图像融合算法框架 |
| 5.4 基于多光谱图像改进的遥感图像融合算法 |
| 5.4.1 低空间分辨率多光谱图像性能改进 |
| 5.4.2 基于改进的多光谱图像的细节注入 |
| 5.4.3 改进的多光谱图像的性能 |
| 5.5 实验结果及其应用分析 |
| 5.5.1 仿真图像实验结果及其应用分析 |
| 5.5.2 真实图像实验结果及其应用分析 |
| 5.5.3 算法综合性能评价 |
| 5.5.4 应用示例:算法用于林业分类管理 |
| 5.6 本章小结 |
| 第6章 基于光谱及亮度调制的遥感图像融合算法及其应用 |
| 6.1 引言 |
| 6.2 基于光谱及亮度调制的遥感图像融合算法关键技术 |
| 6.2.1 光谱调制 |
| 6.2.2 亮度调制 |
| 6.2.3 光谱及亮度调制观测模型 |
| 6.3 光谱及亮度调制的遥感图像融合算法框架 |
| 6.4 基于光谱及亮度调制的遥感图像融合算法 |
| 6.4.1 构建光谱调制系数 |
| 6.4.2 构建亮度调制系数 |
| 6.4.3 光谱调制系数及亮度调制系数性能 |
| 6.5 实验结果及其应用分析 |
| 6.5.1 仿真图像实验结果及其应用分析 |
| 6.5.2 真实图像实验结果及其应用分析 |
| 6.5.3 算法综合性能评价 |
| 6.5.4 应用示例:算法用于城区地物分类管理 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 致谢 |
四、基于小波变换的多源遥感图像的信息融合（论文参考文献）
- [1]大豆冠层信息获取图像融合方法研究[D]. 刘春鹏. 黑龙江八一农垦大学, 2021(10)
- [2]光学遥感影像融合参数优化解算与质量评价方法[D]. 赵铮. 山东科技大学, 2020(06)
- [3]基于深度卷积生成对抗网络的SAR与可见光融合技术研究[D]. 张演康. 北京邮电大学, 2020(05)
- [4]基于参考影像信息融合的遥感影像云检测和云去除算法研究[D]. 王睿. 上海大学, 2020(02)
- [5]基于多尺度下结构组稀疏表示的图像融合方法研究[D]. 杨进. 昆明理工大学, 2020(04)
- [6]基于CLIT-FCNN的遥感图像融合算法[D]. 王明丽. 吉林大学, 2020(08)
- [7]基于推扫式星载相机的颤振估计和图像补偿[D]. 张兆祥. 哈尔滨工业大学, 2020(01)
- [8]基于EMD的多源遥感影像融合的方法研究[D]. 王桢炜. 华北水利水电大学, 2020(01)
- [9]高分辨率遥感图像去云技术研究[D]. 朱宏亮. 哈尔滨工程大学, 2020(05)
- [10]基于注入模型的遥感图像整合方法研究及其应用[D]. 吴磊. 江西财经大学, 2019(07)