基于EMD的多源遥感影像融合的方法研究
发布时间：2021-11-26 05:56
随着遥感技术的飞速发展,遥感数字图像融合已成为航空、卫星图像处理领域的研究重点。遥感数字图像融合不仅能提高影像信息的可利用率,集成源图像的互补信息,降低单个遥感数字图像的差异性,获得信息更丰富、更精确的融合图像,而且融合后的图像信息量丰富,清晰度增强,具有较高的解释能力。本文主要是对同一地物的多光谱图像和全色图像的融合方法进行研究,在传统经验模式分解（Empirical Mode Decomposition,EMD）的基础上,提出了一种基于粒子群优化径向基神经网络权值的插值方法。并以此为基础,针对图像融合提出了一种基于彩色空间（luminance,Hue,Saturation,IHS）变换、小波滤波和改进二维EMD的遥感数字图像融合方法。该融合方法既可以保留融合图像的光谱信息,又可以提高其空间纹理细节信息。本文的主要研究工作和创新点如下:1、叙述了遥感数字图像融合算法的研究背景与意义以及国内外研究现状,讨论了遥感数字图像融合过程中的融合方法、融合规则、融合结果评价标准,最后分析比较了几种常用的图像滤波方法。2、分别介绍了一维EMD和二维EMD的基本原理和实验步骤,并指出二维EMD方法分...
【文章来源】：华北水利水电大学河南省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图2-1时间序列的EMD分解Figure2-1EMDdecompositionoftimeseries
华北水利水电大学硕士学位论文20bfyxbyyxxfybffyxgyDyxDx"""""",,,,,min,（2.16）式（2.16）中：yxf,为源图像；yxg,为腐蚀后的图像；bfDD,分别为源图像和结构元素的定义域；"",yxb为结构元素。（三）形态学求取极值点数学形态学在图像处理中的应用研究非常广泛，形态学重建法能够通过腐蚀、膨胀操作来求取图像的局部极小值和局部极大值。它的基本思路为：对于原始图像A，使原图像中的每一个像素都下降一个灰度等级，求得图像B。然后对图像B进行腐蚀操作，最后在腐蚀操作的基础上求得灰度重建图像：BBCA（2.17）式子中，BCA为重建后的图像，为测地算子。原始图像A与重建图像BCA的差值即为原图像A的局部极小值点。反之，使用测地算子对图像B进行膨胀操作可得到原图像A的局部极大值点。对图像求取局部极大值和极小值如图2-3所示：图2-3极大值和极小值图像Figure2-3maximumandminimumimage2.2.2.2包络面插值函数方法选取用形态学重建法得到图像的极大值和极小值点集后，需要对这些点集插值拟合求取包络面。在二维经验模式分解过程中，包络面的插值拟合方法有：径向基函数（RadialBasisFunction，RBF）法、三角剖分法、双立方插值法、有限元法、三次线性插
华北水利水电大学硕士学位论文22rr（2.19）3rr（2.20）0,2rer（2.21）式（2.19）、（2.20）、（2.21）分别为线性样条函数、立方样条函数、高斯函数。对插值曲面求解，就是将图像的极大值和极小值点集，代入上述公式。径向基函数的系数i的值，通常使用神经网络来求解，神经网络的激活函数一般为高斯函数。2.2.2.3边界效应一维EMD分解过程中存在端点效应的问题，例如某个时间序列的两个端点，在EMD的分解过程中，无法参与上下包络线的拟合。这种情况会导致时间序列的均值包络线的两端出现飞翼等现象[24]。为了解决这种现象，常采用的方法有端点镜像延拓、多项式拟合、神经网络预测等，这些方法能够有效抑制时间序列的端点，使得原始数据能够得到有效利用，时间序列能够得到充分分解。同理，用二维经验模式分解方法分解图像数据时，存在无法确定二维图像数据的边界是否有极值点的问题。如果无法确定极值点，用二维经验模式方法分解图像时会存在误差，这种误差有时候会逐渐影响到图像内部，使得分解的固有模态函数和残余分量失去其原有的物理意义。目前用来抑制图像边界效应的常用方法有：镜像延拓法和神经网络预测法等。镜像延拓法是最常用的方法，其实验效果如图2-4所示：图2-4原图像和镜像延拓图像Figure2-4originalimageandimageextensionimage
本文编号：3519533
【文章来源】：华北水利水电大学河南省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图2-1时间序列的EMD分解Figure2-1EMDdecompositionoftimeseries
华北水利水电大学硕士学位论文20bfyxbyyxxfybffyxgyDyxDx"""""",,,,,min,（2.16）式（2.16）中：yxf,为源图像；yxg,为腐蚀后的图像；bfDD,分别为源图像和结构元素的定义域；"",yxb为结构元素。（三）形态学求取极值点数学形态学在图像处理中的应用研究非常广泛，形态学重建法能够通过腐蚀、膨胀操作来求取图像的局部极小值和局部极大值。它的基本思路为：对于原始图像A，使原图像中的每一个像素都下降一个灰度等级，求得图像B。然后对图像B进行腐蚀操作，最后在腐蚀操作的基础上求得灰度重建图像：BBCA（2.17）式子中，BCA为重建后的图像，为测地算子。原始图像A与重建图像BCA的差值即为原图像A的局部极小值点。反之，使用测地算子对图像B进行膨胀操作可得到原图像A的局部极大值点。对图像求取局部极大值和极小值如图2-3所示：图2-3极大值和极小值图像Figure2-3maximumandminimumimage2.2.2.2包络面插值函数方法选取用形态学重建法得到图像的极大值和极小值点集后，需要对这些点集插值拟合求取包络面。在二维经验模式分解过程中，包络面的插值拟合方法有：径向基函数（RadialBasisFunction，RBF）法、三角剖分法、双立方插值法、有限元法、三次线性插
华北水利水电大学硕士学位论文22rr（2.19）3rr（2.20）0,2rer（2.21）式（2.19）、（2.20）、（2.21）分别为线性样条函数、立方样条函数、高斯函数。对插值曲面求解，就是将图像的极大值和极小值点集，代入上述公式。径向基函数的系数i的值，通常使用神经网络来求解，神经网络的激活函数一般为高斯函数。2.2.2.3边界效应一维EMD分解过程中存在端点效应的问题，例如某个时间序列的两个端点，在EMD的分解过程中，无法参与上下包络线的拟合。这种情况会导致时间序列的均值包络线的两端出现飞翼等现象[24]。为了解决这种现象，常采用的方法有端点镜像延拓、多项式拟合、神经网络预测等，这些方法能够有效抑制时间序列的端点，使得原始数据能够得到有效利用，时间序列能够得到充分分解。同理，用二维经验模式分解方法分解图像数据时，存在无法确定二维图像数据的边界是否有极值点的问题。如果无法确定极值点，用二维经验模式方法分解图像时会存在误差，这种误差有时候会逐渐影响到图像内部，使得分解的固有模态函数和残余分量失去其原有的物理意义。目前用来抑制图像边界效应的常用方法有：镜像延拓法和神经网络预测法等。镜像延拓法是最常用的方法，其实验效果如图2-4所示：图2-4原图像和镜像延拓图像Figure2-4originalimageandimageextensionimage
本文编号：3519533
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3519533.html
