遥感影像信息复原问题的张量优化模型及算法研究
发布时间：2021-11-15 20:30
遥感影像能够记录地物目标信息,是军事、地质、环境和农业等应用领域的关键数据来源。然而由于成像设备、成像环境以及传输条件等限制,获取到的遥感影像数据可能会受到云、阴影及噪声等污染,这将会造成影像信息缺失并严重影响影像的后续应用。因此,研究遥感影像信息复原具有重要的理论意义和应用价值。影像信息复原的目标就是从观测的退化影像中反向求解出真实的影像,其在数学上属于典型的病态反问题。基于正则化的优化模型和稳定算法是求解该问题的一种有效方法,模型的建立主要来自于挖掘待求解目标的先验知识并设计合适的正则项。本文旨在挖掘高维遥感影像内在结构的先验知识,即全局低秩性、局部分片光滑性和非局部自相似性等,同时考虑实际问题中干扰成分的先验知识挖掘。基于这些先验知识,建立基于正则化的张量优化模型,并设计高效求解算法,用于多时相遥感影像云和阴影去除、高光谱遥感影像噪声去除和高光谱遥感影像压缩感知重建问题。本文的主要内容分为如下五个方面:1.针对多时相遥感影像云和阴影去除问题,通过分析真实多时相影像在光谱和时间维度的低秩性以及干扰成分云和阴影的稀疏性和局部分片光滑性,提出了一个基于低秩稀疏分解和全变分的盲云和阴影去...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：145 页
【学位级别】：博士
【文章目录】：
摘要
abstract
缩略词表
主要符号表
第一章 绪论
1.1 研究课题的背景及意义
1.2 遥感影像信息复原反问题与张量优化模型
1.3 遥感影像张量优化模型及算法的关键问题与研究现状
1.4 研究内容与创新点
1.5 本文的结构安排
1.6 记号说明与张量分解的基本概念
1.6.1 记号说明
1.6.2 张量分解的基本概念
第二章 基于低秩稀疏分解和全变分的盲云和阴影去除
2.1 引言
2.2 多时相遥感影像盲云和阴影去除方法
2.2.1 影像和云及阴影成分先验分析
2.2.2 模型建立
2.2.3 求解算法
2.2.4 云及阴影探测和信息补偿
2.3 数值实验和分析
2.3.1 仿真数据
2.3.2 真实数据
2.3.3 模型分析
2.4 本章小结
第三章 基于低秩张量分解和方向全变分的条带噪声去除
3.1 引言
3.2 高光谱遥感影像条带噪声去除方法
3.2.1 图像成分和条带噪声先验分析
3.2.2 模型建立
3.2.3 求解算法
3.3 数值实验和分析
3.3.1 仿真数据
3.3.2 真实数据
3.3.3 模型分析
3.4 本章小结
第四章 基于低秩张量分解和加权群组稀疏的混合噪声去除
4.1 引言
4.2 高光谱遥感影像混合噪声去除方法
4.2.1 先验知识和正则项分析
4.2.2 模型建立
4.2.3 求解算法
4.3 数值实验和分析
4.3.1 仿真数据
4.3.2 真实数据
4.3.3 模型分析
4.4 本章小结
第五章 基于非局部自相似性和张量环分解的高斯噪声去除和压缩感知重建
5.1 高光谱遥感影像高斯噪声去除方法
5.1.1 引言
5.1.2 相关方法
5.1.3 基于非局部自相似性和张量环分解的去噪方法
5.1.4 数值实验和分析
5.1.5 结论
5.2 高光谱遥感影像压缩感知重建方法
5.2.1 引言
5.2.2 相关方法
5.2.3 基于子空间因子非局部自相似性和张量环分解的重建方法
5.2.4 数值实验和分析
5.2.5 结论
5.3 本章小结
第六章 总结与展望
6.1 工作总结
6.2 工作展望
致谢
参考文献
攻读博士学位期间取得的成果
【参考文献】：
期刊论文
[1]Landsat8影像中云和阴影的去除方法及应用[J]. 李红英,骆成凤,王苑,杨鸿海. 地理空间信息. 2017(04)
[2]Terra MODIS数据28波段影像条带噪声去除方法[J]. 姜湾,沈焕锋,曾超,张良培,张洪艳,刘欣鑫. 武汉大学学报(信息科学版). 2014(05)
博士论文
[1]高维图像处理问题的张量建模与高效计算[D]. 蒋太翔.电子科技大学 2019
[2]光学遥感影像复杂条带噪声的变分处理方法研究[D]. 刘欣鑫.武汉大学 2018
[3]图像处理反问题的稀疏优化模型与算法研究[D]. 马天咴.电子科技大学 2017
[4]高光谱影像多类型噪声分析的低秩与稀疏方法研究[D]. 贺威.武汉大学 2017
本文编号：3497447
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：145 页
【学位级别】：博士
【文章目录】：
摘要
abstract
缩略词表
主要符号表
第一章 绪论
1.1 研究课题的背景及意义
1.2 遥感影像信息复原反问题与张量优化模型
1.3 遥感影像张量优化模型及算法的关键问题与研究现状
1.4 研究内容与创新点
1.5 本文的结构安排
1.6 记号说明与张量分解的基本概念
1.6.1 记号说明
1.6.2 张量分解的基本概念
第二章 基于低秩稀疏分解和全变分的盲云和阴影去除
2.1 引言
2.2 多时相遥感影像盲云和阴影去除方法
2.2.1 影像和云及阴影成分先验分析
2.2.2 模型建立
2.2.3 求解算法
2.2.4 云及阴影探测和信息补偿
2.3 数值实验和分析
2.3.1 仿真数据
2.3.2 真实数据
2.3.3 模型分析
2.4 本章小结
第三章 基于低秩张量分解和方向全变分的条带噪声去除
3.1 引言
3.2 高光谱遥感影像条带噪声去除方法
3.2.1 图像成分和条带噪声先验分析
3.2.2 模型建立
3.2.3 求解算法
3.3 数值实验和分析
3.3.1 仿真数据
3.3.2 真实数据
3.3.3 模型分析
3.4 本章小结
第四章 基于低秩张量分解和加权群组稀疏的混合噪声去除
4.1 引言
4.2 高光谱遥感影像混合噪声去除方法
4.2.1 先验知识和正则项分析
4.2.2 模型建立
4.2.3 求解算法
4.3 数值实验和分析
4.3.1 仿真数据
4.3.2 真实数据
4.3.3 模型分析
4.4 本章小结
第五章 基于非局部自相似性和张量环分解的高斯噪声去除和压缩感知重建
5.1 高光谱遥感影像高斯噪声去除方法
5.1.1 引言
5.1.2 相关方法
5.1.3 基于非局部自相似性和张量环分解的去噪方法
5.1.4 数值实验和分析
5.1.5 结论
5.2 高光谱遥感影像压缩感知重建方法
5.2.1 引言
5.2.2 相关方法
5.2.3 基于子空间因子非局部自相似性和张量环分解的重建方法
5.2.4 数值实验和分析
5.2.5 结论
5.3 本章小结
第六章 总结与展望
6.1 工作总结
6.2 工作展望
致谢
参考文献
攻读博士学位期间取得的成果
【参考文献】：
期刊论文
[1]Landsat8影像中云和阴影的去除方法及应用[J]. 李红英,骆成凤,王苑,杨鸿海. 地理空间信息. 2017(04)
[2]Terra MODIS数据28波段影像条带噪声去除方法[J]. 姜湾,沈焕锋,曾超,张良培,张洪艳,刘欣鑫. 武汉大学学报(信息科学版). 2014(05)
博士论文
[1]高维图像处理问题的张量建模与高效计算[D]. 蒋太翔.电子科技大学 2019
[2]光学遥感影像复杂条带噪声的变分处理方法研究[D]. 刘欣鑫.武汉大学 2018
[3]图像处理反问题的稀疏优化模型与算法研究[D]. 马天咴.电子科技大学 2017
[4]高光谱影像多类型噪声分析的低秩与稀疏方法研究[D]. 贺威.武汉大学 2017
本文编号：3497447
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3497447.html
