一、基于图像融合提高图像空间分辨率技术研究（论文文献综述）
苗馨远,张晔,张钧萍[1]（2021）在《多分辨率低秩导向滤波的热红外图像空间融合》文中研究指明热红外遥感图像由于其特定的成像方式,包含目标特有的发射率及温度等特征。然而,热红外遥感图像较低的空间分辨率却限制了其广泛应用。随着遥感技术的发展,同一区域获得的多源遥感图像可以提供更为完备的目标信息,使得利用多源融合技术实现热红外图像空间分辨率增强与亚像素级特征提取成为可能。为此,本文提出了一种基于多分辨率自适应低秩表达与残差信息迁移的热红外图像空间超分辨算法,该算法通过可见光与热红外图像融合的方式实现热红外图像空间特性的自适应融合增强。本文算法优势主要体现在以下几个方面:（1）基于多分辨率的超像素分割,使用超像素块代替传统的方块作为低秩恢复单元,自适应地调整单元内空间特性以保持单元内地物类型的稳定并抑制结构性噪声;（2）通过构建导向线性滤波器,在保护热红外图像光谱信息的前提下,实现可见光图像精细空间特征向热红外图像的迁移;（3）在低分辨层建立增强热红外图像残差与可见光图像残差之间关联并迁移至高分辨层,在保证超分辨图像细节信息的前提下,实现热红外图像空间超分辨。为了验证算法的有效性,本文采用2014年IGARSS数据融合竞赛提供的可见光与热红外实验数据进行实验,并与融合竞赛中表现最为优异的监督图特征融合方法进行比较,并从温度反演精度以及分类精度两个方面评价超分辨效果。实验结果表明,本文提出的方法其噪声抑制效果、空间平滑效果、边缘锐化效果更为优异,超分辨热红外图像有着更为精细的空间信息,并且对于不同区域类型均能较好的保护热红外图像光谱信息。对于不同地物类型,融合超分辨图像有较高的亚像素温度反演精度以及更高的分类精度,其温度反演误差小于1 K,总体分类精度较原热红外图像提升20%以上。
刘中法,杨艺哲,方宇,吴晓静,朱思伟,杨勇[2]（2021）在《基于卷积神经网络的细胞折射率显微图像和明场显微图像的融合方法》文中研究说明为了改善细胞折射率显微成像的质量,提高特征的辨识度,本文提出了一种基于卷积神经网络算法的细胞折射率显微图像和明场显微图像的融合方法,该方法克服了传统融合方法人工制定融合规则的困难,通过训练数据学习自适应强鲁棒融合函数,获得了更佳的融合效果。主观和客观评价结果表明,该方法有效地改善了细胞折射率显微图像的分辨率,提升了特征辨识度。
王海荣,郭擎,李安[3]（2021）在《波段自适应细节注入的高分五号与Sentinel-2遥感影像空谱融合》文中研究说明目的针对当前空谱融合方法应用到高光谱图像融合时,出现的空间细节信息提升明显但光谱失真,或者光谱保真度高但空间细节信息提升不足的问题,本文提出一种波段自适应细节注入的高分五号（GF-5）高光谱图像（30 m）与Sentinel-2多光谱图像（10 m）的遥感影像空谱融合方法。方法首先,为了解决两个多波段图像不便于直接融合的问题,提出一种波段自适应的融合策略,对多光谱图像波谱范围以外的高光谱图像波段,以相关系数为标准将待融合图像进行分组。其次,针对传统Gram-Schmidt（GS）融合方法用平均权重系数模拟低分辨率图像造成的光谱失真问题,使用最小均方误差估计计算线性拟合系数,再将拟合图像作为第1分量进行GS正变换,提升融合图像的光谱保真度。最后,为了能同时注入更多的空间细节信息,通过非下采样轮廓波变换将拟合图像、空间细节信息图像和多光谱图像的空间、光谱信息融入到重构的高空间分辨率图像中,再将其与其他GS分量一起进行逆变换,最终得到10 m分辨率的GF-5融合图像。结果通过与当前用于高光谱图像空谱融合的典型方法比较,本文方法对于受时相影响较小的城镇区域,在提升空间分辨率的同时有较好的光谱保真度,且不会出现噪点;对于受时相变化影响大的植被密集区域,本文方法融合图像有较好的清晰度和地物细节信息,且没有噪点出现。本文方法的CC（correlation coefficient）、ERGAS（erreur relative globale adimensionnelle de synthèse）和SAM（spectral angle mapper）相比于传统GS方法分别提升8%、26%和28%,表明本文方法的光谱保真度大大提高。结论本文方法的结果空间上没有噪点且光谱曲线与原始光谱曲线基本保持一致,是一种兼具高空间分辨率和高光谱保真度的高光谱图像融合方法。
陶陈凝[4]（2021）在《基于压缩感知的光谱成像系统和重构算法研究》文中进行了进一步梳理光谱成像技术结合成像技术和光谱技术,同时获取具有目标物体空间和光谱信息的三维数据立方体。从图像的光谱数据立方体中可以获取每个空间像素的光谱曲线,也可以获得每个光谱通道的强度图像。基于光谱图像所提供的丰富信息,光谱成像技术在遥感、农业、生物、医学和军事等领域均具有重要的应用价值。区别于传统的采用空间或光谱扫描的光谱成像技术,基于压缩感知理论的光谱成像技术通过压缩采样、计算重构的方式实现了非扫描的高效率光谱成像。压缩光谱成像的技术关键在于压缩采样成像和压缩感知重构两个过程,其中压缩采样成像需要通过光学系统对目标物体的三维数据立方体进行空间和光谱维度的编码与混叠,而压缩感知重构则从成像结果中复原出光谱图像,采样和重构的过程共同决定了压缩光谱成像的采样效率和成像质量。本文围绕编码孔径压缩光谱成像和单像素压缩光谱成像这两种压缩光谱成像技术,结合压缩感知中的相干性理论,从光学系统和压缩重构算法两个方面开展研究。首先,本文提出了基于编码孔径快照式光谱仪（CASSI）和RGB联合成像的系统,及用于联合成像测量结果重构的前融合和后融合算法。CASSI和RGB联合成像的系统充分结合了 CASSI系统的在光谱维度高保真度的优势以及RGB成像的在空间维度高准确度的特点,相比于单独成像获取了更多有效信息。前融合算法通过合并联合成像系统的系统矩阵提升了压缩感知重构的效率,而后融合算法借助引导滤波提升了成像的光谱与空间分辨能力。然后,本文基于压缩感知理论中的相干性最小化原则,提出了使用RGB成像元件的双色散型结构的CASSI系统具有最低的相干性,引入Frobenius范数形式的感知相干性作为优化目标,通过遗传算法和梯度下降算法分别实现编码孔径和稀疏表示字典的优化。经过优化的RGB成像双色散型结构的CASSI系统具有非常高的压缩感知采样效率和光谱成像质量。并且,本文提出了基于颜色传感器的无透镜压缩单像素光谱成像系统,及基于相干性最小化的结构照明空间图案与稀疏表示字典的同时优化算法。在该系统中,分别使用结构照明和颜色传感器完成空间调制和光谱调制,实现了无透镜、低成本、高稳定性的光谱成像;而优化算法实现了结构照明图案与稀疏表示字典的相互适应,以充分利用光谱图像在光谱与空间维度的稀疏特性,提升重构光谱图像的质量。最后,分析了目前压缩光谱成像技术的不足,并展望了其发展前景,对未来压缩光谱成像技术的进一步研究工作提供了方向。
杨飞霞[5]（2020）在《遥感图像特征提取与融合方法的研究》文中指出随着微电子与传感器技术的不断发展,遥感卫星的图像采集能力日益增强,可以获取全色图、多光谱、高光谱等多种类型图像,并且其光谱分辨率、空间分辨率等方面都得到显着的提升。高光谱图像包含丰富的光谱信息与空间分布信息,具有极强的地物探测能力,被广泛应用到地表矿物探测、环境监测、军事目标检测与分析等领域。然而,由于传感器工艺以及技术等因素制约,全色图像仅含有一个光谱波段但空间分辨率较高,多光谱图像空间分辨率较低但包含几个至十几个波段,而高光谱图像包含几十至数百个波段但空间分辨率很低。因此,高光谱图像中存在大量的混合像元,这为图像处理带来两大问题:一是如何从高光谱混合像元中准确地提取图像所包含物质（端元）的光谱特征及相应的空间分布（丰度）;二是如何提升高光谱图像的空间分辨率,尽可能地减少混合像元。高光谱图像的特征提取即为光谱解混过程,而基于光谱解混的图像融合则是获取高光谱超分辨率图像一条非常有效的途径。此外,高光谱与多光谱图像都是立方体数据,利用矩阵分解实现特征提取与图像融合时需要将三维数据展开成矩阵形式,这将导致部分数据结构信息丢失等问题。本论文在光谱解混的框架下,利用凸几何理论中最小体积准则,深入挖掘遥感图像光谱特征与空间特征的内在关系,研究了基于空谱正则化的特征提取方法;并且在非负矩阵分解与低秩张量分解的基础上,利用近似最小体积、各向异性总变分、低秩稀疏等正则化方法,对高光谱与多光谱图像融合方法进行了深入研究。论文主要研究工作及创新点包括以下几个方面:（1）利用凸几何最小体积准则以及向量总变分平滑特性,提出了基于矩阵分解与空谱正则的高光谱图像特征提取方法。首先,该方法引入了三种基于最小体积的二次正则表达式,挖掘高光谱图像端元特征与空间特性的相关性。最小体积单纯形是由端元作为顶点构成的凸几何体,应包含图像中所有的像元,因此最小体积单纯形同时携带丰富的光谱信息与空间分布信息,能够有效提升特征提取方法的性能。其次,由于高光谱图像中存在大量的混合像元,特别是受到噪声干扰时会导致解混性能的下降,因此引入基于总变分的空谱平滑正则项,提升算法的抗噪性能。最后,构造结构化矩阵将解混模型转换为基于矩阵变量的凸优化问题,利用交替优化算法高效地求解图像数据的端元矩阵与丰度矩阵。经过合成数据集与真实数据集测试,实验结果表明该特征提取算法能够有效地提取高光谱数据的端元特征与丰度特征。（2）将高光谱与多光谱图像融合看作是一个交变动力系统,在凸几何理论基础上提出了一种近似最小体积的遥感融合方法。首先,根据子空间观测模型,定义了一种近似最小体积的表达式,将单纯形体积等效于端元顶点与高维空间迭代重构数据的质心之间距离和,充分利用高光谱与多光谱子空间特征的相关性,改善数据矩阵化所导致结构信息丢失等问题。其次,利用近似交替优化与交替方向乘子法设计快速的求解算法,将一个双凸的融合问题进行解耦分解为两个凸的单变量优化子问题,并增加等式约束实现多变量分离再利用交替方向乘子法分别进行求解,加快了算法的收敛速度。最后,在Pavia大学、Moffett和Washington DC三组数据集上测试结果显示,该融合算法能够显着提高重构图像质量与空间分辨率。（3）利用各向异性总变分对最小体积单纯形内的像元进行平滑去噪,提出一种单纯形空间稀疏平滑的遥感图像融合方法。首先,将最小体积单纯形等效为端元之间距离平方和,利用这个二次项表达式对端元特征进行正则化,缓解矩阵分解所引起的空间结构信息的损失。其次,在基于耦合非负矩阵分解的数据拟合项基础上引入各向异性总变分,利用相邻像元空间特征的渐变性,分别在垂直和水平方向对每个谱带的二维图像进行平滑,提升融合方法的抗噪性能。再次,构建结构化矩阵对正则项进行优化处理,采用交替优化等方法设计高效的求解算法,并且利用张量算子对大规模矩阵进行降维处理。真实数据集仿真测试结果表明,该融合优化方法不仅能有效地提升重构图像的性能,而且具有良好的抗噪性能。（4）为了更充分利用遥感图像的空谱结构信息,提出了一种基于低秩张量分解的遥感图像融合方法。首先,在Tucker张量分解基础上构建高光谱与多光谱图像的张量观测模型,利用因子矩阵的低秩特性,消除空间维度的冗余信息以及光谱维度的阴影效应。其次,核张量包含因子矩阵的权重系数,利用核张量的稀疏性强化目标图像在三个模态上的稀疏分解表示。再次,考虑到光谱维度因子矩阵中特征向量的渐变性,利用总变分对光谱因子矩阵进行垂直方向平滑消除噪声;最后,利用共轭梯度与交替方向乘子法设计出一组高效的求解算法,降低了算法复杂度。仿真结果表明该算法能够明显提升重构图像的分辨率,降低了融合方法的噪声敏感性。
刘璐[6]（2020）在《基于卷积神经网络的Pan-sharpening方法研究》文中指出作为一项重要的图像处理技术,遥感图像融合近年来受到各界的广泛关注。Pan-sharpening是将具有高空间分辨率的全色（Panchromatic,PAN）图像与具有低空间分辨率的多光谱（Multispectral,MS）图像融合,以获得高空间分辨率MS图像的过程。它能够有效改善图像质量,获得对场景更详细的描述。最近,深度学习技术成为热门研究话题。作为其中最重要的网络结构之一,卷积神经网络在图像处理领域取得了引人注目的成绩,也同样适用于处理pan-sharpening问题。本文重点研究了基于卷积神经网络的pan-sharpening方法,主要研究内容如下:（1）.受到ARSIS（Amélioration de la Résolution Spatiale par Injection de Structures）概念的启发,提出一种基于浅-深卷积网络和细节注入的pan-sharpening方法。与其它基于深度学习的方法相比,该方法结合了领域知识,通过设计浅-深卷积网络分别从PAN图像中提取不同层次的空间细节信息;同时基于MS各波段光谱差异,提出基于光谱区分的细节注入模型,将不同波段细节信息分别注入MS图像中,减少了空间与光谱扭曲。实验表明,该方法能够有效提取MS各个波段需要融入的更丰富、更全面的纹理细节信息,并可在保持光谱特性的同时尽可能提高MS图像的空间分辨率,获得视觉与指标评价更优的融合结果。（2）.受到图像超分辨率思想的启发,提出一种基于多尺度密集网络的pan-sharpening方法。考虑到源图像与融合图像的高度相似性,该方法引入密集连接,设计了一个全新的端到端的pan-sharpening网络框架,能充分利用源图像的空间与光谱特征重建高分辨率MS图像。该网络构建了一种新的多尺度密集块,利用多尺度特征提取与密集连接提取丰富的分层特征;并在此基础上设计了全局密集连接结构实现特征的不断共享与复用,减少失真;通过全局残差学习使网络更加关注图像的变化部分,提高融合性能。通过实验分别验证了提出的多尺度密集块、全局密集连接和全局残差学习的有效性;实验结果表明,该方法的融合效果优于其它对比方法,例如在World View2数据集上的峰值信噪比提升了10%以上。
洪科[7]（2020）在《基于超像素分割和耦合非负矩阵分解的高光谱图像超分辨率重建》文中研究说明由于光谱信息丰富,高光谱图像在环境检测、地质勘察和农业等领域都有着极其重要的作用。然而现有的高光谱成像设备无法实现图像在光谱分辨率和空间分辨率上同时高分成像,导致获取的高光谱图像空间分辨率比较低,存在混合像元。这极大地影响了高光谱图像在以上领域的应用。通过改进高光谱成像的硬件设备可以提高光谱图像的空间分辨率,但此方法会使成像成本急剧增加。与高光谱图像相比,同一场景下的RGB图像虽然光谱分辨率比较低,但拥有比较高的空间分辨率。基于此,人们常常通过图像超分辨率的方法来提高高光谱图像的空间分辨率,通过融合低空间分辨率的高光谱图像和同一场景下的高空间分辨率的RGB图像重建得到高空间分辨率的高光谱图像。主要研究内容如下:（1）针对基于空间光谱稀疏表示的高光谱图像超分辨率算法中,对RGB图像的空间信息利用不充分的问题,提出了一种基于超像素分割的融合RGB图像与高光谱图像的超分辨率算法。该算法首先利用在线字典学习法从低空间分辨率的高光谱图像中学习得到光谱字典。然后,通过光谱字典的线性变换,得到与高光谱图像同一场景下的RGB图像字典。之后,对RGB图像进行超像素分割,对分割后的每个小图像块进行稀疏编码。最后,将整个稀疏编码矩阵与高光谱图像谱字典相结合重建得到高空间分辨率的高光谱图像。实验结果表明该算法能充分地利用RGB图像的空间信息,有效地提高了高光谱图像的空间分辨率。（2）针对高光谱成像系统获取的图像空间分辨率比较低,导致存在混合像元的问题,提出了一种基于耦合非负矩阵分解的融合RGB图像与高光谱图像的超分辨率算法。该算法首先利用非负矩阵分解算法对低空间分辨率的高光谱图像和高空间分辨率的RGB图像进行交替分解,求得高光谱图像数据的端元矩阵和RGB图像的丰度矩阵。结合两者最终得到高空间分辨率的高光谱图像。实验结果表明,融合后得到的图像视觉效果有了比较大的提升,图像细节恢复得更好。
张蒙亮[8]（2020）在《多光谱遥感中先验知识引导的图像融合方法研究》文中研究说明多光谱图像是遥感数据中最常见的图像数据之一,在植被监测等领域有重要的作用。由于技术和效费比的限制,多光谱相机一般会配置光谱分辨率和空间分辨率互有优势的多光谱传感器和全色传感器。在很多应用领域中,来自多个传感器的数据组合提供了更全面的信息,因此,对多光谱遥感图像融合技术展开研究可以充分地利用多光谱数据的信息,具有很大的实用价值。目前,世界上许多研究者做了大量的工作来阐释,解决图像融合问题,并将一些方法投入到实际应用中。但这些方法也存在没有完全利用好多光谱图像的特性,适用范围不广等问题。本文根据之前的研究工作和多光谱图像的特性,提出了先验知识引导的多光谱图像融合模型,用以提升多光谱图像在融合方面的表现。具体工作如下:（1）本文第一章介绍了多光谱遥感图像的背景知识,然后在第二章回顾了多光谱图像融合方法的研究进展。第三章提出一种自适应光谱梯度稀疏正则化的多光谱图像融合方法。该方法综合了光谱一致性,梯度稀疏性和空间信息传递等先验知识,利用1l范数实现空间结构一致性,并设计一个自适应权重矩阵,针对不同的区域自适应地选择不同的权值。这种选择有助于保持多光谱图像与全色图像的空间信息相似性。为了保证收敛性,本章使用交替方向乘子法迭代求解获得融合图像。在Parrot Sequoia等多个数据集上的实验证明,该方法领先许多融合方法,可以有效地减轻融合图像的光谱失真和空间信息模糊。（2）归一化差分植被指数（Normalized Difference Vegetation Index,NDVI）图像是由多光谱图像计算产生的图像,可以准确地反映地表植被覆盖状况。针对NDVI图像的特点,结合字典学习的方法,本文第四章提出一种针对NDVI图像的融合方法。该方法具有以下特点:1.利用全色图像和多光谱图像构造出和NDVI形式相近的指数,由于加入了全色图像,该指数对应的图像中含有较多的空间纹理信息,可以传递到NDVI图像中来提升NDVI图像的空间分辨率。2.利用稀疏表示和尺度不变性的先验知识,构建高低NDVI图像块字典的映射关系,使得不借助其他图像的内容,构建一个在线的过完备字典,即可完成空间信息注入的过程。在高分二号数据集上进行的实验表明,与原始NDVI图像以及从融合的多光谱图像获得的NDVI图像相比,该方法获得的NDVI图像有更多的细节信息,在多个指标上也更有优势。（3）在获得融合图像之后,怎样使用融合图像,发挥融合图像的价值也是值得讨论的问题。相对于低分辨率多光谱图像,融合后的图像具有更多的纹理,即更清晰的细节信息。本文第五章基于第三章和第四章提出的两种融合方法,使用多个数据集探讨了融合图像在实际应用中的可行性。在NDVI图像频率分布实验中,使用第三章提出的的融合方法得到的NDVI图像不仅提高了图像的空间分辨率,而且接近于真实情况下的NDVI分布。在多源NDVI图像时序变化检测实验中,使用第四章提出的融合方法获得的NDVI图像验证了使用不同类型的卫星多光谱数据对同一区域进行变化检测可以有效地提高变化图像的时间分辨率。另外,对NDVI图像注入空间信息可以提高空间分辨率,在进行变化检测时,融合的NDVI图像有更多的边缘和细节,检测精度也更高。
姚振稷[9]（2020）在《基于多源传感器的遥感图像时空融合算法研究》文中提出遥感作为一种空间数据的获取方法,是现代高新技术领域的重要组成部分。随着传感器技术的发展,我们也能获取到越来越多种类的遥感图像。不同的传感器有着自身独特的优势和不足,为了能够综合多个传感器的优势,我们需要融合来自不同传感器的遥感图像,遥感图像的时空融合就是其中一个研究的热点。遥感图像时空融合问题的关键在于从高空间分辨率图像中获取充足的空间信息同时从高时间分辨率图像中获取充足的时间信息。现有的算法由于模型本身的局限性在土地覆盖发生变化时面临着严峻的挑战。为此,本文开展了基于多源传感器的时空融合算法的研究。本文在前人研究的基础上,通过总结现有模型的优势和不足,提出了两种新的时空融合算法。本文的主要工作分为以下几个方面:首先,针对当前存在的方法在仅有一对粗略-精细图像作为输入,面对土地覆盖变化时的预测准确性不高的情况,本文的第一个内容提出了一种基于线性模型的遥感图像时空融合算法,使用线性关系来表示图像间的时间模型,分析图像时间变化的客观规律,根据时间变化的特性,从局部和全局两个方面对模型进行约束,使得求解的模型能够更准确地表示图像间的时间变化。此外,还引入了一种多时相的相似像素搜寻策略,使得该算法在搜寻相似像素时更加灵活,能够消除以往的时空融合算法在搜寻相似像素时存在的模块效应,从而提高预测结果的准确性。其次,本文的第二个研究内容提出了一种基于深度迁移学习的时空融合算法。该方法使用了深度神经网络,更多地使用图像的统计特征来预测目标精细图像。该方法使用神经网络表示不同空间分辨率图像之间的映射关系,同时通过估计不同传感器获取图像间的模糊核来构建预测任务的特征空间,并将完成训练的模型迁移到该特征空间上,以提升模型在预测目标精细图像的精确度。最后,本文在多个传感器数据集上进行了试验,通过大量视觉比较与量化比较验证了本文算法的有效性。
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》文中进行了进一步梳理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、基于图像融合提高图像空间分辨率技术研究（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、基于图像融合提高图像空间分辨率技术研究（论文提纲范文）
（1）多分辨率低秩导向滤波的热红外图像空间融合（论文提纲范文）
| 1 引言 |
| 2 研究方法 |
| 2.1 多分辨率空间自适应低秩表达 |
| 2.1.1 多源图像多分辨率分析与性超像素分割算法 |
| 2.1.2 基于超像素分割地低秩矩阵恢复 |
| 2.2 基于导向滤波器的热红外图像融合增强 |
| 2.3 基于残差迁移的热红外图像超分辨 |
| 3 实验数据及结果分析 |
| 3.1 实验数据介绍 |
| 3.2 实验设计及结果分析 |
| 3.2.1 空间特性的改善 |
| 3.2.2 光谱信息的保护 |
| 3.2.3 热红外图像超分辨效果 |
| 4 结论 |
（2）基于卷积神经网络的细胞折射率显微图像和明场显微图像的融合方法（论文提纲范文）
| 1 引 言 |
| 2 成像系统及算法原理 |
| 2.1 石墨烯基折射率显微成像系统 |
| 2.2 基于机器学习的卷积神经网络算法FusionCNN |
| 3 实验结果与分析 |
| 3.1 主观视觉评价 |
| 3.2 客观评价 |
| 4 结 论 |
（3）波段自适应细节注入的高分五号与Sentinel-2遥感影像空谱融合（论文提纲范文）
| 0 引 言 |
| 1 波段自适应细节注入的高光谱图像融合方法 |
| 1.1 GS变换 |
| 1.2 非下采样轮廓波变换 |
| 1.3 波段自适应细节注入方法 |
| 2 实验结果与分析 |
| 2.1 定性分析 |
| 2.2 定量分析 |
| 2.3 光谱曲线评价 |
| 3 结 论 |
（4）基于压缩感知的光谱成像系统和重构算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 光谱成像技术概述 |
| 1.1.1 光谱成像技术的分类 |
| 1.1.2 光谱成像技术的应用 |
| 1.2 压缩光谱成像技术概述 |
| 1.2.1 压缩光谱成像 |
| 1.2.2 编码孔径压缩光谱成像 |
| 1.2.3 单像素压缩光谱成像 |
| 1.3 本文主要研究工作 |
| 2 压缩感知理论及压缩光谱成像原理 |
| 2.1 压缩感知理论 |
| 2.1.1 传统的采样方法 |
| 2.1.2 压缩感知采样 |
| 2.1.3 信号的稀疏表示 |
| 2.1.4 压缩感知系统矩阵特性 |
| 2.1.5 压缩感知信号重构算法 |
| 2.2 编码孔径压缩光谱成像原理 |
| 2.2.1 单色散型编码孔径快照式光谱仪 |
| 2.2.2 双色散型编码孔径快照式光谱仪 |
| 2.3 单像素压缩光谱成像原理 |
| 2.4 压缩光谱成像中的关键元件 |
| 2.4.1 编码孔径 |
| 2.4.2 色散元件 |
| 2.5 本章小结 |
| 3 基于图像融合的编码孔径压缩光谱成像 |
| 3.1 引言 |
| 3.2 系统结构 |
| 3.3 重构算法 |
| 3.3.1 Pre-fusion算法 |
| 3.3.2 Post-fusion算法 |
| 3.4 光谱成像结果分析与讨论 |
| 3.4.1 数据集的准备及评价函数的选取 |
| 3.4.2 光谱成像结果 |
| 3.4.3 算法的参数设置对光谱成像质量的影响 |
| 3.4.4 噪声对光谱成像质量的影响 |
| 3.5 本章小结 |
| 4 基于相干性优化的编码孔径压缩光谱成像 |
| 4.1 引言 |
| 4.2 编码孔径快照式光谱仪的相干性分析 |
| 4.3 基于相干性最小化的优化算法 |
| 4.4 光谱成像结果分析与讨论 |
| 4.4.1 数据集的准备及优化算法参数的设置 |
| 4.4.2 光谱成像结果 |
| 4.4.3 算法的参数设置对光谱成像质量的影响 |
| 4.4.4 噪声对光谱成像质量的影响 |
| 4.5 本章小结 |
| 5 基于颜色传感器的单像素压缩光谱成像 |
| 5.1 引言 |
| 5.2 系统结构 |
| 5.3 基于梯度下降的相干性最小化算法 |
| 5.4 仿真 |
| 5.4.1 数据集的准备及优化算法参数的设置 |
| 5.4.2 仿真结果分析 |
| 5.5 实验 |
| 5.5.1 实验系统设计 |
| 5.5.2 实验结果分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 作者简历 |
| 攻读博士期间所取得的科研成果 |
（5）遥感图像特征提取与融合方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号列表 |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 高光谱图像特征提取方法及研究现状 |
| 1.2.1 端元特征 |
| 1.2.2 丰度特征 |
| 1.2.3 矩特征 |
| 1.3 高光谱与多光谱图像融合方法及研究现状 |
| 1.3.1 基于全色锐化的融合方法 |
| 1.3.2 基于贝叶斯推理的融合方法 |
| 1.3.3 基于深度神经网络的融合方法 |
| 1.3.4 基于矩阵分解的融合方法 |
| 1.3.5 基于张量分解的融合方法 |
| 1.4 优化方法与基础 |
| 1.4.1 交替方向乘子法 |
| 1.4.2 共轭梯度法 |
| 1.4.3 基于张量的向量-矩阵算子 |
| 1.5 遥感图像质量评价指标 |
| 1.6 论文主要工作及结构安排 |
| 1.6.1 研究内容及创新点 |
| 1.6.2 论文组织结构与章节安排 |
| 第二章 基于矩阵分解与空谱正则的高光谱图像特征提取方法 |
| 2.1 引言 |
| 2.1.1 相关工作 |
| 2.1.2 研究动机与贡献 |
| 2.2 基于矩阵分解与空谱正则的特征提取方法 |
| 2.2.1 线性混合模型 |
| 2.2.2 特征提取问题的定义 |
| 2.2.3 空谱正则化方法 |
| 2.3 优化求解算法 |
| 2.3.1 丰度特征提取 |
| 2.3.2 端元特征提取 |
| 2.4 实验仿真和性能分析 |
| 2.4.1 实验设置 |
| 2.4.2 参数选择与分析 |
| 2.4.3 实验结果与性能分析 |
| 2.5 本章小结 |
| 第三章 基于近似最小体积的遥感图像融合方法 |
| 3.1 引言 |
| 3.1.1 相关工作 |
| 3.1.2 研究动机与贡献 |
| 3.2 基于近似最小体积的融合方法 |
| 3.2.1 信号模型 |
| 3.2.2 融合问题的定义 |
| 3.3 优化求解算法 |
| 3.3.1 丰度矩阵估计 |
| 3.3.2 端元矩阵估计 |
| 3.4 实验仿真和性能分析 |
| 3.4.1 实验设置 |
| 3.4.2 参数选择与分析 |
| 3.4.3 实验结果与性能分析 |
| 3.4.4 计算复杂度分析 |
| 3.5 本章小结 |
| 第四章 基于单纯形空间稀疏平滑的遥感图像融合方法 |
| 4.1 引言 |
| 4.1.1 相关工作 |
| 4.1.2 研究动机与贡献 |
| 4.2 基于单纯形空间稀疏平滑的的融合方法 |
| 4.2.1 信号模型 |
| 4.2.2 融合问题的定义 |
| 4.3 优化求解算法 |
| 4.3.1 丰度矩阵估计 |
| 4.3.2 端元矩阵估计 |
| 4.4 实验结果和性能分析 |
| 4.4.1 实验配置 |
| 4.4.2 参数选择与分析 |
| 4.4.3 实验结果与性能分析 |
| 4.4.4 算法复杂度分析 |
| 4.5 本章小结 |
| 第五章 基于低秩张量分解的遥感图像融合方法 |
| 5.1 引言 |
| 5.1.1 相关工作 |
| 5.1.2 研究动机与贡献 |
| 5.2 张量分解 |
| 5.3 基于低秩张量分解的融合方法 |
| 5.3.1 张量观测模型 |
| 5.3.2 融合问题的定义 |
| 5.3.3 张量分解的正则化 |
| 5.4 优化求解算法 |
| 5.4.1 因子矩阵W估计 |
| 5.4.2 因子矩阵H估计 |
| 5.4.3 因子矩阵A估计 |
| 5.4.4 核张量C估计 |
| 5.5 实验仿真与性能分析 |
| 5.5.1 实验设置 |
| 5.5.2 参数选择与分析 |
| 5.5.3 实验结果与性能分析 |
| 5.5.4 计算复杂度分析 |
| 5.6 三种融合方法的性能比较 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 下一步研究工作计划 |
| 参考文献 |
| 附录一 缩略语列表 |
| 附录二 优化解的推导证明 |
| 1 优化解(3-14)式证明 |
| 2 优化解(3-17)式证明 |
| 3 优化解(4-18)式证明 |
| 4 优化解(4-19)式证明 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（6）基于卷积神经网络的Pan-sharpening方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 图像融合的层次 |
| 1.3 Pan-sharpening方法国内外研究现状 |
| 1.4 论文的主要内容及章节安排 |
| 第二章 理论基础 |
| 2.1 引言 |
| 2.2 卷积神经网络 |
| 2.2.1 主要组成结构 |
| 2.2.2 经典网络模型 |
| 2.3 基于CNN的 Pan-sharpening算法 |
| 2.4 图像融合质量评价 |
| 2.4.1 主观评价 |
| 2.4.2 客观评价 |
| 2.5 本章小结 |
| 第三章 基于浅-深卷积网络和细节注入的Pan-sharpening方法 |
| 3.1 引言 |
| 3.2 ARSIS概念 |
| 3.3 基于浅-深卷积网络与细节注入的Pan-sharpening方法 |
| 3.3.1 网络结构 |
| 3.3.2 基于浅-深卷积网络的空间细节提取 |
| 3.3.3 基于光谱区分的细节注入 |
| 3.4 实验结果及分析 |
| 3.4.1 模拟数据实验 |
| 3.4.2 实际数据实验 |
| 3.4.3 网络结构分析 |
| 3.4.4 网络参数分析 |
| 3.5 本章小结 |
| 第四章 基于多尺度密集网络的Pan-sharpening方法 |
| 4.1 引言 |
| 4.2 基于多尺度残差网络的图像超分辨率重建 |
| 4.3 基于多尺度密集网络的Pan-sharpening方法 |
| 4.3.1 网络结构 |
| 4.3.2 全局密集特征融合 |
| 4.4 实验结果及分析 |
| 4.4.1 模拟数据实验 |
| 4.4.2 实际数据实验 |
| 4.4.3 MDB内部结构分析 |
| 4.4.4 整体网络结构分析 |
| 4.4.5 MDB数量分析 |
| 4.5 本章小结 |
| 总结与展望 |
| 工作总结 |
| 研究展望 |
| 参考文献 |
| 攻读硕士学位期间取得的科研成果 |
| 致谢 |
（7）基于超像素分割和耦合非负矩阵分解的高光谱图像超分辨率重建（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像超分辨率研究现状 |
| 1.2.2 高光谱图像超分辨率研究现状 |
| 1.3 论文内容与创新点 |
| 1.4 论文组织结构 |
| 第2章 稀疏表示理论及其在高光谱超分辨率的应用 |
| 2.1 稀疏表示理论 |
| 2.2 字典学习 |
| 2.2.1 最优方向法 |
| 2.2.2 K-SVD算法 |
| 2.2.3 在线字典学习算法 |
| 2.3 稀疏编码 |
| 2.4 稀疏表示在高光谱图像超分辨率重建中的应用 |
| 2.5 本章小结 |
| 第3章 基于超像素分割的高光谱图像超分辨率重建 |
| 3.1 基于超像素分割的高光谱图像超分辨率重建算法 |
| 3.1.1 在线字典学习法 |
| 3.1.2 超像素分割RGB图像 |
| 3.1.3 稀疏编码求解 |
| 3.2 实验结果与分析 |
| 3.3 本章小结 |
| 第4章 基于耦合非负矩阵分解的高光谱图像超分辨率重建 |
| 4.1 非负矩阵分解模型 |
| 4.2 基于耦合非负矩阵分解的高光谱图像超分辨率重建算法 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者攻读学位期间的科研成果 |
| 致谢 |
（8）多光谱遥感中先验知识引导的图像融合方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1. 研究背景与意义 |
| 1.2. 国内外研究现状 |
| 1.3. 研究内容及贡献 |
| 1.4. 论文组织结构 |
| 1.5. 本章小结 |
| 第2章 融合策略及融合图像评价 |
| 2.1. 引言 |
| 2.2. 多光谱遥感图像融合方法 |
| 2.2.1. 基于成分替换的融合方法 |
| 2.2.2. 基于多分辨率分析的融合方法 |
| 2.2.3. 基于模型优化的融合方法 |
| 2.2.4. 基于深度学习的方法 |
| 2.3. 融合图像质量评价 |
| 2.4. 本章小结 |
| 第3章 基于自适应光谱梯度稀疏正则化的多光谱图像融合方法 |
| 3.1. 引言 |
| 3.2. 融合策略的先验知识 |
| 3.2.1. 光谱信息保真 |
| 3.2.2. 空间信息传递 |
| 3.3. 模型求解 |
| 3.4. 实验与结果分析 |
| 3.4.1. 主观视觉比较 |
| 3.4.2. 客观量化评价 |
| 3.5. 本章小结 |
| 第4章 基于联立在线字典学习的NDVI图像融合 |
| 4.1. 引言 |
| 4.2. 稀疏表示与字典学习 |
| 4.3. 基于联立在线字典学习的NDVI图像融合 |
| 4.3.1. 先验知识的选取 |
| 4.3.2. 联立在线字典的构建 |
| 4.4. 实验与结果分析 |
| 4.5. 本章小结 |
| 第5章 融合图像的应用 |
| 5.1. 引言 |
| 5.2. NDVI图像频率分布实验 |
| 5.3. 多源NDVI图像时序变化检测 |
| 5.4. 实验与结果分析 |
| 5.5. 本章小结 |
| 第6章 总结与展望 |
| 6.1. 研究工作总结 |
| 6.2. 研究内容展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
| 致谢 |
（9）基于多源传感器的遥感图像时空融合算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题研究现状和方法 |
| 1.3 课题研究内容 |
| 1.4 本文章节安排 |
| 第二章 遥感图像时空融合 |
| 2.1 数据 |
| 2.2 时空融合方法 |
| 2.2.1 基于权重的方法 |
| 2.2.2 基于解混的方法 |
| 2.2.3 基于学习的方法 |
| 2.3 评价指标 |
| 2.4 本章小结 |
| 第三章 基于线性模型的时空融合方法 |
| 3.1 引言 |
| 3.2 方法介绍 |
| 3.2.1 线性模型的理论基础 |
| 3.2.2 时间模型的分析 |
| 3.3 方法实现 |
| 3.3.1 搜寻相似像素 |
| 3.3.2 参数求解 |
| 3.3.3 精细图像重建 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据与实验参数 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于深度迁移学习的时空融合方法 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 方法 |
| 4.3.1 模糊核估计 |
| 4.3.2 模型训练 |
| 4.3.3 模型优化 |
| 4.4 实验与分析 |
| 4.4.1 实验数据与参数 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（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、基于图像融合提高图像空间分辨率技术研究（论文参考文献）
- [1]多分辨率低秩导向滤波的热红外图像空间融合[J]. 苗馨远,张晔,张钧萍. 遥感学报, 2021(11)
- [2]基于卷积神经网络的细胞折射率显微图像和明场显微图像的融合方法[J]. 刘中法,杨艺哲,方宇,吴晓静,朱思伟,杨勇. 激光与光电子学进展, 2021(22)
- [3]波段自适应细节注入的高分五号与Sentinel-2遥感影像空谱融合[J]. 王海荣,郭擎,李安. 中国图象图形学报, 2021(08)
- [4]基于压缩感知的光谱成像系统和重构算法研究[D]. 陶陈凝. 浙江大学, 2021(01)
- [5]遥感图像特征提取与融合方法的研究[D]. 杨飞霞. 北京邮电大学, 2020(01)
- [6]基于卷积神经网络的Pan-sharpening方法研究[D]. 刘璐. 西北大学, 2020(02)
- [7]基于超像素分割和耦合非负矩阵分解的高光谱图像超分辨率重建[D]. 洪科. 南华大学, 2020(01)
- [8]多光谱遥感中先验知识引导的图像融合方法研究[D]. 张蒙亮. 武汉大学, 2020(03)
- [9]基于多源传感器的遥感图像时空融合算法研究[D]. 姚振稷. 合肥工业大学, 2020(02)
- [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)