目前,我國(guó)對(duì)地觀測(cè)遙感衛(wèi)星已迎來(lái)密集發(fā)射期,各類高分辨率遙感圖像正在被廣泛應(yīng)用于現(xiàn)代農(nóng)業(yè)、防災(zāi)減災(zāi)、資源調(diào)查、環(huán)境保護(hù)和國(guó)防安全等領(lǐng)域。然而,由于衛(wèi)星傳感器的硬件技術(shù)和發(fā)射成本的限制,傳感器的空間分辨率與時(shí)間分辨率、光譜分辨率、掃描幅寬等存在的固有矛盾,使得遙感衛(wèi)星無(wú)法同時(shí)獲取高空間分辨率和高光譜分辨率的圖像。例如,全色圖像雖然包含一個(gè)波段,但是其空間分辨率很高。而多光譜圖像空間分辨率較低,但是其由多個(gè)波段組成。高光譜圖像則包含幾百甚至上千個(gè)波段,能夠提供豐富的光譜特征,但是其空間分辨率很低。因此,為了獲得多屬性的高分辨率遙感圖像,研究人員采用圖像融合技術(shù)綜合利用多源遙感圖像來(lái)實(shí)現(xiàn)對(duì)場(chǎng)景信息更加準(zhǔn)確的解譯。遙感圖像可視為高維矩陣,而多源圖像融合可看作是矩陣復(fù)原問(wèn)題。針對(duì)現(xiàn)有圖像融合方法中存在的光譜扭曲和空間信息損失等問(wèn)題,本文挖掘遙感圖像在空間和光譜域上的稀疏性,研究了基于稀疏矩陣分解的遙感圖像融合技術(shù)�；诜秦�(fù)矩陣分解,卷積稀疏編碼,低秩分解等模型,對(duì)全色與多光譜圖像,以及多光譜和高光譜圖像的融合進(jìn)行了深入研究。論文主要工作內(nèi)容如下:（1）挖掘高分辨率圖像在空間與光譜退化模型中的稀疏... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：158 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 多光譜與全色圖像融合方法研究現(xiàn)狀及進(jìn)展
        1.2.1 基于成分替代的多光譜與全色圖像融合方法
        1.2.2 基于多尺度分析的多光譜與全色圖像融合方法
        1.2.3 基于觀測(cè)模型的多光譜與全色圖像融合方法
        1.2.4 多光譜與全色圖像融合方法發(fā)展趨勢(shì)
    1.3 多光譜與高光譜圖像融合方法研究現(xiàn)狀及進(jìn)展
        1.3.1 基于全色銳化模型拓展的多光譜與高光譜圖像融合方法
        1.3.2 基于觀測(cè)模型的多光譜與高光譜圖像融合方法
        1.3.3 多光譜與高光譜圖像融合方法發(fā)展趨勢(shì)
    1.4 遙感圖像融合質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)
    1.5 本文工作
第二章 基于耦合稀疏非負(fù)矩陣分解的多光譜與全色圖像融合方法
    2.1 引言
    2.2 非負(fù)矩陣分解
    2.3 基于耦合稀疏非負(fù)矩陣分解的融合方法
        2.3.1 融合模型
        2.3.2 優(yōu)化方法
    2.4 實(shí)驗(yàn)結(jié)果與分析
        2.4.1 實(shí)驗(yàn)設(shè)置
        2.4.2 融合模型分析
        2.4.3 模型參數(shù)分析
        2.4.4 仿真數(shù)據(jù)結(jié)果分析
        2.4.5 真實(shí)數(shù)據(jù)結(jié)果分析
    2.5 本章小結(jié)
第三章 基于卷積結(jié)構(gòu)稀疏編碼的多光譜與全色圖像融合方法
    3.1 引言
    3.2 卷積稀疏編碼
    3.3 基于卷積結(jié)構(gòu)稀疏編碼的融合方法
        3.3.1 融合模型
        3.3.2 優(yōu)化算法
        3.3.3 復(fù)雜度分析
    3.4 高/低分辨率濾波器聯(lián)合學(xué)習(xí)框架
        3.4.1 特征圖估計(jì)
        3.4.2 濾波器學(xué)習(xí)
        3.4.3 復(fù)雜度分析
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 實(shí)驗(yàn)設(shè)置
        3.5.2 權(quán)重參數(shù)分析
        3.5.3 濾波器參數(shù)分析
        3.5.4 仿真數(shù)據(jù)結(jié)果分析
        3.5.5 真實(shí)數(shù)據(jù)結(jié)果分析
        3.5.6 運(yùn)行時(shí)間分析
    3.6 本章小結(jié)
第四章 基于低秩分解與空譜抵消成分的多光譜與全色圖像融合方法
    4.1 引言
    4.2 低秩矩陣分解
    4.3 基于低秩分解與空譜抵消成分的融合方法
        4.3.1 融合模型
        4.3.2 優(yōu)化算法
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)設(shè)置
        4.4.2 融合模型分析
        4.4.3 權(quán)重參數(shù)分析
        4.4.4 仿真數(shù)據(jù)結(jié)果分析
        4.4.5 真實(shí)數(shù)據(jù)結(jié)果分析
    4.5 本章小結(jié)
第五章 基于低秩分解與組光譜嵌入的多光譜與高光譜圖像融合方法
    5.1 引言
    5.2 基于低秩分解與組光譜嵌入的融合方法
        5.2.1 高光譜圖像的低秩分解模型
        5.2.2 組光譜嵌入正則
        5.2.3 融合模型
        5.2.4 優(yōu)化算法
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 實(shí)驗(yàn)設(shè)置
        5.3.2 權(quán)重參數(shù)分析
        5.3.3 Pavia數(shù)據(jù)結(jié)果分析
        5.3.4 Washington數(shù)據(jù)結(jié)果分析
    5.4 本章小結(jié)
第六章 基于低秩張量分解與空譜圖正則的多光譜與高光譜圖像融合方法
    6.1 引言
    6.2 張量分解
    6.3 基于低秩張量分解與空譜圖正則的融合方法
        6.3.1 低秩張量融合模型
        6.3.2 空間圖正則
        6.3.3 光譜圖正則
        6.3.4 融合框架
        6.3.5 空譜圖正則分析
    6.4 優(yōu)化算法
        6.4.1 基于增廣拉格朗日乘子的優(yōu)化方法
        6.4.2 復(fù)雜度分析
    6.5 實(shí)驗(yàn)結(jié)果與分析
        6.5.1 實(shí)驗(yàn)設(shè)置
        6.5.2 權(quán)重參數(shù)分析
        6.5.3 超像素邊緣效應(yīng)分析
        6.5.4 Pavia數(shù)據(jù)結(jié)果分析
        6.5.5 Washington數(shù)據(jù)結(jié)果分析
        6.5.6 運(yùn)行時(shí)間分析
    6.6 本章小結(jié)
第七章 總結(jié)與展望
    7.1 工作總結(jié)
    7.2 工作展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3199982