基于分解的高光谱和多光谱图像融合算法研究

发布时间：2022-12-11 19:31

　　遥感高光谱图像因其丰富的光谱信息而被广泛用于精准农业、军事目标识别、地物勘测等领域,然而由于成像传感器物理条件的限制,遥感高光谱图像的空间分辨率较低,制约了高光谱图像的应用。通过融合相同场景的高分辨率多光谱图像称为解决这一问题的主要途径。高空间分辨率到低空间分辨率退化可以看作是像元混合的过程,而图像融合是其逆过程,可以看作是解混的过程。因此本文提出了基于分解的高光谱图像融合算法。本文分别采用矩阵分解和张量分解两种模式实现高光谱图像超分辨,主要工作有以下三个方面:第一,针对高光谱图像空间降质过程造成光谱失真问题,采用广义回归神经网络模型,学习高低空间分辨率高光谱图像在光谱域的非线性映射关系,利用学到的映射模型,将低分辨率高光谱图像的光谱特征映射到高分辨率空间,为融合提供更加精确的光谱特征。第二,针对基于解混的算法中对于矩阵分解的依赖,以及目标函数的非凸性造成的不稳定性和对初始值敏感的问题,采用聚类的方式提取图像的光谱特征,代替解混合的端元,提高问题求解的稳定性,同时有效提高了特征提取的效率,降低了复杂度。第三,针对矩阵分解关注光谱特性而忽略了空间关系的问题,采取基于张量分解的融合算法,利... 

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究背景及意义
    1.2 遥感图像融合概念
    1.3 国内外研究现状
        1.3.1 pan-sharpening算法
        1.3.2 由pan-sharpening推广而来的HSI-MSI融合算法
        1.3.3 基于神经网络的算法
        1.3.4 基于贝叶斯估计的图像融合算法
        1.3.5 基于矩阵分解的算法
        1.3.6 基于张量分解的算法
    1.4 存在的问题及本文的主要工作
    1.5 本文章节安排
第二章 相关工作
    2.1 图像融合质量的评价指标
        2.1.1 主观评价指标
        2.1.2 客观评价指标
    2.2 高光谱图像融合的实验数据
        2.2.1 Salinas数据集
        2.2.2 Cuprite数据集
        2.2.3 Indian Pines数据集
        2.2.4 Pavia Center数据集
    2.3 图像数据的表示
        2.3.1 矩阵分解角度的图像表示
        2.3.2 张量角度的图像表示
    2.4 遥感图像的线性表示模型
第三章 基于类解混的高光谱和多光谱图像融合算法
    3.1 引言
    3.2 问题分析
    3.3 解决策略
    3.4 融合算法
        3.4.1 算法框架
        3.4.2 LR-HSI到 HR-HSI光谱域模型学习
        3.4.3 基于FCM聚类的端元生成
        3.4.4 目标HR-HSI重建
    3.5 实验结果及分析
        3.5.1 主观评价
        3.5.2 客观评价
    3.6 本章小结
第四章 基于张量分解的高光谱图像融合算法
    4.1 引言
    4.2 问题分析
    4.3 解决策略
        4.3.1 算法框架
        4.3.2 边缘像素模型学习
        4.3.3 图像的分块和聚类
        4.3.4 获取图像字典
        4.3.5 光谱字典超分辨
        4.3.6 核心张量提取
        4.3.7 图像融合
        4.3.8 图像后处理操作
    4.4 实验结果及分析
    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
攻读硕士期间的学术活动及成果情况



本文编号：3719368