基于稀疏矩阵分解的遥感图像融合
发布时间：2021-05-21 15:57
目前,我国对地观测遥感卫星已迎来密集发射期,各类高分辨率遥感图像正在被广泛应用于现代农业、防灾减灾、资源调查、环境保护和国防安全等领域。然而,由于卫星传感器的硬件技术和发射成本的限制,传感器的空间分辨率与时间分辨率、光谱分辨率、扫描幅宽等存在的固有矛盾,使得遥感卫星无法同时获取高空间分辨率和高光谱分辨率的图像。例如,全色图像虽然包含一个波段,但是其空间分辨率很高。而多光谱图像空间分辨率较低,但是其由多个波段组成。高光谱图像则包含几百甚至上千个波段,能够提供丰富的光谱特征,但是其空间分辨率很低。因此,为了获得多属性的高分辨率遥感图像,研究人员采用图像融合技术综合利用多源遥感图像来实现对场景信息更加准确的解译。遥感图像可视为高维矩阵,而多源图像融合可看作是矩阵复原问题。针对现有图像融合方法中存在的光谱扭曲和空间信息损失等问题,本文挖掘遥感图像在空间和光谱域上的稀疏性,研究了基于稀疏矩阵分解的遥感图像融合技术。基于非负矩阵分解,卷积稀疏编码,低秩分解等模型,对全色与多光谱图像,以及多光谱和高光谱图像的融合进行了深入研究。论文主要工作内容如下:（1）挖掘高分辨率图像在空间与光谱退化模型中的稀疏...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：158 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景及意义
1.2 多光谱与全色图像融合方法研究现状及进展
1.2.1 基于成分替代的多光谱与全色图像融合方法
1.2.2 基于多尺度分析的多光谱与全色图像融合方法
1.2.3 基于观测模型的多光谱与全色图像融合方法
1.2.4 多光谱与全色图像融合方法发展趋势
1.3 多光谱与高光谱图像融合方法研究现状及进展
1.3.1 基于全色锐化模型拓展的多光谱与高光谱图像融合方法
1.3.2 基于观测模型的多光谱与高光谱图像融合方法
1.3.3 多光谱与高光谱图像融合方法发展趋势
1.4 遥感图像融合质量评价标准
1.5 本文工作
第二章 基于耦合稀疏非负矩阵分解的多光谱与全色图像融合方法
2.1 引言
2.2 非负矩阵分解
2.3 基于耦合稀疏非负矩阵分解的融合方法
2.3.1 融合模型
2.3.2 优化方法
2.4 实验结果与分析
2.4.1 实验设置
2.4.2 融合模型分析
2.4.3 模型参数分析
2.4.4 仿真数据结果分析
2.4.5 真实数据结果分析
2.5 本章小结
第三章 基于卷积结构稀疏编码的多光谱与全色图像融合方法
3.1 引言
3.2 卷积稀疏编码
3.3 基于卷积结构稀疏编码的融合方法
3.3.1 融合模型
3.3.2 优化算法
3.3.3 复杂度分析
3.4 高/低分辨率滤波器联合学习框架
3.4.1 特征图估计
3.4.2 滤波器学习
3.4.3 复杂度分析
3.5 实验结果与分析
3.5.1 实验设置
3.5.2 权重参数分析
3.5.3 滤波器参数分析
3.5.4 仿真数据结果分析
3.5.5 真实数据结果分析
3.5.6 运行时间分析
3.6 本章小结
第四章 基于低秩分解与空谱抵消成分的多光谱与全色图像融合方法
4.1 引言
4.2 低秩矩阵分解
4.3 基于低秩分解与空谱抵消成分的融合方法
4.3.1 融合模型
4.3.2 优化算法
4.4 实验结果与分析
4.4.1 实验设置
4.4.2 融合模型分析
4.4.3 权重参数分析
4.4.4 仿真数据结果分析
4.4.5 真实数据结果分析
4.5 本章小结
第五章 基于低秩分解与组光谱嵌入的多光谱与高光谱图像融合方法
5.1 引言
5.2 基于低秩分解与组光谱嵌入的融合方法
5.2.1 高光谱图像的低秩分解模型
5.2.2 组光谱嵌入正则
5.2.3 融合模型
5.2.4 优化算法
5.3 实验结果与分析
5.3.1 实验设置
5.3.2 权重参数分析
5.3.3 Pavia数据结果分析
5.3.4 Washington数据结果分析
5.4 本章小结
第六章 基于低秩张量分解与空谱图正则的多光谱与高光谱图像融合方法
6.1 引言
6.2 张量分解
6.3 基于低秩张量分解与空谱图正则的融合方法
6.3.1 低秩张量融合模型
6.3.2 空间图正则
6.3.3 光谱图正则
6.3.4 融合框架
6.3.5 空谱图正则分析
6.4 优化算法
6.4.1 基于增广拉格朗日乘子的优化方法
6.4.2 复杂度分析
6.5 实验结果与分析
6.5.1 实验设置
6.5.2 权重参数分析
6.5.3 超像素边缘效应分析
6.5.4 Pavia数据结果分析
6.5.5 Washington数据结果分析
6.5.6 运行时间分析
6.6 本章小结
第七章 总结与展望
7.1 工作总结
7.2 工作展望
参考文献
致谢
作者简介
本文编号：3199982
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：158 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景及意义
1.2 多光谱与全色图像融合方法研究现状及进展
1.2.1 基于成分替代的多光谱与全色图像融合方法
1.2.2 基于多尺度分析的多光谱与全色图像融合方法
1.2.3 基于观测模型的多光谱与全色图像融合方法
1.2.4 多光谱与全色图像融合方法发展趋势
1.3 多光谱与高光谱图像融合方法研究现状及进展
1.3.1 基于全色锐化模型拓展的多光谱与高光谱图像融合方法
1.3.2 基于观测模型的多光谱与高光谱图像融合方法
1.3.3 多光谱与高光谱图像融合方法发展趋势
1.4 遥感图像融合质量评价标准
1.5 本文工作
第二章 基于耦合稀疏非负矩阵分解的多光谱与全色图像融合方法
2.1 引言
2.2 非负矩阵分解
2.3 基于耦合稀疏非负矩阵分解的融合方法
2.3.1 融合模型
2.3.2 优化方法
2.4 实验结果与分析
2.4.1 实验设置
2.4.2 融合模型分析
2.4.3 模型参数分析
2.4.4 仿真数据结果分析
2.4.5 真实数据结果分析
2.5 本章小结
第三章 基于卷积结构稀疏编码的多光谱与全色图像融合方法
3.1 引言
3.2 卷积稀疏编码
3.3 基于卷积结构稀疏编码的融合方法
3.3.1 融合模型
3.3.2 优化算法
3.3.3 复杂度分析
3.4 高/低分辨率滤波器联合学习框架
3.4.1 特征图估计
3.4.2 滤波器学习
3.4.3 复杂度分析
3.5 实验结果与分析
3.5.1 实验设置
3.5.2 权重参数分析
3.5.3 滤波器参数分析
3.5.4 仿真数据结果分析
3.5.5 真实数据结果分析
3.5.6 运行时间分析
3.6 本章小结
第四章 基于低秩分解与空谱抵消成分的多光谱与全色图像融合方法
4.1 引言
4.2 低秩矩阵分解
4.3 基于低秩分解与空谱抵消成分的融合方法
4.3.1 融合模型
4.3.2 优化算法
4.4 实验结果与分析
4.4.1 实验设置
4.4.2 融合模型分析
4.4.3 权重参数分析
4.4.4 仿真数据结果分析
4.4.5 真实数据结果分析
4.5 本章小结
第五章 基于低秩分解与组光谱嵌入的多光谱与高光谱图像融合方法
5.1 引言
5.2 基于低秩分解与组光谱嵌入的融合方法
5.2.1 高光谱图像的低秩分解模型
5.2.2 组光谱嵌入正则
5.2.3 融合模型
5.2.4 优化算法
5.3 实验结果与分析
5.3.1 实验设置
5.3.2 权重参数分析
5.3.3 Pavia数据结果分析
5.3.4 Washington数据结果分析
5.4 本章小结
第六章 基于低秩张量分解与空谱图正则的多光谱与高光谱图像融合方法
6.1 引言
6.2 张量分解
6.3 基于低秩张量分解与空谱图正则的融合方法
6.3.1 低秩张量融合模型
6.3.2 空间图正则
6.3.3 光谱图正则
6.3.4 融合框架
6.3.5 空谱图正则分析
6.4 优化算法
6.4.1 基于增广拉格朗日乘子的优化方法
6.4.2 复杂度分析
6.5 实验结果与分析
6.5.1 实验设置
6.5.2 权重参数分析
6.5.3 超像素边缘效应分析
6.5.4 Pavia数据结果分析
6.5.5 Washington数据结果分析
6.5.6 运行时间分析
6.6 本章小结
第七章 总结与展望
7.1 工作总结
7.2 工作展望
参考文献
致谢
作者简介
本文编号：3199982
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3199982.html
