發(fā)布時(shí)間：2021-06-30 13:39

　　圖像超分辨率重建技術(shù)被廣泛應(yīng)用于遙感影像處理、醫(yī)學(xué)成像、視頻監(jiān)控、交通違法監(jiān)控等多個(gè)領(lǐng)域,具備較強(qiáng)的應(yīng)用價(jià)值。對(duì)于圖像超分辨率重建方法研究問(wèn)題,發(fā)展趨勢(shì)從基于插值、基于重構(gòu)、基于學(xué)習(xí)的算法到近幾年基于深度學(xué)習(xí)理論,基于深度學(xué)習(xí)超分辨率重建如SRCNN、FSRCNN、VDSR、DRCN等算法,在一定程度上能改善超分重建后圖像的質(zhì)量,但還存在一些不足之處,如卷積層數(shù)過(guò)少,無(wú)法充分學(xué)習(xí)低分辨率圖像與高分辨率圖像之間的細(xì)節(jié)特征。同時(shí),傳統(tǒng)衛(wèi)星遙感影像在融合過(guò)程中,大多通過(guò)簡(jiǎn)單的插值法將多光譜影像放大到與全色影像相同的尺寸大小進(jìn)行融合,融合關(guān)注的重點(diǎn)是全色波段的空間細(xì)節(jié)信息和低分辨率多光譜頻譜信息的合并。因此,在插值過(guò)程中存在沒(méi)有充分利用低分辨率的空間信息的情況。本文在前人研究的基礎(chǔ)上,針對(duì)傳統(tǒng)衛(wèi)星遙感影像融合過(guò)程中存在信息丟失的問(wèn)題和圖像超分重建方法的不足之處,改進(jìn)了基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的超分辨率重建方法,在保留頻譜信息的同時(shí),增強(qiáng)了低分辨率多光譜影像的空間信息。其次,通過(guò)施密特正交變換對(duì)空間信息增強(qiáng)的多光譜和全色波段影像進(jìn)行融合,得到一個(gè)具備較高空間分辨率、良好頻譜的融合結(jié)果。最后通過(guò)定性... 

【文章來(lái)源】：東華理工大學(xué)江西省

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
2 圖像超分辨率重建技術(shù)
    2.1 基本概念及理論基礎(chǔ)
    2.2 基于插值的超分辨率重建算法
    2.3 基于重建的超分辨率算法
    2.4 基于學(xué)習(xí)的超分辨率方法
    2.5 超分辨率重建質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)
    2.6 本章小結(jié)
3 遙感影像融合及數(shù)據(jù)預(yù)處理
    3.1 影像融合概述
    3.2 影像融合層次
    3.3 影像融合算法
    3.4 影像融合評(píng)價(jià)方法
    3.5 數(shù)據(jù)預(yù)處理
        3.5.1 研究區(qū)概況
        3.5.2 輻射定標(biāo)
        3.5.3 大氣校正
        3.5.4 幾何校正
        3.5.5 圖像裁剪
    3.6 本章小結(jié)
4 卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建
    4.1 卷積神經(jīng)網(wǎng)絡(luò)
        4.1.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法
        4.1.3 激活函數(shù)
    4.2 卷積神經(jīng)網(wǎng)絡(luò)超分辨率重建技術(shù)
    4.3 多尺度卷積神經(jīng)網(wǎng)絡(luò)超分重建技術(shù)
        4.3.1 多尺度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.2 網(wǎng)絡(luò)訓(xùn)練
        4.3.3 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 實(shí)驗(yàn)過(guò)程
        5.1.1 高分一號(hào)試驗(yàn)影像融合結(jié)果
        5.1.2 高分二號(hào)試驗(yàn)影像融合結(jié)果
    5.2 融合質(zhì)量評(píng)價(jià)分析
        5.2.1 目視解譯評(píng)價(jià)
        5.2.2 客觀質(zhì)量評(píng)價(jià)指標(biāo)
    5.3 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間研究成果


【參考文獻(xiàn)】：
期刊論文
[1]針對(duì)高分二號(hào)衛(wèi)星影像的幾種融合方法對(duì)比研究[J]. 李欣騰,陳曉勇,聶欣然,孫濤,李夢(mèng)洋.  江西科學(xué). 2017(04)
[2]高分一號(hào)在軌運(yùn)行四周年[J]. 東方紅.  衛(wèi)星應(yīng)用. 2017(05)
[3]利用軌道參數(shù)修正的無(wú)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(cè)繪學(xué)報(bào). 2016(12)
[4]利用多光譜衛(wèi)星遙感和深度學(xué)習(xí)方法進(jìn)行青藏高原積雪判識(shí)[J]. 闞希,張永宏,曹庭,王劍庚,田偉.  測(cè)繪學(xué)報(bào). 2016(10)
[5]基于深度學(xué)習(xí)的光學(xué)遙感機(jī)場(chǎng)與飛行器目標(biāo)識(shí)別技術(shù)[J]. 牛新,竇勇,張鵬,曹玉社.  大數(shù)據(jù). 2016(05)
[6]利用雙通道卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法[J]. 徐冉,張俊格,黃凱奇.  中國(guó)圖象圖形學(xué)報(bào). 2016(05)
[7]卷積神經(jīng)網(wǎng)絡(luò)在高分遙感影像分類(lèi)中的應(yīng)用[J]. 曹林林,李海濤,韓顏?lái)?余凡,顧海燕.  測(cè)繪科學(xué). 2016(09)
[8]高分一號(hào)衛(wèi)星4種融合方法評(píng)價(jià)[J]. 劉錕,付晶瑩,李飛.  遙感技術(shù)與應(yīng)用. 2015(05)
[9]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)
[10]ZY-3衛(wèi)星全色與多光譜影像融合方法比較[J]. 李霖,佘夢(mèng)媛,羅恒.  農(nóng)業(yè)工程學(xué)報(bào). 2014(16)

碩士論文
[1]基于深度學(xué)習(xí)的國(guó)產(chǎn)高分辨率影像融合方法研究[D]. 涂榮杰.東華理工大學(xué) 2018
[2]基于國(guó)產(chǎn)GF-1的高寒山區(qū)土地利用/覆蓋分類(lèi)研究[D]. 劉麗雅.浙江大學(xué) 2016
[3]基于遙感影像分塊提取地物方法的研究[D]. 朱書(shū)凡.西安科技大學(xué) 2014
[4]卷積神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用[D]. 徐姍姍.南京林業(yè)大學(xué) 2013



本文編號(hào)：3257846