近年來,國產(chǎn)高分辨率遙感衛(wèi)星發(fā)展迅速,影像空間與時間分辨率不斷提高,已經(jīng)廣泛應(yīng)用于國土、測繪、環(huán)境與農(nóng)業(yè)等領(lǐng)域,為規(guī)劃、管理和決策方面提供了數(shù)據(jù)支持。由于信號傳輸帶寬和成像傳感器存儲的限制,遙感衛(wèi)星通常提供低分辨率的多光譜影像和高分辨率的全色影像,而在眾多遙感應(yīng)用（如植被覆蓋圖和環(huán)境監(jiān)測）中對于同時具有高分辨率和多光譜的衛(wèi)星影像的需求龐大。一般情況,研究人員采用融合技術(shù),來獲得兼具高分辨率與多光譜雙重優(yōu)點(diǎn)的遙感影像。針對國產(chǎn)高分辨率遙感影像高空間與高時間分辨率的特點(diǎn),以及對兼具高分辨率與多光譜特性的衛(wèi)星影像的強(qiáng)烈需求,本文以高分一號影像數(shù)據(jù)為例,對國產(chǎn)高分辨率遙感影像融合方法進(jìn)行研究,并結(jié)合目前學(xué)術(shù)研究熱點(diǎn)之一的深度學(xué)習(xí)理論,對深度學(xué)習(xí)輔助的影像融合方法進(jìn)行研究,采用深度學(xué)習(xí)算法中的卷積神經(jīng)網(wǎng)絡(luò)算法對全色影像分辨率進(jìn)行提高,基于提高分辨率后的影像進(jìn)行影像融合。研究內(nèi)容主要包括:（1）研究基于深度學(xué)習(xí)的遙感影像盲復(fù)原方法。研究一種深度復(fù)合卷積神經(jīng)網(wǎng)絡(luò)中低分辨率單影像盲復(fù)原模型,通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模擬中低分辨率與其對應(yīng)的高分辨率影像之間的特征。本文模型能夠預(yù)測基于整幅圖像多尺度端到端的特征圖... 

【文章來源】：東華理工大學(xué)江西省

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
2 國產(chǎn)高分辨率衛(wèi)星與數(shù)據(jù)預(yù)處理
    2.1 高分辨率衛(wèi)星數(shù)據(jù)介紹
        2.1.1 中巴地球資源系列衛(wèi)星
        2.1.2 資源系列衛(wèi)星
        2.1.3 高分專項(xiàng)系列衛(wèi)星
    2.2 研究區(qū)數(shù)據(jù)情況
    2.3 數(shù)據(jù)預(yù)處理
        2.3.1 輻射定標(biāo)
        2.3.2 大氣校正
        2.3.3 幾何校正
        2.3.4 圖像裁剪
    2.4 本章小結(jié)
3 影像融合基本理論與質(zhì)量評價(jià)方法
    3.1 影像融合概述
        3.1.1 影像融合過程
        3.1.2 影像融合層次
        3.1.3 影像融合常用方法
        3.1.4 影像融合規(guī)則
    3.2 影像融合質(zhì)量評價(jià)
        3.2.1 主觀評價(jià)方法
        3.2.2 客觀評價(jià)方法
    3.3 本章小結(jié)
4 基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)影像盲修復(fù)
    4.1 深度學(xué)習(xí)概述
    4.2 深度復(fù)合卷積神經(jīng)網(wǎng)絡(luò)影像盲復(fù)原模型
        4.2.1 深度卷積神經(jīng)網(wǎng)絡(luò)
        4.2.2 影像盲復(fù)原模型
    4.3 影像盲復(fù)原實(shí)驗(yàn)及結(jié)果分析
        4.3.1 實(shí)驗(yàn)過程
        4.3.2 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
5 融合實(shí)驗(yàn)與結(jié)果分析
    5.1 深度復(fù)合卷積神經(jīng)網(wǎng)絡(luò)影像融合模型
    5.2 實(shí)驗(yàn)過程
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 基于深度復(fù)合卷積神經(jīng)網(wǎng)絡(luò)的影像融合結(jié)果
        5.3.2 融合質(zhì)量評價(jià)分析
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]針對高分二號衛(wèi)星影像的幾種融合方法對比研究[J]. 李欣騰,陳曉勇,聶欣然,孫濤,李夢洋.  江西科學(xué). 2017(04)
[2]傳感器的研究現(xiàn)狀與發(fā)展趨勢[J]. 馬須敬,朱義彪.  青島科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(S1)
[3]高分一號在軌運(yùn)行四周年[J]. 東方紅.  衛(wèi)星應(yīng)用. 2017(05)
[4]利用軌道參數(shù)修正的無控制點(diǎn)星載SAR圖像幾何校正方法[J]. 陳繼偉,曾琪明,焦健,葉發(fā)旺,朱黎江.  測繪學(xué)報(bào). 2016(12)
[5]基于ZY-3和圖像融合的沖溝參數(shù)提取研究[J]. 王濤,趙延芳,何福紅,李鵬,馬江濤.  農(nóng)業(yè)現(xiàn)代化研究. 2016(06)
[6]基于深度支撐值學(xué)習(xí)網(wǎng)絡(luò)的遙感圖像融合[J]. 李紅,劉芳,楊淑媛,張凱.  計(jì)算機(jī)學(xué)報(bào). 2016(08)
[7]基于NSCT的PCA與PCNN相結(jié)合的圖像融合算法[J]. 吳粉俠,段群.  計(jì)算機(jī)技術(shù)與發(fā)展. 2015(12)
[8]結(jié)合光譜響應(yīng)函數(shù)的Landsat-8影像大氣校正研究[J]. 蒲莉莉,劉斌.  遙感信息. 2015(02)
[9]基于深度玻爾茲曼模型的紅外與可見光圖像融合[J]. 馮鑫,李川,胡開群.  物理學(xué)報(bào). 2014(18)
[10]光學(xué)分子影像手術(shù)導(dǎo)航系統(tǒng)中圖像融合算法研究[J]. 徐同花,趙建民,朱信忠,遲崇巍,葉津佐.  浙江師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(03)

博士論文
[1]基于稀疏表示的像素級圖像融合方法研究[D]. 朱智勤.重慶大學(xué) 2016
[2]基于深度學(xué)習(xí)的圖像特征學(xué)習(xí)和分類方法的研究及應(yīng)用[D]. 馮子勇.華南理工大學(xué) 2016
[3]基于融合框架與稀疏表示的遙感影像銳化[D]. 王文卿.西安電子科技大學(xué) 2015
[4]多尺度變換的圖像融合方法與應(yīng)用研究[D]. 蔣年德.湖南大學(xué) 2010
[5]動態(tài)場景下多運(yùn)動目標(biāo)檢測及跟蹤方法研究[D]. 曾鵬鑫.東北大學(xué) 2005
[6]多源遙感信息融合技術(shù)及多源信息在地學(xué)中的應(yīng)用研究[D]. 韓玲.西北大學(xué) 2005

碩士論文
[1]紅外光強(qiáng)與偏振圖像融合的多算法嵌接組合研究[D]. 董安冉.中北大學(xué) 2017
[2]地塊尺度冬油菜濕漬害遙感監(jiān)測方法研究[D]. 韓佳慧.浙江大學(xué) 2017
[3]WorldView-2影像與機(jī)載LiDAR數(shù)據(jù)融合的城市不透水面提取方法研究[D]. 吳孟凡.湖南師范大學(xué) 2017
[4]基于多分辨率分析的多光譜與全色圖像融合算法研究[D]. 李旭寒.長安大學(xué) 2016
[5]基于國產(chǎn)GF-1的高寒山區(qū)土地利用/覆蓋分類研究[D]. 劉麗雅.浙江大學(xué) 2016
[6]基于集成投影及卷積神經(jīng)網(wǎng)絡(luò)的建筑風(fēng)格分類算法研究[D]. 趙佩佩.西安電子科技大學(xué) 2015
[7]基于隱變量模型的歌曲轉(zhuǎn)換方法研究[D]. 黃斐.西安建筑科技大學(xué) 2015
[8]異類多傳感器圖像融合技術(shù)研究[D]. 甘晶.沈陽理工大學(xué) 2015
[9]基于遙感影像分塊提取地物方法的研究[D]. 朱書凡.西安科技大學(xué) 2014
[10]敏捷衛(wèi)星相機(jī)異速像移計(jì)算與分析[D]. 譚雙龍.哈爾濱工業(yè)大學(xué) 2014



本文編號：2903574