基于多尺度变换和稀疏表示的遥感图像融合算法研究

基于多尺度变换和稀疏表示的遥感图像融合算法研究

本文以宁夏工业固体废物环境监测为背景,针对工业固体废物对遥感图像清晰度要求高的特点,研究了高分辨率全色图像和多光谱图像的融合算法。将高分辨率全色图像与多光谱图像进行融合,使融合后的图像既具有全色图像较高的空间分辨率又包含多光谱图像丰富的光谱分辨率,这样可以克服单一传感器在光谱、空间分辨率等方面的差异和局限性。论文首先研究了基于双树复小波变换和稀疏表示相结合的融合算法,该算法采用双树复小波方法对高分辨率全色图像和多光谱图像进行分解,分解后获得高频子带和低频子带;然后采用稀疏表示方法对低频子带提取细节并融合,采用局部能量取大和加权平均相结合的融合策略对高频子带进行融合;最后,对融合后的子带进行双树复小波逆变换,重构得到最终的融合图像。实验结果表明,与双树复小波变换、稀疏表示、曲波变换等算法相比,本算法有较好的图像融合效果。论文其次研究了基于剪切波变换和稀疏表示相结合的融合算法,该算法采用剪切波变换方法对高分辨率全色图像和多光谱图像进行分解,分解后得到高频系数和低频系数;然后,对低频系数进行平均融合,结合K_SVD算法得到过完备字典,计算融合系数的绝对值,依次对应地选取绝对值较大的融合系数来获得新的低频子带系数;采用基于SML的融合规则对高频系数进行融合。最后,利用非下采样剪切波逆变换来处理融合后的低频系数和高频系数来得到最终的融合图像。非下采样剪切波变换具有多尺度、多方向及平移不变的特性,可使融合后的图像保留源图像中更多的细节信息,有效地消除频率混叠。实验结果表明,两种融合方法优于其他传统融合方法,在图像清晰度、光谱信息保留的能力、噪声控制能力等方面均比其他传统融合方法好。本文还在以上融合算法的基础上实现了具有可视化界面的遥感图像融合系统,为本文融合算法的研究提供了友好的界面。

基本信息

题目基于多尺度变换和稀疏表示的遥感图像融合算法研究
文献类型硕士论文
作者梁开阳
作者单位北方民族大学
导师保文星,林卫公
文献来源北方民族大学
发表年份2020
学科分类工程科技Ⅱ辑,信息科技
专业分类工业通用技术及设备,自动化技术
基金国家自然科学基金项目“基于遥感的宁夏工业固体废物环境监测研究”
分类号TP751
关键词多光谱图像,全色图像,双树复小波变换,稀疏表示,非下采样剪切波
总页数:81
文件大小:6880K

论文目录

摘要
Abstract
第一章 绪论
  1.1 研究背景及目的意义
  1.2 国内外研究现状及发展
  1.3 研究的主要内容与论文框架
第二章 遥感图像融合相关理论
  2.1 图像融合的三个层次
  2.2 多尺度变换理论基础
  2.3 稀疏表示理论
  2.4 图像融合评价相关参数
  2.5 本章小结
第三章 双树复小波变换和稀疏表示结合的融合算法
  3.1 基本理论
  3.2 基于双树复小波变换和稀疏表示结合的融合算法
  3.3 实验对比与评价
  3.4 本章小结
第四章 非下采样剪切波变换和稀疏表示结合的融合算法
  4.1 基本理论
  4.2 非下采样剪切波变换和稀疏表示结合的融合算法
  4.3 实验结果与评价
  4.4 本文主要算法的实验对比与分析
  4.5 本章小结
第五章 遥感图像融合系统的实现
  5.1 遥感图像融合系统概述
  5.2 遥感图像融合系统的设计与实现
  5.3 本章小结
第六章 总结与展望
  6.1 本文工作总结
  6.2 研究展望
参考文献
致谢
个人简介

参考文献

[1] 稀疏表示下的超声信号处理研究及应用[J]. 新型工业化 2020(06)
[2] 基于稀疏表示的拉普拉斯稀疏字典图像分类(英文)[J]. Frontiers of Information Technology & Electronic Engineering 2017(11)
[3] 改进稀疏表示的人脸识别在高校管理中的应用[J]. 计算机与数字工程 2018(11)
[4] 基于稀疏表示的联合多通道肌电信号手势识别[J]. 微型机与应用 2017(17)
[5] 基于类内稀疏表示的人脸识别[J]. 科技展望 2015(32)
[6] 一种基于复合稀疏表示的阿尔茨海默病的诊断方法[J]. 生物医学工程研究 2016(01)
[7] 基于局部敏感核稀疏表示的视频跟踪[J]. 电子与信息学报 2016(04)
[8] 信号稀疏表示下的空域-极化域参数估计[J]. 吉林大学学报(工学版) 2020(03)
[9] 基于卷积稀疏表示的图像融合方法[J]. 导航与控制 2020(02)
[10] 基于对称正定流形潜在稀疏表示分类算法[J]. 软件学报 2020(08)
[11] 高光谱遥感影像稀疏表示与字典学习分类研究[J]. 地理与地理信息科学 2019(01)
[12] 基于稀疏表示理论的优化算法综述[J]. 测绘地理信息 2019(04)
[13] 改进稀疏表示算法在人脸识别中的应用[J]. 计算机工程与应用 2019(14)
[14] 基于字典学习和局部约束的稀疏表示人脸识别[J]. 电脑知识与技术 2018(05)
[15] 基于典型相关性分析的稀疏表示目标追踪[J]. 电子与信息学报 2018(07)
[16] 非负谱稀疏表示的高光谱成像中的异常检测[J]. 红外与激光工程 2016(S2)
[17] 基于分类冗余字典稀疏表示的图像压缩方法[J]. 计算机工程 2017(09)
[18] 基于自步学习的加权稀疏表示人脸识别方法[J]. 计算机应用 2017(11)
[19] 改进的两阶段协作稀疏表示分类器[J]. 南阳理工学院学报 2016(02)
[20] 基于低秩分解的联合动态稀疏表示多观测样本分类算法[J]. 电子学报 2015(03)
[21] 复杂场景下声频传感器网络核稀疏表示车辆识别[J]. 西安电子科技大学学报 2015(04)
[22] 基于非负稀疏表示的遮挡人耳识别[J]. 计算机辅助设计与图形学学报 2014(08)
[23] 一种局部敏感的核稀疏表示分类算法[J]. 光电子.激光 2014(09)
[24] 基于多重核的稀疏表示分类[J]. 电子学报 2014(09)
[25] 基于信号稀疏表示的形态成分分析:进展和展望[J]. 电子学报 2009(01)
[26] 卷积稀疏表示图像融合与超分辨率联合实现[J]. 光学技术 2020(02)
[27] 高光谱图像分类的融合分层深度网络联合稀疏表示算法[J]. 模式识别与人工智能 2020(04)
[28] 基于稀疏表示的球面梯度下降算法[J]. 浙江理工大学学报(自然科学版) 2020(05)
[29] 基于稀疏表示的多文档自动摘要[J]. 计算机科学 2020(S2)
[30] 基于核稀疏表示的多模身份识别算法[J]. 电子设计工程 2019(01)

相似文献

[1]基于稀疏表示的高光谱图像分类方法研究[D]. 周艳发.重庆邮电大学2018
[2]基于稀疏表示的高光谱图像目标检测[D]. 侯雨含.山东科技大学2018
[3]基于多任务联合稀疏表示的高光谱图像分类算法研究[D]. 贾立丽.中国科学院大学(中国科学院国家空间科学中心)2019
[4]基于稀疏表示的高光谱图像目标检测研究[D]. 孟美玲.哈尔滨工程大学2018
[5]基于稀疏表示的图像融合算法[D]. 张佳娥.长沙理工大学2017
[6]基于稀疏表示的遥感目标分类识别研究[D]. 王艳然.长沙理工大学2017
[7]基于稀疏表示的高光谱图像异常检测算法及其优化研究[D]. 孙邱鹏.哈尔滨工业大学2018
[8]基于压缩感知的遥感视频成像理论与方法研究[D]. 安文.国防科学技术大学2016
[9]基于核稀疏表示的高光谱图像分类[D]. 徐春华.湖北大学2018
[10]基于联合稀疏表示的高光谱遥感图像分类[D]. 李佳逊.长安大学2018
了解 【学习考试】更多文章
基于多尺度变换和稀疏表示的遥感图像融合算法研究
下载Doc文档

猜你喜欢