遥感图像融合质量提升算法研究

发布时间：2020-04-22 22:45

【摘要】：遥感图像融合是将低空间分辨率的多光谱图像与高空间分辨率的全色图像的信息整合得到高空间分辨率的多光谱图像,融合图像具有良好的光谱性质和空间分辨率,作为其他遥感图像应用的数据资源。传统遥感图像融合方法大都基于某种特定的先验假设,导致融合图像或多或少存在细节丢失或光谱扭曲等问题。例如,基于变量替换的遥感融合方法容易产生光谱扭曲,图像的色彩质量较差;基于多尺度分析的遥感融合方法容易造成细节的丢失,同时使得色彩与边缘的结合处不自然,造成假轮廓。针对这些问题,本文提出遥感融合图像进行质量提升框架。在传统遥感融合方法结果的基础上,通过学习融合图像与参考图像之间的差异得到残差图像,利用残差图像补偿和丰富融合图像的信息,进一步提升融合图像的质量。具体研究内容如下:1、本文提出一种遥感融合图像质量提升框架。该框架利用基于学习的算法,通过学习融合图像与参考图像之间差异生成残差,利用残差图像进一步修复融合图像的细节丢失,光谱扭曲等问题,有效提升遥感融合图像的光谱质量和保持图像的空间信息。2、针对传统遥感融合方法存在的问题,结合遥感融合图像质量提升框架,提出基于稀疏表示的遥感融合图像质量提升算法。利用基于冗余字典学习和邻域嵌入的算法学习融合图像和参考图像之间的差异,将融合图像映射到残差图像,通过融合图像与残差图像的叠加从而修复融合结果中的光谱扭曲和细节丢失等问题,有效的保持了图像的光谱信息和空间信息。实验结果表明该方法能有效提高融合图像的光谱质量,保持空间信息。3、针对传统遥感融合方法存在的问题,结合遥感融合图像质量提升框架,提出基于深度残差网络的遥感融合图像质量提升算法。通过将融合结果与理想高分辨率多光谱图像之间的差异看作广义噪声,利用深度残差去噪网络在广义去噪上的优势,学习固定融合方法细节丢失或光谱扭曲的模式,生成残差图像,利用残差图像补充和修复融合结果中的信息缺失和缺陷。实验结果表明,经过该方法处理的融合图像质量明显提升,其中与支持向量值变换结合的算法性能最优,其结果优于最新融合方法。
【图文】：

变量替换法,多光谱图像

差异较大时，融合结果还是会有明显光谱扭曲现象和色彩差异，这导致融合结果的光谱质量较差，视觉效果不佳。图1.1 变量替换法一般流程图基于多尺度分析的遥感融合算法从另一个角度看待遥感融合问题，图像由不同频率的分量组成，其中高频分量代表空间结构，而低频分量包含光谱信息，为了得到高空间分辨率的多光谱图像，在保留空间分辨率(Low Spatial Resolution, LR)多光谱图像的基础上，通过提取全色图像的高频分量并注入低分辨率多光谱图像中从而得到高分辨率的多光谱图像[9]。假设图像由不同尺度的信息组成，这些尺度通过合适的变换可以分离，，通过提取 PAN 的高频信息，并依据一定的先验规则将其注入到 LR MS 中以提高图像空间分辨率。常见的多尺度分析方法有：静态小波变换(Stationary Wavelet Transform

多尺度分析,遥感

g 和滤波模板各不相同。图1.2 多尺度分析法一般流程图基于多尺度分析的方法可以有效保持图像的空间信息和光谱质量，但当 PAN 的细节分量于 LR MS 的细节分量差异较大时，融合图像的色彩与边缘呈现假轮廓，视觉效果不佳。同时算法效果依赖于人为参数的设定，例如滤波器大小的选择直接影响融合结果的质量，而在实际中难以确定合适的超参数。1.2.2 其他遥感融合方法近年来，稀疏表示与卷积神经网络理论发展迅速，各国的研究者提出了许多基于稀疏表示和卷积神经网络的遥感融合算法，取得了良好的效果，体现了新技术在解决遥感融合问题上的潜力。基于稀疏表示的遥感融合算法最早是由 Li 和 Yang[14]提出的，通过分析低分辨率的多光谱图像、全色图像和高分辨率多光谱图像之间的关系
【学位授予单位】：南华大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751

【相似文献】