一、提高图像空间分辨率方法研究（论文文献综述）
李凯[1]（2021）在《静止轨道高分辨率气象遥感卫星图像处理的若干关键技术研究》文中研究指明遥感卫星作为获取地物信息的重要平台,其图像产品广泛应用于气象预测、资源普查、城市规划、灾害监测、环境保护、军事侦查等诸多领域。在气象应用领域中,气象遥感卫星逐步发展成由极地轨道和地球静止轨道的组合观测系统。其中,地球静止轨道卫星相较于极轨卫星对同一区域可以高频次的观测,因此具有较高的时间分辨率。然而受工作环境、成像设备及成像模式等因素的影响,搭载在静止轨道遥感卫星的多通道扫描型载荷在成像、传输与存储的过程中,所观测到的数据会出现一定程度上的降质,即观测数据在应用前需要进行预处理。本文对降质数据进行恢复与重建,并对其中涉及到的四类主要关键技术展开研究:1)双向扫描模式引入的行间错位现象（帧内配准）;2)受温度场等因素影响所引起的通道间配准量的变化（通道间配准）;3)基于现有硬件提高图像分辨率（超分重建）;4)探测器像元响应的非均匀性所带来的条纹噪声（去噪）。数据降质会直接影响遥感图像的判读、信息提取和后续应用。因此本文依托于风云四号A星载荷多通道扫描辐射计（AGRI）,对气象遥感卫星图像进行去噪、配准和重建等关键技术研究,在以下四个方面开展了具有创新性的研究工作:（1）针对扫描型载荷行间错位现象,本文根据载荷扫描模式建立基于傅里叶相移理论的数学模型。该模型首先计算了相邻两个错位行处相邻像元之间相位差谱曲线。其次,使用最小二乘法对相位差谱曲线的低频部分进行拟合来估计错位值。最后,根据错位值使用双线性插值方法对错位行进行重建,解决错位现象。本文算法能够将错位行配准到一个像素以内,完成较好的帧内配准结果。（2）针对通道间配准量的计算,本文结合AGRI云图特点,提出两种配准方法联合的策略对多通道图像对之间的配准量进行系统的计算。对于地物目标与云层信息界面清晰的通道使用基于归一化互信息和抛物线插值的常规方法进行通道间配准量计算;对于地物目标界限模糊的红外通道通过提取其云信息分布图像,并将云信息分布图作为配准源,再通过相位相关配准方法计算配准量。通过两种方法的联合可以得到所有通道之间的配准量,本文算法对AGRI原始图像进行了处理。结果表明,该算法有较好的鲁棒性、实时性和稳定性并且可以以较高的精度计算出AGRI通道间图像之间的配准量。（3）针对多通道扫描型载荷中红外超分重建通道,提出一种基于最大后验概率（MAP）框架的多帧图像超分辨率重建方法。本文根据成像模式对降质模型进行解耦,首先使用相位相关方法对配准量进行验算,然后根据低分辨率观测图像与重建图像之间模糊函数的关系,由低分辨率图像估计出降质模型所需要的模糊函数。在对图像超分重建模型的主要参数进行估计后,本文选用了基于MAP框架的正则化重建方法。其中,在保真项中,选用了高斯噪声模型对应的L2范数,同时在正则化项中选用具有边缘保护能力较强的双边全变分（BTV）。通过仿真图像以及AGRI原始图像的重建结果表明,本文超分重建方案能够有效提高图像空间分辨率。（4）针对遥感影像非均匀性带来的条纹噪声,本文根据扫描型载荷扫描方式和条纹噪声的结构属性出发,建立数学优化模型,从观测图像中估计出条纹噪声成分来实现去噪的目的。与大多数现有的条纹去除优化模型不同,在本文提出的方法中,使用L1范数正则化来表示条纹噪声图像的稀疏特性;使用基于差分的约束来描述条纹方向（扫描方向）上的平滑性以及垂直条纹方向（步进方向）上的不连续性。为了使图像细节信息不受影响,本文在垂直条纹方向上的约束项中添加了保护边缘的权重因子。最后,通过交替方向乘子法（ADMM）对所提优化模型进行求解和优化。通过对AGRI原始数据的处理并与典型去条纹噪声方法进行了对比,结果显示本文算法在较好地保护细节的同时,对条纹噪声进行了去除,并在定性与定量的结果中表现出了较好的性能。
张影[2]（2021）在《卫星高光谱遥感农作物精细分类研究》文中指出农作物播种面积和产量信息是保障粮食安全、农业供给侧结构性改革的重要依据。及时、准确地获取农作物种植面积及产量信息对优化农作物种植结构、科学制定农业政策、国家经济发展具有重要意义。随着成像光谱技术的发展,高光谱图像凭借光谱分辨率高的优点为农作物分类提供了新的技术手段。但是目前高光谱图像农作物分类方面仍存在着空间分辨率低、维数灾难、数据处理工作量大的问题。针对目前高光谱图像农作物精细分类研究存在的不足,本文主要进行了以下研究:（1）选取GF-5高光谱图像和GF-1全色影像作为数据源,采用了IHS变换、Brovey变换、PCA变换、谐波分析、GS变换、改进PCA 6种图像融合方法,以此来提高高光谱图像的空间分辨率。通过评价指标比较6种融合方法的优劣程度,选择适合卫星高光谱图像融合的方法。比较6种图像融合方法,图像信息量方面谐波分析图像融合标准差最大,改进PCA变换图像融合次之,即改进PCA变换融合图像包含了一定的信息量。光谱信息保持方面改进PCA变换图像融合SAM最小为0.95,GS融合方法次小为1.20,由此可以反映出改进PCA变换、GS融合两种方法的光谱畸变较小。与其他图像融合方法相比,改进PCA图像融合方法能够提供令人满意的结果。（2）在高光谱数据降维过程中,包括波段选择、特征提取、特征优选三个部分。波段选择采用聚类排序、稀疏表示、改进萤火虫3种方法,通过计算波段子集的平均信息熵、平均相关系数、J-M距离、总体分类精度来优选波段选择方法。特征优选采用随机森林、嵌入式L1正则化、类内类间距离方法,通过混淆矩阵获得的总体分类精度、Kappa系数、各类地物的制图精度及用户精度来选择适合卫星高光谱数据降维的特征选择方法。在波段选择过程中,改进萤火虫算法波段子集的AIE最高、ACC最低,说明波段信息量最大、相关性最小。改进萤火虫算法在4个定量评价指标上均优于其他两种波段选择方法。特征优选过程中,3种特征选择方法分类结果的总体精度均优于80%,其中基于类内类间距离方法总体精度最高为92.29%,Kappa系数为0.85。（3）在同等样本、特征条件下,比较高光谱图像和多光谱图像农作物精细分类的总体分类精度、Kappa系数、制图精度以及用户精度,优选出适合复杂地区农作物分类的数据源。比较得到高光谱图像总体分类精度比多光谱图像高19.72个百分点。高光谱图像能够较好地识别研究区内的9种地物,制图精度大多数优于80%。而多光谱图像在研究区农作物分类上,仅识别出4种作物,且每种作物的制图精度均低于高光谱图像的制图精度。
万晨旭[3]（2021）在《基于多分辨率分析和注入模型的全色锐化方法研究》文中进行了进一步梳理遥感技术兴起于20世纪中期,该技术以航空摄影技术为背景,在空间探测领域快速发展。事实证明,遥感系统是地方、区域乃至全球规模监测地球表面和大气的有力工具,它可以提供重要覆盖范围的测绘和分类,其范围包括植被、土壤、水源和森林等土地覆盖特征。随着卫星传感器的迅速发展,遥感图像得到了广泛的应用。然而,由于传感器技术的限制和其他因素的影响,现有的遥感传感器无法得到同时具有较高空间分辨率和较高光谱分辨率的图像。由于高空间分辨率的多光谱图像在实际应用中的需求日益增长,研究者提出大量的遥感图像融合方法。全色锐化技术是通过融合具有高空间分辨率的全色图像和低空间分辨率的多光谱图像,得到具有高空间分辨率的多光谱图像的一门技术。在保留多光谱图像的光谱信息和提升其空间信息的基础上,不造成光谱和空间失真是全色锐化方法的关键。随着全色锐化技术的不断发展,它主流方向大致可以分为四类:组件替换、多分辨率分析、变分优化和深度学习。其中基于多分辨率分析的方法由于其在光谱和空间上良好的效果而受到研究员们的重视。在该类方法中注入高频和注入系数是技术的关键,只有通过合适的注入系数将合适的高频细节注入上采样后的多光谱图像中才能得到好的全色锐化结果。为此,本文基于注入模型和多分辨率分析,针对全色锐化中产生的问题进行详细的研究和深入的探索,提出了两种新的基于多分辨率分析和注入模型的全色锐化方法。论文的主要创新如下:1)提出了一种新的基于注入细节优化的全色锐化方法,该方法通过获得更精确的高频细节来进行全色锐化。提出的方法包括两个部分,首先,本文设计了一个低秩模糊融合模型来融合全色图像和多光谱图像的高频细节。该模型将全色图像和上采样多光谱图像的高频分解为低秩分量和稀疏分量,并根据其特征设计相应的融合规则进行融合,然后逆变换得到融合高频。由于全色图像的部分细节被多光谱图像的细节取代,直接使用它们作为注入细节可能会导致信息冗余或空间失真。为了解决这一问题,在第二部分中,本文构造了一个自适应的细节补充模型来进一步优化细节。基于融合高频与全色图像原始高频的相似性和相关性,对融合高频细节进行补充,得到最终的注入细节。实验结果表明提出的算法在保持光谱信息和改善空间细节这两方面均优于目前先进的方法。2)提出了一种新的基于多光谱图像锐化和注入系数优化的全色锐化方法。在多光谱图像中存在一些重要的细节,但由于多光谱图像空间分辨率较低,直接使用其高频分量会导致最终锐化结果的空间信息较差。针对该问题,本文对多光谱图像进行多级锐化操作,通过分级的思想分步提升多光谱图像的空间信息。然后,分别提取锐化图像和全色图像的高频分量。多光谱图像与全色图像具有较高的相似性,因此其高频分量也具有这样的特性。本文根据两者高频分量之间的相似性和差异性设计自适应加权系数进行融合,得到理想的注入高频。在注入系数方面,基于全色图像和多光谱图像的空间和光谱关系,计算边缘矩阵和光谱比率,提出了一种改进的高频注入系数计算方法。在退化数据集和真实数据集上实验,主观和客观结果都表明,提出的方法优于其他先进的全色锐化方法,证明了该方法的有效性。
郭安廷[4]（2021）在《基于成像遥感的小麦条锈病监测方法研究》文中认为条锈病是小麦生产中危害最大的病害之一。近年来,在全球气候变化大背景下小麦条锈病发生趋势日益严重。亟需有效的小麦条锈病监测方法为病害防控提供支撑。遥感技术的快速发展,为实现无损、实时、精准、大面积的条锈病监测提供了有利契机。然而,目前基于遥感的条锈病监测研究对成像遥感“图谱”病害表征信息挖掘不深,不同尺度下的条锈病监测模型和算法不够完善。因此,本研究以小麦条锈病为研究对象,以条锈病发生发展机制为基础,综合多源成像遥感数据,开展了叶片、冠层和区域尺度上的小麦条锈病监测方法研究。提出了适用于不同尺度的融合“图谱”特征监测小麦条锈病的方法;建立了基于无人机高光谱的条锈病早期监测模型,并评价了空间尺度对条锈病监测精度的影响;在区域尺度上基于卫星影像综合多特征构建了精度较高的病害监测模型。从不同尺度上提升了现有条锈病遥感监测水平,为小麦条锈病防控提供了一定的基础和支撑。主要的研究成果如下:（1）叶片尺度上,以地面高光谱遥感数据为基础,开展了基于“图谱”特征的病害监测研究。首先,分析了小麦叶片条锈病的光谱响应特征,发现条锈病的光谱反射率在可见光区域（550-700 nm）高于健康叶片,在近红外区域（730-1000 nm）低于健康叶片;不同病害严重度叶片的光谱反射率在近红外区域随病害严重度的增加而降低。其次,通过SPA和CFS算法选择出对病害敏感的原始光谱波段、植被指数和纹理特征;并用敏感特征构建了融合光谱和纹理特征的叶片病斑提取模型和叶片病害严重度估测模型。结果显示,融合光谱和纹理特征的模型精度均优于基于单一光谱或纹理特征模型。对于叶片病斑提取模型,融合植被指数和纹理特征的SVM模型获得最优的精度（95.8%）,比基于单一植被指数模型高出6.3%。对于叶片病害严重度估测模型,融合植被指数和纹理特征RFR和PLSR模型的R2分别为0.92和0.90,比基于单一植被指数的两个模型分别高0.05。总体来说,所提出的融合光谱和纹理特征的小麦条锈病叶片病斑提取和叶片病害严重度估测模型均有效提升了模型精度,为小麦条锈病监测提供了一种新的思路。（2）冠层尺度上,以无人机高光谱影像为数据源开展了小麦条锈病监测研究。首先,探究了冠层尺度上小麦条锈病的光谱响应机理。发现冠层尺度的条锈病光谱响应特征与叶片尺度存在差异,冠层尺度条锈病的光谱反射率在近红外区域变化较大,而叶片尺度的光谱反射率在可见光区域变化较大;病害和健康小麦的光谱差异随侵染时期的增加而增加;条锈病小麦的理化参数与病害严重度呈显着相关关系,其中叶绿素和氮平衡指数与病情指数呈极显着负相关（R2:0.66和0.73）,干物质含量和花青素与病情指数呈极显着正相关（R2:0.81和0.62）。其次,验证了叶片尺度上所提出的融合光谱和纹理特征的方法在冠层尺度上监测条锈病的有效性。通过提取和选择不同侵染阶段和不同空间分辨率下的敏感植被指数和纹理特征,结合PLSR建立了融合植被指数和纹理特征的监测模型（VI-TF）。结果显示,VI-TF模型在冠层尺度上同样具有较好表现,如在侵染后期,VI-TF模型的R2为0.80,比VI模型高0.1。再次,评估了无人机影像空间分辨率对监测精度的影响,发现空间分辨率对TF模型的影响较大,而对VI以及VI-TF模型的影响较小;并得出10 cm的无人机影像空间分辨率在监测小麦条锈病时具有较大的优势。最后,提出一种融合小波特征和植被指数（WF-VI）的条锈病早期监测方法,并结合SVM和RF算法构建了条锈病早期监测模型。结果显示,该方法对早期的条锈病监测有较优表现,在无症状期和显症早期,WF-VI-SVM模型的病害监测精度分别为75%和79.2%,比VI模型分别高12.5%和10.4%。总的来说,融合光谱和纹理特征的条锈病监测方法在冠层尺度上同样具有较优表现;无人机影像空间分辨率对TF模型有较大影响,基于无人机影像监测条锈病的最优尺度为10 cm;提出的基于无人机高光谱的条锈病早期监测模型（WF-VI）具有较好表现,为条锈病早期监测提供了基础。（3）区域尺度上,主要以卫星多光谱影像（Planet和Sentinel-2）为数据源,在叶片和冠层尺度研究的基础上,结合多种机器学习算法构建了区域尺度上的条锈病监测模型。首先,针对区域尺度上原始纹理特征病害表征能力弱化问题,基于高分辨率Planet影像构建了3种纹理指数（DTI、RTI和NDTI）。结果显示,3种纹理指数的条锈病监测能力均优于原始纹理特征,其中的NDTI表现最优;此外,构建了融合NDTI和植被指数的监测模型（TI-VI）,结果显示,TI-VI的SVM模型获得最高监测精度（90.5%）,比VI模型高出5.1%。其次,在更大区域尺度上,基于Sentinel-2影像提出了一种综合多特征（光谱、纹理和时相特征）的条锈病监测方法。其中,通过构造一种双时相波段比值指数（MBTBR）来表征病害的发展情况,经验证该指数比先前研究中存在的时相特征（NTVI）具有更优表现;此外,基于多特征构建的条锈病监测模型比基于单一光谱或“图谱”特征模型具有更高的监测精度,如在4月18日的监测中,基于多特征的SVM模型精度为86.3%,分别比基于植被指数模型或融合植被指数和纹理指数模型高9.8%和3.9%。总体来说,Planet卫星影像在条锈病监测中具有较大的潜能,所提出的纹理指数可有效提升原始纹理特征在区域尺度上的病害表征能力;基于Sentinel-2影像构建的时相特征（MBTBR）可较好地表征条锈病发展情况,提出的融合多特征监测区域尺度上条锈病的方法具有较优的表现,为区域尺度作物病害监测奠定了基础。
杨飞霞[5]（2020）在《遥感图像特征提取与融合方法的研究》文中研究表明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。
施展[6]（2020）在《基于深度学习的高光谱图像空谱超分辨率重建》文中指出高光谱成像技术通常以数十个或数百个波段的形式记录场景的光谱信息,其中每个波段对应于特定狭窄的波长范围。采集到的高光谱图像相比于彩色图像包含更丰富的光谱信息,同时场景的光谱特性已经被证明对多个研究领域有帮助。在传统行业中,高光谱成像技术已经被用于遥感成像,药物检测,矿物勘探等领域。而最近高光谱图像开始应用在许多计算机视觉任务中,例如图像分割,人脸识别,物体跟踪等任务。在传统获取高光谱图像的过程中通常使用二维传感器捕捉三维信息,所以不可避免地要在光谱分辨率和空间或者时间分辨率间做出权衡。例如在捕捉动态场景的光谱信息时,快照式光谱成像技术通过牺牲空间分辨率来换取光谱分辨率,因此高光谱图像空间超分辨率技术经常被用在图像后处理中。此外,由于高光谱成像技术中的硬件系统和重建算法仍然存在高复杂度的问题,随着研究者们提出基于彩色相机的高光谱成像技术,从彩色图像到高光谱图像的重建算法（光谱超分辨率）成为研究关键点。本文旨在探究基于深度学习的光谱重建算法。围绕这一核心,研究内容大体分为光谱超分辨率和高光谱图像空间超分辨率两方面。同时我们也利用高空间分辨率彩色图像与低空间分辨率高光谱图像之间的互补信息,完成高光谱图像空谱联合重建任务。此外,我们还将领域自适应的方法引入到光谱超分辨率任务中,使之前提出的模型可以适应不同图像域的彩色图像。具体来说,本文的主要工作和创新点可以总结为:1.我们针对于于不同的降质模型,如空间下采样和光谱下采样,提出了一个近乎统一的深度学习方法。之后我们详细研究了残差学习,密集连接等模块间的性能差异,并提出使用基于通道注意力机制的残差学习模块,同时我们也针对高光谱图像空谱联合超分辨率任务提出了融合网络。与其他方法相比,本文提出的重建方法有效利用了现有的网络结构,并且在NTIRE2018和PIRM2018光谱挑战赛中都取得了当时最好的结果。2.我们将领域自适应框架引入到光谱超分辨率任务中,先通过判别器判断彩色图像属于原域或目标域,再利用对抗学习方法完成迁移,这类方法可以解决在目标域下没有训练数据的问题。实验结果显示本文提出的方法可以有效实现在两种不同光谱响应曲线合成的彩色图像间进行迁移。
刘璐[7]（2020）在《基于卷积神经网络的Pan-sharpening方法研究》文中研究说明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。
叶树嘉[8]（2020）在《基于深度学习的高分遥感图像小目标检测方法研究》文中研究指明低空间分辨率的光学遥感图像可以用来检测大型船舶等物理尺度较大的目标,但是难以用于检测物理尺度较小的目标,这是因为低空间分辨率的光学遥感图像缺乏空间细节信息。随着遥感技术的不断进步,人们所能获取的光学遥感图像的空间分辨率越来越高,相较于低空间分辨率遥感图像,高空间分辨率遥感图像具有更加丰富的地物纹理信息,它将传统的地物表达方式由像素级别扩展到对象空间描述级别。因此基于高分遥感图像,人们可以探究对其中的小型目标进行有效的检测。本文的主要工作是研究基于深度学习的高分遥感图像小目标检测方法,主要包含以下内容:首先,本文从深度学习神经网络模型的基本原理出发,介绍了神经网络相关原理,揭示了卷积神经网络与图像处理之间的联系。针对传统目标检测方法在提取候选框和目标分类方面的局限性,介绍了以RCNN为代表的基于深度学习的多阶段目标检测网络模型。然后,针对小目标的像素范围小,空间信息模糊的问题,探究增强小目标图像空间分辨率的方法以提升目标检测算法的精度,在对现有超分辨方法进行充分研究的基础上,分析了目前在深度学习领域中最热门的生成对抗网络算法,研究将其与图像超分辨思想结合,有效提升了基于深度学习的多阶段目标检测算法在小目标检测方面的性能。最后,为充分利用小目标有限的特征信息,解决小目标的几何形变问题,探究将全卷积神经网络的思想与目标检测算法相结合,研究了一种基于局部全卷积神经网络和RCNN的目标检测框架,除此之外,研究了一种可变形卷积结构,对固定结构的卷积核进行改进,进一步提升了检测性能。
洪科[9]（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》文中研究表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[10]（2020）在《多光谱遥感中先验知识引导的图像融合方法研究》文中指出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。
二、提高图像空间分辨率方法研究（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、提高图像空间分辨率方法研究（论文提纲范文）
（1）静止轨道高分辨率气象遥感卫星图像处理的若干关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 本文课题研究现状及关键技术研究 |
| 1.2.1 帧内配准方法 |
| 1.2.2 通道间配准方法研究 |
| 1.2.3 基于亚像元技术的超分重建 |
| 1.2.4 条纹噪声去除方法 |
| 1.3 本文主要研究内容及章节安排 |
| 第2章 多通道扫描辐射计帧内配准方法研究 |
| 2.1 引言 |
| 2.2 AGRI图像错位特征 |
| 2.3 帧内配准方法介绍 |
| 2.3.1 相位相关方法获取偏移量 |
| 2.3.2 错位行重建 |
| 2.3.3 帧内配准方法流程图 |
| 2.4 实验结果与分析 |
| 2.4.1 仿真实验 |
| 2.4.2 真实数据处理 |
| 2.5 本章小结 |
| 第3章 多通道扫描辐射计通道间配准方法研究 |
| 3.1 引言 |
| 3.2 气象图像特征描述 |
| 3.3 基于地球全圆盘轮廓的通道间粗配准 |
| 3.3.1 轮廓提取模型与算法 |
| 3.3.2 基于轮廓的通道间粗配准 |
| 3.4 基于归一化互信息的精配准 |
| 3.4.1 归一化互信息 |
| 3.4.2 抛物线插值 |
| 3.4.3 配准结果 |
| 3.5 基于云信息分布和相位相关的精配准 |
| 3.5.1 预处理 |
| 3.5.2 相位相关方法 |
| 3.5.3 配准结果 |
| 3.6 本章小结 |
| 第4章 多通道扫描辐射计红外超分通道重建方法研究 |
| 4.1 引言 |
| 4.2 红外亚像元成像技术原理 |
| 4.2.1 抽样定理 |
| 4.2.2 红外线阵探测器亚像元技术成像实现 |
| 4.3 红外亚像元超分辨率算法 |
| 4.3.1 图像观测模型 |
| 4.3.2 多帧图像的超分辨率重建算法 |
| 4.3.3 基于MAP框架的正则化重建方法 |
| 4.4 实验与分析 |
| 4.4.1 仿真图像实验 |
| 4.4.2 真实图像实验 |
| 4.5 本章小结 |
| 第5章 多通道扫描辐射计条纹噪声去除方法研究 |
| 5.1 引言 |
| 5.2 条纹噪声来源分析 |
| 5.3 条纹噪声去除算法的分析与比较 |
| 5.3.1 图像滤波方法 |
| 5.3.2 灰度特征统计方法 |
| 5.3.3 基于优化的方法 |
| 5.4 基于L1范数的条纹噪声去除方法 |
| 5.4.1 条纹噪声模型 |
| 5.4.2 条纹噪声成分的估计模型 |
| 5.5 ADMM最优化 |
| 5.5.1 Z-子问题 |
| 5.5.2 V-子问题 |
| 5.5.3 H-子问题 |
| 5.5.4 s-子问题 |
| 5.6 实验与分析 |
| 5.6.1 周期条纹噪声去除 |
| 5.6.2 随机条纹噪声去除 |
| 5.6.3 参数分析 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（2）卫星高光谱遥感农作物精细分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 面向农作物分类的高光谱遥感数据源研究进展 |
| 1.2.2 高光谱图像融合方法研究进展 |
| 1.2.3 高光谱数据降维方法研究进展 |
| 1.2.4 农作物高光谱遥感分类算法研究进展 |
| 1.2.5 当前研究不足 |
| 1.3 研究思路及研究内容 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 1.4 技术路线及论文结构 |
| 1.4.1 技术路线 |
| 1.4.2 论文结构 |
| 第二章 研究区及数据 |
| 2.1 研究区概况 |
| 2.2 数据收集与处理 |
| 2.2.1 高光谱卫星遥感影像 |
| 2.2.2 多光谱卫星遥感影像 |
| 2.2.3 样本地面调查数据 |
| 2.2.4 光谱野外观测数据及预处理 |
| 第三章 高光谱图像融合方法研究 |
| 3.1 融合影像的收集与预处理 |
| 3.2 影像融合方法 |
| 3.2.1 GS(Gram-Schmidt)法 |
| 3.2.2 IHS(Intensity Hue Saturation)变换法 |
| 3.2.3 Brovey变换法 |
| 3.2.4 PCA(Principal Components Analysis)变换法 |
| 3.2.5 谐波分析法 |
| 3.2.6 改进PCA变换法 |
| 3.3 融合图像的质量评价 |
| 3.4 不同融合方法下的高光谱图像质量比较 |
| 3.4.1 基于视觉分析的高光谱图像融合质量对比 |
| 3.4.2 基于不同评价指标的高光谱图像融合质量比较 |
| 3.5 本章小结 |
| 第四章 面向农作物分类的高光谱图像降维方法研究 |
| 4.1 面向农作物分类的高光谱图像波段选择方法 |
| 4.1.1 波段初选 |
| 4.1.2 面向农作物的高光谱影像波段优选方法 |
| 4.2 面向农作物分类的高光谱影像特征挖掘方法 |
| 4.2.1 高光谱影像特征提取 |
| 4.2.2 高光谱影像特征优选方法 |
| 4.3 结果与分析 |
| 4.3.1 典型地物的反射光谱特征分析 |
| 4.3.2 不同算法下的高光谱影像波段选择结果比较 |
| 4.3.3 不同算法下的高光谱影像特征优选结果比较 |
| 4.4 本章小结 |
| 第五章 面向高光谱遥感的农作物分类算法优选研究 |
| 5.1 面向高光谱遥感的农作物分类算法设计 |
| 5.1.1 支持向量机(SVM)法 |
| 5.1.2 随机森林(RF)法 |
| 5.1.3 最大似然(MLC)法 |
| 5.2 农作物分类精度评价 |
| 5.3 不同算法下的农作物高光谱遥感分类精度比较 |
| 5.4 本章小结 |
| 第六章 不同遥感数据源的农作物分类精度评价 |
| 6.1 高光谱遥感的农作物分类 |
| 6.1.1 样本数据 |
| 6.1.2 分类特征 |
| 6.1.3 分类算法 |
| 6.2 多光谱遥感的农作物分类 |
| 6.2.1 样本数据 |
| 6.2.2 分类特征提取 |
| 6.2.3 分类算法 |
| 6.3 农作物分类精度评价 |
| 6.4 不同遥感数据源的农作物分类精度比较 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（3）基于多分辨率分析和注入模型的全色锐化方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 全色锐化数据集及评价指标 |
| 1.3.1 遥感数据集 |
| 1.3.2 评价指标 |
| 1.4 研究内容与结构安排 |
| 第2章 基于注入细节优化的全色锐化方法 |
| 2.1 引言 |
| 2.2 相关理论 |
| 2.2.1 低秩分解 |
| 2.2.2 模糊逻辑 |
| 2.3 提出的全色锐化方法 |
| 2.3.1 总体框架 |
| 2.3.2 高频信息的低秩模糊融合 |
| 2.3.3 细节补充模型 |
| 2.4 实验结果及性能分析 |
| 2.4.1 实验数据集和比较方法 |
| 2.4.2 质量评价指标 |
| 2.4.3 退化数据实验 |
| 2.4.4 真实数据实验 |
| 2.4.5 有效性讨论 |
| 2.4.6 计算效率分析 |
| 2.5 讨论 |
| 2.6 本章小结 |
| 第3章 基于多级细节增强和注入系数优化的全色锐化方法 |
| 3.1 引言 |
| 3.2 提出的的全色锐化方法 |
| 3.2.1 多级锐化 |
| 3.2.2 基于相似性和差异的高频融合 |
| 3.2.3 基于光谱和空间的注入系数 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据集 |
| 3.3.2 实验对比方法 |
| 3.3.3 质量评价指标 |
| 3.3.4 退化评估 |
| 3.3.5 真实评估 |
| 3.3.6 计算效率分析 |
| 3.3.7 多级锐化参数分析 |
| 3.3.8 剥离实验 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 第4章 总结与展望 |
| 4.1 论文工作总结 |
| 4.2 研究展望 |
| 参考文献 |
| 攻读硕士研究生期间科研成果 |
| 致谢 |
（4）基于成像遥感的小麦条锈病监测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题依据与研究意义 |
| 1.2 小麦条锈病及其它作物病害遥感监测方法研究综述 |
| 1.2.1 小麦条锈病概述 |
| 1.2.2 作物病害遥感监测方法研究进展 |
| 1.2.3 存在的主要问题 |
| 1.3 研究目标、研究内容、技术路线及结构安排 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线及结构安排 |
| 第2章 实验方案、数据获取与处理 |
| 2.1 实验方案 |
| 2.1.1 叶片尺度小麦条锈病观测实验 |
| 2.1.2 冠层尺度小麦条锈病观测实验 |
| 2.1.3 区域尺度小麦条锈病星-地同步观测实验 |
| 2.2 数据获取与处理 |
| 2.2.1 叶片尺度数据获取与处理 |
| 2.2.2 冠层尺度数据获取与处理 |
| 2.2.3 区域尺度数据获取与处理 |
| 第3章 基于地面高光谱的叶片尺度小麦条锈病监测方法研究 |
| 3.1 叶片尺度小麦条锈病光谱响应机理 |
| 3.2 “图谱”特征提取和优选 |
| 3.2.1 小麦叶片像素提取 |
| 3.2.2 特征提取 |
| 3.2.3 特征优选 |
| 3.3 融合光谱和纹理特征的小麦条锈病叶片病斑提取模型与评价 |
| 3.3.1 模型构建与评价方法 |
| 3.3.2 模型与评价结果 |
| 3.4 融合光谱和纹理特征的小麦条锈病叶片严重度估测模型与评价 |
| 3.4.1 模型构建与评价方法 |
| 3.4.2 模型与评价结果 |
| 3.5 本章小结 |
| 第4章 基于无人机高光谱的冠层尺度小麦条锈病监测方法研究 |
| 4.1 冠层尺度小麦条锈病光谱响应机理 |
| 4.1.1 不同侵染时期的小麦条锈病光谱响应特征 |
| 4.1.2 小麦条锈病严重度与农学参数之间的关系 |
| 4.2 基于不同空间分辨率无人机高光谱影像的小麦条锈病监测研究 |
| 4.2.1 无人机高光谱影像重采样与小麦像素提取 |
| 4.2.2 小麦条锈病特征敏感性分析 |
| 4.2.3 不同空间分辨率影像下小麦条锈病监测模型构建与评价 |
| 4.3 基于无人机高光谱的小麦条锈病早期监测研究 |
| 4.3.1 小麦条锈病早期光谱特征提取和选择 |
| 4.3.2 融合植被指数与小波特征的小麦条锈病早期监测模型与评价 |
| 4.4 本章小结 |
| 第5章 基于卫星多光谱的区域尺度小麦条锈病监测方法研究 |
| 5.1 基于高分辨率Planet卫星影像的区域尺度小麦条锈病监测研究 |
| 5.1.1 小麦条锈病特征提取与构建 |
| 5.1.2 小麦条锈病特征敏感性检验与优选 |
| 5.1.3 基于高分辨率Planet卫星影像的小麦条锈病监测模型构建与评价 |
| 5.2 基于Sentinel-2 卫星影像的区域尺度小麦条锈病监测研究 |
| 5.2.1 小麦种植面积提取 |
| 5.2.2 小麦条锈病多特征提取与优选 |
| 5.2.3 时相特征的条锈病监测能力评价 |
| 5.2.4 基于多特征的区域尺度小麦条锈病监测模型与评价 |
| 5.3 本章小结 |
| 第6章 结论、创新与展望 |
| 6.1 主要研究结论 |
| 6.2 论文特色与创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（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）基于深度学习的高光谱图像空谱超分辨率重建（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 研究内容 |
| 1.3 国内外研究现状 |
| 1.3.1 高光谱成像技术研究现状 |
| 1.3.2 高光谱图像重建算法研究现状 |
| 1.3.3 单张图像超分辨率研究现状 |
| 1.3.4 迁移学习研究现状 |
| 1.4 本文主要工作及结构安排 |
| 第2章 光谱超分辨率 |
| 2.1 基于VDSR网络的光谱超分辨率 |
| 2.1.1 彩色图像与高光谱图像的关系 |
| 2.1.2 HSCNN模型 |
| 2.1.3 HSCNN-u模型 |
| 2.1.4 损失函数 |
| 2.2 光谱超分辨率网络结构对比 |
| 2.3 通道注意力残差学习网络 |
| 2.3.1 注意力机制 |
| 2.3.2 网络结构 |
| 2.4 实验分析与对比 |
| 2.4.1 实验数据 |
| 2.4.2 实验设置 |
| 2.4.3 实验结果 |
| 第3章 高光谱图像空间超分辨率 |
| 3.1 基于深度学习的高光谱图像空间超分辨率 |
| 3.1.1 问题定义 |
| 3.1.2 上采样方式 |
| 3.1.3 网络结构 |
| 3.2 基于深度学习的高光谱图像空谱联合超分辨率 |
| 3.2.1 FlowNet2.0网络框架 |
| 3.2.2 空谱联合超分辨率网络 |
| 3.3 实验分析与对比 |
| 3.3.1 实验数据 |
| 3.3.2 评测指标 |
| 3.3.3 实验设置 |
| 3.3.4 实验结果 |
| 第4章 光谱超分辨率的领域自适应 |
| 4.1 相关工作 |
| 4.2 基于对抗学习的光谱超分辨率领域自适应网络 |
| 4.3 实验分析与对比 |
| 4.3.1 实验数据与实验设置 |
| 4.3.2 实验结果 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 研究内容展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（7）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 |
（8）基于深度学习的高分遥感图像小目标检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的背景及来源 |
| 1.2 课题研究的目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 传统目标检测技术发展现状 |
| 1.3.2 基于深度学习的目标检测技术发展现状 |
| 1.3.3 研究现状总结 |
| 1.4 本文主要研究内容及组织结构 |
| 第2章 基于深度学习的目标检测 |
| 2.1 引言 |
| 2.2 深度学习神经网络模型 |
| 2.2.1 人工神经网络基本原理 |
| 2.2.2 卷积神经网络基本原理 |
| 2.3 基于深度学习的多阶段目标检测 |
| 2.3.1 基于RCNN的多阶段目标检测 |
| 2.3.2 基于FPN的多阶段目标检测 |
| 2.4 本章小结 |
| 第3章 基于生成对抗网络的小目标图像分辨率增强 |
| 3.1 引言 |
| 3.2 基于传统方法的图像超分辨 |
| 3.3 基于卷积神经网络的图像超分辨 |
| 3.4 基于生成对抗网络的图像超分辨 |
| 3.4.1 生成对抗网络基本原理 |
| 3.4.2 感知损失函数 |
| 3.4.3 网络整体结构 |
| 3.5 实验结果与分析 |
| 3.5.1 实验数据介绍 |
| 3.5.2 实验结果分析 |
| 3.6 本章小结 |
| 第4章 基于可变形局部全卷积网络的目标检测 |
| 4.1 引言 |
| 4.2 全卷积神经网络基本原理 |
| 4.3 基于局部全卷积网络的目标检测 |
| 4.3.1 网络整体结构 |
| 4.3.2 位置敏感的结构设计 |
| 4.4 可变形卷积基本原理 |
| 4.4.1 可变形卷积结构 |
| 4.4.2 可变形池化过程 |
| 4.5 实验结果分析与整合 |
| 4.5.1 实验结果分析 |
| 4.5.2 实验结果讨论 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
（9）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 |
（10）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 |
四、提高图像空间分辨率方法研究（论文参考文献）
- [1]静止轨道高分辨率气象遥感卫星图像处理的若干关键技术研究[D]. 李凯. 中国科学院大学(中国科学院上海技术物理研究所), 2021(01)
- [2]卫星高光谱遥感农作物精细分类研究[D]. 张影. 中国农业科学院, 2021(09)
- [3]基于多分辨率分析和注入模型的全色锐化方法研究[D]. 万晨旭. 江西财经大学, 2021(09)
- [4]基于成像遥感的小麦条锈病监测方法研究[D]. 郭安廷. 中国科学院大学(中国科学院空天信息创新研究院), 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]基于深度学习的高光谱图像空谱超分辨率重建[D]. 施展. 中国科学技术大学, 2020(01)
- [7]基于卷积神经网络的Pan-sharpening方法研究[D]. 刘璐. 西北大学, 2020(02)
- [8]基于深度学习的高分遥感图像小目标检测方法研究[D]. 叶树嘉. 哈尔滨工业大学, 2020(01)
- [9]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)
- [10]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)