發(fā)布時(shí)間：2021-05-11 03:19

　　隨著傳感器技術(shù)的快速發(fā)展,不同種類的圖像傳感器已在多個(gè)領(lǐng)域得到廣泛應(yīng)用。這些傳感器因工作環(huán)境不同,獲取的圖像所包含的信息也存在較大差異。和普通的光學(xué)圖像不同,遙感圖像具有較高的空間分辨率,包含的紋理細(xì)節(jié)信息也更豐富,在輔助工程規(guī)劃、抗震救災(zāi),和氣象預(yù)測等方面具有廣泛的應(yīng)用。近幾年研究者們提出了許多基于稀疏表示的遙感圖像處理方法,主要用于遙感圖像噪聲抑制以及多源圖像融合中。目前,這些方法取得了一定的進(jìn)步,但是面對具有更為豐富的紋理信息和邊緣特征的遙感圖像,該方法仍存在著很多不足,如不具有平移不變性、細(xì)節(jié)信息容易丟失等。為解決以上問題,本文主要對稀疏表示基礎(chǔ)理論進(jìn)行深入研究與探索,針對遙感圖像去噪和融合的關(guān)鍵技術(shù)展開系統(tǒng)深入的研究,以得到能更全面、完整地反映場景信息的清晰融合圖像。主要工作及創(chuàng)新性研究成果如下:1.基于稀疏表示的SAR圖像相干斑噪聲抑制算法由于合成孔徑雷達(dá)（Synthetic Aperture Radar,SAR）圖像特殊的成像機(jī)制,在圖像的獲取過程中往往伴隨著相干斑噪聲的產(chǎn)生,如SEN1-2數(shù)據(jù)庫中衛(wèi)星Sentinel-1采集到的噪聲SAR圖像,給后續(xù)的圖像融合帶來了嚴(yán)重... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：118 頁

【學(xué)位級別】：博士

【文章目錄】：
致謝
摘要
ABSTRACT
縮略語表
1 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 圖像去噪研究現(xiàn)狀
        1.2.2 圖像融合研究現(xiàn)狀
    1.3 研究內(nèi)容與結(jié)構(gòu)安排
2 圖像融合與稀疏表示基礎(chǔ)理論
    2.1 圖像融合
        2.1.1 融合分類
        2.1.2 融合層級
        2.1.3 融合方法
        2.1.4 存在問題
    2.2 稀疏表示理論
        2.2.1 字典生成
        2.2.2 稀疏編碼
        2.2.3 K-SVD
            2.2.3.1 K-means
            2.2.3.2 K-SVD
    2.3 本章小結(jié)
3 基于稀疏表示的遙感圖像去噪
    3.1 基于殘差圖像融合和稀疏表示的SAR圖像去噪
        3.1.1 K-SVD圖像去噪
        3.1.2 剪切波域的殘差圖像去噪
        3.1.3 基于殘差圖像融合的SAR圖像去噪
        3.1.4 實(shí)驗(yàn)結(jié)果和分析
    3.2 基于平移不變性K-SVD和向?qū)V波的SAR圖像去噪
        3.2.1 平移不變性的K-SVD
        3.2.2 向?qū)V波
        3.2.3 實(shí)驗(yàn)結(jié)果和分析
    3.3 本章小結(jié)
4 基于稀疏表示和向?qū)V波的SAR圖像融合
    4.1 基于改進(jìn)的雙曲正切函數(shù)和零范數(shù)取最大的融合規(guī)則
    4.2 實(shí)驗(yàn)結(jié)果與分析
        4.2.1 客觀評價(jià)指標(biāo)
        4.2.2 SAR和光學(xué)圖像的融合
        4.2.3 SAR和紅外圖像融合
    4.3 本章小結(jié)
5 基于聯(lián)合稀疏表示和優(yōu)化理論的圖像融合
    5.1 基于聯(lián)合稀疏表示的圖像融合
    5.2 實(shí)驗(yàn)結(jié)果與分析
    5.3 本章小結(jié)
6 基于聯(lián)合稀疏表示和PCNN的噪聲遙感圖像融合
    6.1 基于聯(lián)合稀疏表示的噪聲遙感圖像融合
    6.2 基于改進(jìn)的PCNN的融合規(guī)則
    6.3 實(shí)驗(yàn)結(jié)果與分析
        6.3.1 無噪圖像融合
        6.3.2 噪聲圖像融合
            6.3.2.1 Olso城市融合
            6.3.2.2 SEN1-2數(shù)據(jù)庫融合
    6.4 本章小結(jié)
7 總結(jié)與展望
    7.1 工作總結(jié)
    7.2 未來展望
參考文獻(xiàn)
作者簡歷及攻讀博士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]混合多尺度分析和改進(jìn)PCNN相結(jié)合的圖像融合方法[J]. 焦姣,吳玲達(dá),于少波,朱江.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(06)
[2]Multi-focus image fusion based on block matching in3D transform domain[J]. YANG Dongsheng,HU Shaohai,LIU Shuaiqi,MA Xiaole,SUN Yuchao.  Journal of Systems Engineering and Electronics. 2018(02)
[3]基于分組三維離散余弦變換字典的植物高光譜數(shù)據(jù)去噪方法[J]. 徐平,肖沖,張競成,薛凌云.  光學(xué)學(xué)報(bào). 2017(06)
[4]遙感衛(wèi)星影像K-SVD稀疏表示去噪[J]. 夏琴,邢帥,馬東洋,莫德林,李鵬程,葛忠孝.  遙感學(xué)報(bào). 2016(03)
[5]結(jié)合向?qū)V波與復(fù)輪廓波變換的多聚焦圖像融合算法[J]. 劉帥奇,胡紹海,趙杰,肖揚(yáng).  信號處理. 2016(03)
[6]基于字典學(xué)習(xí)的殘差信息融合圖像去噪方法[J]. 董明堃,蔣愛民,孫娟.  微處理機(jī). 2015(01)
[7]字典學(xué)習(xí)模型、算法及其應(yīng)用研究進(jìn)展[J]. 練秋生,石保順,陳書貞.  自動(dòng)化學(xué)報(bào). 2015(02)
[8]極化SAR圖像自適應(yīng)增強(qiáng)Lee濾波算法[J]. 郎豐鎧,楊杰,李德仁.  測繪學(xué)報(bào). 2014(07)
[9]改進(jìn)的基于稀疏表示的圖像超分辨率重建算法[J]. 首照宇,廖敏璐,陳利霞.  計(jì)算機(jī)應(yīng)用與軟件. 2014(04)
[10]壓縮感知綜述[J]. 尹宏鵬,劉兆棟,柴毅,焦緒國.  控制與決策. 2013(10)



本文編號：3180614