深度卷积神经网络超分重建技术驱动的卫星遥感影像融合研究
发布时间：2021-06-30 13:39
图像超分辨率重建技术被广泛应用于遥感影像处理、医学成像、视频监控、交通违法监控等多个领域,具备较强的应用价值。对于图像超分辨率重建方法研究问题,发展趋势从基于插值、基于重构、基于学习的算法到近几年基于深度学习理论,基于深度学习超分辨率重建如SRCNN、FSRCNN、VDSR、DRCN等算法,在一定程度上能改善超分重建后图像的质量,但还存在一些不足之处,如卷积层数过少,无法充分学习低分辨率图像与高分辨率图像之间的细节特征。同时,传统卫星遥感影像在融合过程中,大多通过简单的插值法将多光谱影像放大到与全色影像相同的尺寸大小进行融合,融合关注的重点是全色波段的空间细节信息和低分辨率多光谱频谱信息的合并。因此,在插值过程中存在没有充分利用低分辨率的空间信息的情况。本文在前人研究的基础上,针对传统卫星遥感影像融合过程中存在信息丢失的问题和图像超分重建方法的不足之处,改进了基于多尺度卷积神经网络的超分辨率重建方法,在保留频谱信息的同时,增强了低分辨率多光谱影像的空间信息。其次,通过施密特正交变换对空间信息增强的多光谱和全色波段影像进行融合,得到一个具备较高空间分辨率、良好频谱的融合结果。最后通过定性...
【文章来源】：东华理工大学江西省
【文章页数】：79 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 本文主要研究内容
1.4 论文组织结构
2 图像超分辨率重建技术
2.1 基本概念及理论基础
2.2 基于插值的超分辨率重建算法
2.3 基于重建的超分辨率算法
2.4 基于学习的超分辨率方法
2.5 超分辨率重建质量评价标准
2.6 本章小结
3 遥感影像融合及数据预处理
3.1 影像融合概述
3.2 影像融合层次
3.3 影像融合算法
3.4 影像融合评价方法
3.5 数据预处理
3.5.1 研究区概况
3.5.2 辐射定标
3.5.3 大气校正
3.5.4 几何校正
3.5.5 图像裁剪
3.6 本章小结
4 卷积神经网络的图像超分辨率重建
4.1 卷积神经网络
4.1.1 卷积神经网络结构
4.1.2 卷积神经网络训练算法
4.1.3 激活函数
4.2 卷积神经网络超分辨率重建技术
4.3 多尺度卷积神经网络超分重建技术
4.3.1 多尺度卷积神经网络结构
4.3.2 网络训练
4.3.3 实验结果与分析
4.4 本章小结
5 融合实验与结果分析
5.1 实验过程
5.1.1 高分一号试验影像融合结果
5.1.2 高分二号试验影像融合结果
5.2 融合质量评价分析
5.2.1 目视解译评价
5.2.2 客观质量评价指标
5.3 本章小结
6 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读学位期间研究成果
【参考文献】：
期刊论文
[1]针对高分二号卫星影像的几种融合方法对比研究[J]. 李欣腾,陈晓勇,聂欣然,孙涛,李梦洋. 江西科学. 2017(04)
[2]高分一号在轨运行四周年[J]. 东方红. 卫星应用. 2017(05)
[3]利用轨道参数修正的无控制点星载SAR图像几何校正方法[J]. 陈继伟,曾琪明,焦健,叶发旺,朱黎江. 测绘学报. 2016(12)
[4]利用多光谱卫星遥感和深度学习方法进行青藏高原积雪判识[J]. 阚希,张永宏,曹庭,王剑庚,田伟. 测绘学报. 2016(10)
[5]基于深度学习的光学遥感机场与飞行器目标识别技术[J]. 牛新,窦勇,张鹏,曹玉社. 大数据. 2016(05)
[6]利用双通道卷积神经网络的图像超分辨率算法[J]. 徐冉,张俊格,黄凯奇. 中国图象图形学报. 2016(05)
[7]卷积神经网络在高分遥感影像分类中的应用[J]. 曹林林,李海涛,韩颜顺,余凡,顾海燕. 测绘科学. 2016(09)
[8]高分一号卫星4种融合方法评价[J]. 刘锟,付晶莹,李飞. 遥感技术与应用. 2015(05)
[9]结合光谱响应函数的Landsat-8影像大气校正研究[J]. 蒲莉莉,刘斌. 遥感信息. 2015(02)
[10]ZY-3卫星全色与多光谱影像融合方法比较[J]. 李霖,佘梦媛,罗恒. 农业工程学报. 2014(16)
硕士论文
[1]基于深度学习的国产高分辨率影像融合方法研究[D]. 涂荣杰.东华理工大学 2018
[2]基于国产GF-1的高寒山区土地利用/覆盖分类研究[D]. 刘丽雅.浙江大学 2016
[3]基于遥感影像分块提取地物方法的研究[D]. 朱书凡.西安科技大学 2014
[4]卷积神经网络的研究与应用[D]. 徐姗姗.南京林业大学 2013
本文编号：3257846
【文章来源】：东华理工大学江西省
【文章页数】：79 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 本文主要研究内容
1.4 论文组织结构
2 图像超分辨率重建技术
2.1 基本概念及理论基础
2.2 基于插值的超分辨率重建算法
2.3 基于重建的超分辨率算法
2.4 基于学习的超分辨率方法
2.5 超分辨率重建质量评价标准
2.6 本章小结
3 遥感影像融合及数据预处理
3.1 影像融合概述
3.2 影像融合层次
3.3 影像融合算法
3.4 影像融合评价方法
3.5 数据预处理
3.5.1 研究区概况
3.5.2 辐射定标
3.5.3 大气校正
3.5.4 几何校正
3.5.5 图像裁剪
3.6 本章小结
4 卷积神经网络的图像超分辨率重建
4.1 卷积神经网络
4.1.1 卷积神经网络结构
4.1.2 卷积神经网络训练算法
4.1.3 激活函数
4.2 卷积神经网络超分辨率重建技术
4.3 多尺度卷积神经网络超分重建技术
4.3.1 多尺度卷积神经网络结构
4.3.2 网络训练
4.3.3 实验结果与分析
4.4 本章小结
5 融合实验与结果分析
5.1 实验过程
5.1.1 高分一号试验影像融合结果
5.1.2 高分二号试验影像融合结果
5.2 融合质量评价分析
5.2.1 目视解译评价
5.2.2 客观质量评价指标
5.3 本章小结
6 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读学位期间研究成果
【参考文献】：
期刊论文
[1]针对高分二号卫星影像的几种融合方法对比研究[J]. 李欣腾,陈晓勇,聂欣然,孙涛,李梦洋. 江西科学. 2017(04)
[2]高分一号在轨运行四周年[J]. 东方红. 卫星应用. 2017(05)
[3]利用轨道参数修正的无控制点星载SAR图像几何校正方法[J]. 陈继伟,曾琪明,焦健,叶发旺,朱黎江. 测绘学报. 2016(12)
[4]利用多光谱卫星遥感和深度学习方法进行青藏高原积雪判识[J]. 阚希,张永宏,曹庭,王剑庚,田伟. 测绘学报. 2016(10)
[5]基于深度学习的光学遥感机场与飞行器目标识别技术[J]. 牛新,窦勇,张鹏,曹玉社. 大数据. 2016(05)
[6]利用双通道卷积神经网络的图像超分辨率算法[J]. 徐冉,张俊格,黄凯奇. 中国图象图形学报. 2016(05)
[7]卷积神经网络在高分遥感影像分类中的应用[J]. 曹林林,李海涛,韩颜顺,余凡,顾海燕. 测绘科学. 2016(09)
[8]高分一号卫星4种融合方法评价[J]. 刘锟,付晶莹,李飞. 遥感技术与应用. 2015(05)
[9]结合光谱响应函数的Landsat-8影像大气校正研究[J]. 蒲莉莉,刘斌. 遥感信息. 2015(02)
[10]ZY-3卫星全色与多光谱影像融合方法比较[J]. 李霖,佘梦媛,罗恒. 农业工程学报. 2014(16)
硕士论文
[1]基于深度学习的国产高分辨率影像融合方法研究[D]. 涂荣杰.东华理工大学 2018
[2]基于国产GF-1的高寒山区土地利用/覆盖分类研究[D]. 刘丽雅.浙江大学 2016
[3]基于遥感影像分块提取地物方法的研究[D]. 朱书凡.西安科技大学 2014
[4]卷积神经网络的研究与应用[D]. 徐姗姗.南京林业大学 2013
本文编号：3257846
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3257846.html
