一、一种改进的基于小波变换的遥感图像融合方法（论文文献综述）
杨进[1]（2020）在《基于多尺度下结构组稀疏表示的图像融合方法研究》文中研究表明在人工智能及信息技术大力发展的背景下,各技术领域对图像融合有较大的需求,因此图像融合在各技术领域的地位越来越重要。在图像融合技术中,人们开始采用多尺度方式来分解源图像,这样图像融合就可以在离散的变换域中进行,其中多尺度小波变换在进行图像融合时取得了显着的效果。于是本文对具有多尺度性质的小波变换图像融合方法以及根据结构组稀疏表示图像融合方法进行分析研究。针对小波变换图像融合方法中存在的问题,本文提出了一种基于结构相似度融合规则的图像融合方法。然后本文根据结构组稀疏表示图像融合中的发展和应用,又提出一种改进的双树复小波变换（DT-CWT）与结构组稀疏表示相结合的图像融合方法。具体内容如下:本文首先对图像融合理论背景及其意义进行分析说明,了解图像融合理论在国内外的状况以及发展趋势。接下来本文介绍了图像融合基本理论和传统融合方法,同时也介绍图像融合质量好坏的评价标准。在分析研究多尺度变换理论时,本文对常用的小波变换进行理论分析,发现小波变换不足之处是不具有平移不变性和有效的方向选择性。针对小波变换存在的缺点,本文提出了一种改进的DT-CWT变换的图像融合方法,这方法是基于结构相似度（SSIM）对DT-CWT变换产生的分量进行有效选取,很好的解决了小波变换存在的问题,从而提高图像融合效果。通过实验结果和客观评价标准可以说明改进的DT-CWT变换改善了图像的融合效果。通过文献查阅,本文分析了稀疏表示方法的发展过程和在图像融合中的应用,发现传统的稀疏表示存在字典学习计算难和稀疏表示图像分块关联性两个问题。针对传统的稀疏表示存在的两个问题,对结构组稀疏表示有关文献分析,发现结构组稀疏表示方法可以解决上述问题,同时本文介绍了结构组理论和结构组稀疏模型的构造。根据图像结构组稀疏表示的优点和DT-CWT变换的优点,提出一种具有多尺度性的DT-CWT变换的结构组图像融合方法,本文分别介绍了这种方法的融合流程,其中包括源图像低、高频分量改进的融合规则。最后将常用的图像融合方法的仿真实验结果同本文方法的仿真实验结果进行对比,可以得出本文方法有效改善了图像的融合效果,提高了图像清晰度和保留了图像细节信息。
帅慕蓉[2]（2019）在《基于Daubechies小波变换的遥感影像去薄云方法研究》文中指出随着卫星技术的飞速发展,遥感影像在城市规划、动态监测、气象预测、地物识别等行业上被广泛应用,但光学传感器在采集数据时很容易受到云层的影响,导致影像地物被遮挡、清晰度下降、后期地物识别困难。因此,为了提高遥感数据的使用率,达到节省经济成本的目的,研究如何有效的去除影像云噪声的方法是遥感数字图像处理技术中的热点。本文先介绍了遥感影像薄云的成像模型和去云方法的基础理论,针对传统的去薄云方法在滤除云噪声时存在的大量源信息被丢失的问题,提出了一种改进的小波变换去薄云影像方法。该算法是将同态滤波和高频强调滤波融合到传统的小波变换中得到的,首先,通过探讨选取了最优小波基db4和3层分界层;其次,采用Mallat算法对实验影像进行分解,得到包含大部分云噪声的高层细节系数、大量地物信息的低层细节系数、少量云噪声及背景信息的近似系数;然后,对高层细节系数重构得到的低频分量经同态滤波预处理后进行适当增大、对低层细节系数重构得到的高频分量进行增大处理、对最高层近似系数进行高频强调滤波处理;最后,小波重构得到去云后的结果,完善了传统的小波变换法在处理低频信息上的不足。为了验证本文改进算法的有效性,以单景Landsat8影像作为研究对象,采用3种方法对实验影像进行去薄云处理,从目视评价和客观指标上对去云效果进行独立性和综合性评价。实验结果表明:（1）改进的Butterworth高通滤波器能更好的保留原始图像的细节,并避免“振铃现象”和失真的问题。同态滤波法能去除中厚度均匀分布的薄云,随着截止频率的增大,去除的云噪声更多,但随之源信息丢失的更严重、结果影像更模糊。（2）传统的小波变换法减小高层细节系数和最高层近似系数,并增大低层细节系数,能在一定程度上削弱云噪声,增强地物信息,但不能完全滤除低频分量上的云噪声,无法达到理想的去云效果。（3）本文改进的算法能确保损失最少源信息的情况下更有效的去除薄云噪声,同时增强地物细节和轮廓,对比度更好、清晰度更高,去云处理后的效果更理想,实现了小波变换的时域性和傅里叶变换的频域性互补。因此,本文改进的算法在去云效果上明显优于其他方法,验证了该算法的有效性。
杨赞伟[3]（2020）在《基于CMOS传感器的高光谱遥感图像非均匀性校正技术研究》文中进行了进一步梳理高光谱遥感图像作为近年来快速发展和广泛应用的遥感成像技术,由于其具有的视野范围广、多谱段采集和实时监测等特点,在空对地信息采集方面得到广泛应用。但是由于高光谱图像易受到条带噪声的影响,使得高光谱相机采集到的遥感图像的信息完整性遭到破坏,对信息提取和目标识别等后续图像数据处理造成了较大的困难。对于高帧频CMOS（Complementary Metal-Oxide-Semiconductor）作为图像传感器的高光谱相机,其采集到的高光谱遥感图像可能受到条带噪声的影响较严重且噪声分布不规律。因此本文的主要研究内容就是针对基于CMOS传感器的高光谱遥感图像,提出性能优越且去噪效果更佳的非均匀性校正算法。本文首先介绍了高光谱遥感图像条带噪声非均匀性校正的研究背景与意义,并总结了目前国内外的研究发展现状,然后针对高光谱遥感图像的成像特点,分析了条带噪声的产生原因和表现特征,紧接着分析了噪声的退化模型,明确了图像非均匀性校正的主、客观评价标准。其次在空域内,针对移动窗口矩匹配算法的特点与不足,基于窗口阈值判决提出了一种改进的移动窗口矩匹配算法,进一步抑制条带噪声。最后,基于联合空域与变换域的思想,结合小波变换与移动窗口矩匹配算法提出了一种改进的条带噪声去除算法,同样取得了较好的非均匀校正效果。通过与其他相关的去条带噪声算法进行对比,综合客观数据与主观视觉效果比对,本文所提出的算法均具有一定的优越性,有效抑制了条带噪声,同时保持了图像的边缘信息,因此可应用于空间、航空等光学载荷的遥感数据预处理环节,实现遥感图像的非均匀性校正。
白家铭[4]（2020）在《多光谱图像融合系统的设计与实现》文中进行了进一步梳理图像融合作为图像处理领域的重要分支,是指将同一场景下不同类型的传感器获取到的多光谱图像融合到一幅图像中,使之在不失真的情况下包含多光谱图像中的大部分数据信息。多光谱图像融合技术一经问世便在卫星遥感、军事和医疗等领域取得了广泛的应用。本文将以设计和实现一种功能完善,人机交互体验良好的多光谱图像融合系统为课题目标,最后基于本文实现的融合系统提出了一种基于NSCT的图像融合方法,取得较好的融合效果。本文的研究内容如下:（1）详细概述了图像融合基本理论,包括图像融合的基本定义、层次和工作流程,基于此,分析和确定了系统的开发环境及工具,实现了系统核心模块的划分,最终应用Open CV机器视觉库及图形用户界面开发框架QT,设计和实现了多光谱图像融合系统的总体框架。随后介绍了图像预处理、图像融合和图像融合质量评价,并对具有代表性的算法进行研究。根据对以上算法的研究,设计多光谱图像融合系统各个核心模块中的算法的基本框架,最后调用Open CV机器视觉库编码实现各核心模块的算法,并进行实验展示,完善了软件系统的整体功能并初步验证了系统的可行性;（2）基于变换域的图像融合方法是目前图像融合领域的研究热点之一,其关键在于多尺度分析工具选取和高低频融合策略的选择。首先对基于变换域的多尺度变换分析工具和融合策略进行详细介绍,介绍了几种多尺度变换工具的基本理论及其在图像融合领域的应用,包括拉普拉斯金字塔融合算法、小波变换融合算法和非下采样轮廓波变换融合算法。基于以上的研究,设计和实现了基于变换域的图像融合算法,完善了本文的多光谱图像融合系统,基于上述研究对所研究算法进行融合实验,通过融合结果的分析比较,综合考虑主客观评价,非下采样轮廓波变换融合算法具有更好的性能,通过多组融合实验验证了图像融合系统的稳定性;（3）使用非下采样轮廓波变换（NSCT）作为多尺度变换方法,采用改进的自适应脉冲耦合神经网络（PCNN）作为高频子带的融合策略,使用加权PCA变换作为低频融合策略,提出一种基于NSCT的多光谱图像融合方法。将本文提出的融合系统作为实验平台,通过多光谱图像融合系统的融合实验和结果分析,综合考虑主客观评价后,本文提出算法的融合结果与拉普拉斯金字塔变换、离散小波变换和非下采样轮廓波变换等图像融合算法相比,本文提出的算法具有更好的融合性能,并且通过多组融合实验进一步验证了图像融合系统的稳定性。
朱宏亮[5]（2020）在《高分辨率遥感图像去云技术研究》文中认为现如今高分辨率遥感图像已经广泛应用到各个领域,由于受到光照、大气等外界因素的影响,遥感系统成像时可能出现图像清晰度降低现象,如遥感图像中包含云污染,会影响对地物信息的解译与判读,如果是薄云噪声,可以不需要辅助影像进行降噪处理,而厚云噪声几乎完全遮挡了地物信息,需要借助辅助影像进行云去除。本文提出的对高分辨率可见光遥感图像的薄云与厚云去除技术具有较好的效果与实用性。本文的研究内容主要包括以下两个方面:针对可见光图像中薄云噪声的去除,本文提出了改进的基于多尺度小波分析的去云算法,该算法能改善传统小波法对薄云信息区分的不精确问题。首先利用暗原色先验算法将可见光图像进行暗通道处理得到暗通道图像,然后将可见光图像进行多尺度小波分解,分解后对低层细节系数重构得到高频分量,高频分量对应于图像的地物细节信息,对暗通道图像进行加权处理后与高频分量结合来增强地物信息,对高层细节系数重构得到低频分量,低频分量对应图像的薄云噪声,利用高频强调滤波器进行低频云噪声的抑制,对近似系数进行重构,最后将处理后的高层细节系数重构图、低层细节系数重构图与近似系数重构图进行叠加得到去云图像。针对不同时相的两幅遥感图像中厚云所在位置不同,本文提出了一种基于小波分析的图像融合算法,该算法解决了传统小波融合去云法的云残留问题。由于数据集的空间分辨率高、地物信息明显,本文对融合方式做了改进,主要改进是对低频分量的融合规则,提出了将基于暗通道的云检测算法运用到低频分量的融合规则中,首先将两幅不同时相的图像进行暗通道处理分别得到各自的暗通道图像,然后对两幅图像分别进行小波分解,对各自的低频分量进行重构,通过判断云的位置来融合两幅图的低频分量,对于高频分量则利用局部能量融合算法进行融合,融合后进行重构,最后将融合后的高频分量与低频分量进行叠加得到去云图像。通过实验结果分析,验证了本文提出的算法能够有效去除遥感图像的薄云噪声与厚云噪声。本文对薄云去除的几种方法进行了对比,结果表明本文提出的算法在目视分析与客观评价上都取得较好效果,改善了传统小波法对薄云信息区分的不精确问题。厚云去除后的图像与原始图像的相似度较高,可视性更佳,有效地解决了云残留问题。
王嘉俊[6]（2020）在《水面目标图像的边缘检测方法研究》文中提出目标边缘检测作为计算机视觉的一个重要方向,它是后续目标分割和识别的重要基础。近年来,随着视频技术的飞快发展,它已经在银行、医院、超市、交通等公众场所广泛应用。我国幅员辽阔,拥有很长的海岸线和广阔的海域,水面目标检测具有重要的现实意义和应用价值。它在海洋维权、海事监管和海洋环境保护等军事、民用方面都发挥了很好的作用。由于水面场景环境复杂多变,对水面目标检测提出了极大地挑战。本文通过前期大量文献资料的阅读和前人在目标边缘检测的研究基础上,主要做了如下工作:介绍了Canny算子边缘检测算法和数学形态学的基本概念、算法流程,分析了在运用Canny算子进行图像边缘检测时存在两个问题,一是不容易设定高斯滤波参数,对不同的图像缺乏自适应性。二是受噪声的影响较大,在进行一阶偏导有限差分计算梯度时,由于导数计算对噪声非常敏感,从两个方向对图像进行边缘检测,容易出现伪边缘和漏检现象。为此,本文改进了传统的Canny算子边缘检测算法,利用一种改进的双边滤波代替高斯滤波,以及通过Sobel算子计算梯度幅值方向,并在梯度非极大值抑制过程中,将极大值点作为候选边缘点,将极大值二次刷选,保留8邻域内候选边缘点不相邻的非极大值点,最后利用Otsu计算图像高低阈值,结果证明,该方法能更准确的检测边缘信息,且具备较强的自适应性。其次,利用传统形态学算法对图像进行边缘检测,如果噪声浓度较高,检测效果就不理想。因此,本文提出了一种改进的抗噪形态学边缘检测算法,且利用两个不同的结构元素进行边缘检测。改进的抗噪形态学边缘检测算法能很好地减弱噪声,得到的图像较平滑,轮廓清晰,包含的信息也较为丰富。同时,主观效果与客观评价都有所改善。最后,根据水面目标边缘检测存在的一些困难,本文采用了一种基于小波变换的边缘检测算法对水面目标图像进行边缘检测,通过改进的Canny算子边缘检测算法和改进的抗噪形态学边缘检测算法提取的边缘图像,利用小波变换将其进行融合,得到最终的水面目标边缘图像。获得的边缘图像在信息熵、均方根误差、相关系数和扭曲程度方面均好于两种改进的方法,视觉效果也令人满意。
石晓旭[7]（2018）在《RPCA去除遥感图像稀疏云层方法研究》文中进行了进一步梳理近年来,遥感成像技术成为了众多国家和科研机构的重点研究方向,但是受技术限制,大多数遥感图像无法避免拍摄图像被云层覆盖。因此,需要采取一定的技术手段解决局域范围内的云层遮挡问题。传统的去云方法主要对薄云和厚云分别处理,但是薄云常伴随着厚云一起出现,难以采用单一方法进行去除。为此,本文研究一种有效的去除分布范围较小的云层方法。由于此类云层相对于大规模遥感图像所占区域较小,具有显着的稀疏特性,所以,本文从云层的稀疏特性出发,采用低秩矩阵恢复中的鲁棒主成成分分析（RPCA）方法进行去云处理,以达到有效去除稀疏云层的目的。本文主要工作以及创新如下:（1）遥感图像去云原理及图像配准研究。本文在分析遥感图像去云的基本原理及常见算法步骤的基础上,针对遥感图像预处理中的配准问题,提出一种基于云量子粒子群（CQPSO）的粗糙集近似约简和SIFT特征的遥感图像配准方法,将粗糙集约简理论引入标准SIFT算法上,对特征向量降维,并用CQPSO的思想对粗糙集进行优化,通过实验验证了该算法可以有效提升配准精度。（2）RPCA常用算法分析及改进。本文针对RPCA中的常用算法进行了算法研究,由于常用算法在处理较大规模复杂矩阵时存在计算准确率降低、计算速度慢等问题,为此,提出一种改进的RPCA算法,即采取似零范数构造新的RPCA模型,并采用基于粗糙SVD的近似多级降维方法进行求解。经仿真对比分析,结果表明改进的RPCA算法无论在计算精度还是计算速度上均优于常用算法。（3）改进RPCA算法在遥感图像去云中的应用研究。为解决常见去云算法无法实现成分复杂的云层去除问题,提出一种采用改进的RPCA的去云算法,通过构造低秩观测矩阵,利用改进的RPCA算法去除稀疏云层遮挡,最后重构出无云遥感图像序列。实验结果表明,本文提出的去云算法能够去除复杂稀疏云区的云层遮挡,从主观视觉和客观质量两方面均优于常用算法。
王娟[8]（2015）在《基于城镇影像的Contourlet域图像融合算法研究》文中进行了进一步梳理随着社会经济的快速发展,中国的城市化进程逐步跨入快车道。为了实现对城镇发展的有效监督和管理,势必需要从海量的各类城镇数据中提取出能够为决策机构提供参考价值和智力支持的信息。作为城镇数据最主要的表现形式,图像是重要的构成部分。城镇图像的最大作用在于其充当了目标地物的信息载体,从而使得特征提取和解译分类成为可能。但是,从城镇影像中准确、有效地提取各种地物特征是顺利进行影像解译所必须保证的先决条件。除去城镇图像增强、图像分割、图像识别及图像压缩等图像处理方法以外,图像融合也是一种重要的城镇图像处理方法,其关键技术在于充分理解目标地物的属性特征、根据各类遥感数据的波谱差异性作出合适的数据选择、正确的图像校正及精确的图像空间配准、融合算法的有效选择及尽可能地综合原图像的信息特征。根据本文的研究,城镇图像在获取、预处理、融合、质量评价及解译等过程中,有以下要点需要注意。虽然城市图像融合被给予广泛关注,但其并不是一门单独的学科或分支,多数情况下仅是解译阶段的辅助工具,而且遥感信息的解译与地球物理学科间的相互关系也没有形成专业的研究领域,大量的城市遥感数据及在城镇图像融合中的应用也并无专门的文献对其进行说明。小波变换作为一种优良的多分辨率分析法有许多值得肯定之处,但也具有移变性、捕获有限方向信息、不能最优表示包含曲线或奇异的高维函数等特点,由此造成重建图像曲线时不够精确,只能用点奇异逼近线面奇异,因此图像轮廓、纹理出现模糊。同时,方形的小波基支撑区间也不能充分利用图像几何正则性,不是最稀疏的表达函数。图像类型的层出不穷导致各种图像的特征各异,到底什么样的融合算法适合什么类型的图像并没有现成经验,融合图像采用怎样的融合框架也无定论。用于评价融合图像的各类主客观指标并未形成统一的理论体系,各类指标的选择也具有较强的主观性。根据上述要点,文章有针对性的开展了研究并提出了部分问题的改进意见,论文工作主要包含以下几点:（1）阐述了城镇图像融合技术研究的选题背景及其意义,详细列举了城市遥感数据及在社会生活若干领域中的应用现状。对各层次图像融合算法的工作机理、结构特点和工作步骤进行了分析和说明。详细分析了融合图像质量标准评价体系,通过对互相关系数（CC）和光谱角映射（SAM）图像质量评价指标的研究,提出采用一种改进的图像相似性评价标准（ISAM）,该指标能在评价图像相似性时表现出更高的敏感性。（2）简要介绍了城镇遥感图像的获取方式及传感器类型,针对几种主要遥感图像融合方法的工作原理及特点作出了细致的说明。分析了遥感对地观测技术的特点及发展趋势,介绍了两种监督分类器并以纹理特征分析为例进行了不同地区居民聚居区域的计算机自动分类解译。对地球物理学科和遥感影像解译间的相互关系从物理相关性、地质深度相关性和时间相关性三个方面进行了论证。（3）根据变换域多尺度分解理论的最新进展,分析了小波变换的工作机理和特点并指出其在边缘和轮廓重建环节的不足。引入了一种功能更加完善的多尺度变换方法--非采样contourlet变换（nsct）理论,该方法具备多尺度、多方向、各向异性和平移不变的特点。通过对nsct的整体结构,及组成nsct的非采样塔式滤波器组和非采样方向滤波器的组成结构进行了详细说明,讨论了图像的分解与重建技术及图像融合在nsct域实现的可行性,建立了nsct域图像融合的算法框架,最后介绍了nsct域图像融合的高低频子图融合规则。（4）通过对非负矩阵分解（nmf）方法的概念、原理及算法分类的研究和分析,讨论了将其引入图像融合领域的可行性,由于在矩阵分解元素上施加了非负性约束,生成的基矩阵能够表达特定的物理意义,使得其在模式识别、目标检测及分类、医学、生物材料和图像融合等领域有了广泛的应用价值。通过研究lee-seungnmf（lsnmf）算法的基本原理,形成了一种改进的nmf（anmf）算法,图像融合实验表明anmf整体性能优于lsnmf,但由于每次均需重新计算迭代参数使得anmf算法耗时长于lsnmf。（5）研究了空间域和频率域的几种去噪方法,结果表明变换域去噪算法的信噪比优于空间域算法,contourlet域去噪算法信噪比优于小波去噪。通过对耦合脉冲神经网络（pcnn）模型及工作特性的详细介绍,分析了pcnn用于图像融合的可行性。提出nsct域改进的pcnn图像融合方法–nsct+pcnn,并将该方法运用于城镇图像融合,使得融合图像的清晰度和活动水平得到提升。将anmf理论应用于nsct域,形成nsct+anmf图像融合算法,并将其应用于城镇图像融合,最后将nsct+pcnn、nsct+anmf、基本nsct及小波图像融合法进行了对比分析,实验结果验证了文中所述各种nsct融合方法的有效性。通过本文的研究,能够初步了解城市遥感数据及在不同应用领域中的使用情况。提出采用的isam指标对于丰富图像客观质量评价体系,起到积极的推动作用。对地球物理学科和遥感影像解译间相关性的探讨能够加深理解空间深度、地质规律和现象间的相互关系。对非采样contourlet变换（nsct）理论、非负矩阵分解（nmf）理论及contourlet域相关合成算法的研究验证了各类算法在城镇图像融合中的有效性,力求对城镇图像融合方法的完善性作出有益的补充和说明。
罗晓清[9]（2010）在《多传感器图像融合理论及其应用研究》文中研究说明多传感器图像融合是以图像为研究对象的信息融合,它把对同一目标或场景的用不同传感器获得的不同图像,或用同种传感器以不同成像方式或在不同成像时间获得的不同图像,融合为一幅图像,在这一幅融合图像中能反映多重原始图像的信息,以达到对目标和场景的综合描述,使之更适合视觉感知或像医疗应用、目标检测与分类等计算机处理任务。它是一门综合了传感器、信号处理、图像处理和人工智能等技术的新兴学科分支。近些年来,多传感器图像融合己成为图像理解和计算机视觉领域中一项重要而有用的新技术。多传感器图像融合的处理通常可在以下三个不同层次上进行：像素级、特征级、决策级。本文在分析国内外多传感器图像融合方法的基础上,主要对像素级和特征级融合技术以及多传感器图像融合评价方法等三个方面进行了研究,论文的主要学术贡献和工作如下：（1）在像素级图像融合算法研究方面提出了三种算法。具体地有：提出一种新的基于窗体以及多目标向量求值的量子粒子群优化算法（VEQPSO）的图像融合方法。低频子带采用基于灰度关联分析的VEQPSO算法完成融合过程。高频部分划分窗体,根据不同的窗体类型,运用窗体信息能量和模糊熵指导融合策略；提出了一种改进的形态学小波多聚焦图像融合算法；针对形态学小波融合方法（MMWF）在重构尺度信号时由于发生位置错误而导致灰度值下溢的问题,采用了检测-重融合的方法,该方法保留了MMWF快速、有效、易于实现等优点,同时融合效果也得到了提高；针对统计模型的遥感图像多分辨率融合方法中需要设置相关门限以及约束条件、参数过多,使得算法复杂度增加的问题,提出一种改进的算法。该算法将约束条件变形,然后将其融合在目标函数中,构造新的目标函数,通过最大化拉格朗日函数求偏导数的方法估计参数。该算法可以避免原始算法中的参数设置,并且融合图像的空间分辨率和光谱保持能力均能达到较好的效果,算法鲁棒性增强并且复杂性降低。（2）在多特征图像融合算法研究方面提出了四种算法。论文在研究基于多特征模糊聚类的图像融合方法的基础上,提出了基于卡尔曼滤波的噪声图像的融合方法。该方法结合了滤波和多特征的优点,可提高融合效果,减少图像噪声对融合的干扰；将多通道Gabor滤波与区域方法结合,提出了新的区域相似性度量方法用于图像融合。研究表明,该方法的融合性能对于Gabor滤波器参数（径向中心频率和方向角）的选取不敏感,算法具有一定的稳定性；针对FCM算法容易陷入局部最优的弱点,选用量子粒子群算法与模糊C均值聚类（FCM）相结合的方法（QPSO-FCM）。鉴于QPSO-FCM具有很好的分割效果,将全局优化算法QPSO引入多特征图像融合过程中,这将有利于融合效果的提高；提出一种新的基于二次融合多特征的融合方法,研究表明,这种二次融合方法对多聚焦图像融合有很好的效果。（3）多传感器图像融合评价方面,在对经典的图像融合评价方法研究的基础上,提出了新的图像融合客观评价方法。考虑到人对区域信息更为敏感,因此算法将图像进行区域分割,利用区域特征矩阵表示区域中的空间、纹理和灰度信息等内容,算法更适合于评价。针对是否有参考图像,本文提出了两种用于评价融合图像的新的度量公式。此外,在上述研究的基础上将二维主成分分析（2DPCA）引入上述评价算法,又获得了一种新的算法；本文提出的图像融合评价新方法考虑了图像像素的局部关系以及区域的显着性,更加符合人类的视觉特征。
蒋年德[10]（2010）在《多尺度变换的图像融合方法与应用研究》文中指出随着传感器技术的发展,多传感器图像数据类型和数量急剧丰富,多传感器图像融合技术在军事目标识别、智能机器人、遥感、医学图像处理和制造业等诸多领域内得到了广泛的应用,更成为了图像理解、计算机视觉和遥感等领域的研究热点。论文在多尺度分析理论指导下对像素级多传感器图像融合方法开展相关的研究工作,融合图像包括了遥感图像、多聚焦图像、红外与可见光图像和医学图像等多种类型。论文首先对研究背景、图像多尺度分析概念、图像融合技术及其相关概念、图像融合技术发展现状和应用等进行了总体介绍。总结了现有的多传感器图像融合方法和国内外学者的研究成果,然后将已有的图像融合方法进行了分类并分析了它们的优缺点。对基于多尺度变换的融合方法原理和已有的相关研究工作进行了较为详细的阐述,给出了本论文所用到的融合图像质量客观评价指标计算公式。借鉴前人的研究工作,论文重点研究了基于多尺度变换的图像融合方法,包括基于金字塔变换、基于小波变换、基于Curvelet变换和基于非下采样Contourlet变换的图像融合方法,然后提出了几种新的融合方案,给出了它们的融合规则函数表达式,分别使用遥感图像、多聚焦图像、红外与可见光图像以及医学图像进行了实验验证。论文对图像融合方法和融合规则都做了一些研究,主要成果和创新点概括如下：（1）根据视觉对比度掩蔽特性,考虑分解系数中的局部均值和窗口内每个系数,基于金字塔多尺度变换提出了改进的图像对比度融合方法。（2）通过研究源图像小波分解子带系数邻域内的相关性,基于小波变换提出了邻域内相关系数与平均梯度的图像融合方法,该方法具有较好的融合效果。（3）通过研究主分量变换融合方法和小波变换融合方法各自的特点,提出了一种基于主分量变换与小波变换结合的自适应遥感图像融合方法。该方法有效地融合了高分辨率图像的低频分量信息,消除了小波变换融合方法图像中的分块效应,其融合图像边界清楚,在保留光谱信息的同时空间细节信息也得到提高。（4）针对小波变换不能够有效地获取图像中的几何特征（如曲线）等奇异性问题,研究了Curvelet变换理论,然后根据Curvelet变换系数特点,考虑图像中的弱边缘,基于第一代Curvelet变换提出了一种自适应的遥感图像融合方法,该方法的融合图像较好地保留了源图像的光谱信息,其空间细节信息也得到了增强。（5）Curvelet变换很好地刻画了图像中曲线等奇异性,图像的纹理活跃性程度可通过不同方向上的Curvelet系数能量变化来反映。综合考虑局部窗口内每个Curvelet系数能量及其均值,基于第二代Curvelet变换提出了改进的系数能量对比度融合方法。实验证明,对于多聚焦图像,其融合图像与源图像的信息相关程度较高并且差异性小,很好地保留了源图像的边缘特征。（6）针对传统IHS （Intensity Hue Saturation,IHS）变换融合方法的光谱信息丢失问题,结合第二代Curvelet变换提出了一种改进的融合方法,两组不同的遥感图像实验及分析表明,该融合方法充分综合了IHS变换和Curvelet变换优势,有效地提取了原始遥感图像特征。（7）通过研究多尺度变换域系数注入融合遥感图像方法,考虑到注入融合方法使多光谱图像中某些特征被全色图像的特征掩蔽,提出了改进的非下样Contourlet变换系数注入融合方法,实验证明,该方法尽可能保留了多光谱图像中的光谱信息和高分辨图像中的细节信息。对论文提出的每种融合方法,都给出了相应的实验,从主观和客观两个方面对提出的融合方法进行了分析评价,得到了一些有价值的结论。实验结果及分析表明,所提出的融合方法可以有效地实现多聚焦图像、医学图像、红外与可见光图像以及遥感图像的融合,论文提出的融合方法对解决图像融合问题具有重要的指导意义。
二、一种改进的基于小波变换的遥感图像融合方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种改进的基于小波变换的遥感图像融合方法（论文提纲范文）
（1）基于多尺度下结构组稀疏表示的图像融合方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 图像融合的研究背景及其意义 |
| 1.2 图像融合的发展现状 |
| 1.2.1 图像融合的发展概况 |
| 1.2.2 图像融合普遍存在的问题 |
| 1.3 本文研究内容及创新点 |
| 1.4 本文各章节布局 |
| 第二章 图像融合基本理论 |
| 2.1 图像融合的简单概述 |
| 2.2 图像融合的层次分类 |
| 2.3 传统的图像融合方法 |
| 2.4 图像融合质量好坏评价 |
| 2.5 本章小结 |
| 第三章 基于多尺度的图像融合方法研究 |
| 3.1 多尺度分析的基本简介 |
| 3.2 小波的理论基础 |
| 3.2.1 连续小波变换 |
| 3.2.2 离散小波变换 |
| 3.3 小波变换的图像融合方法 |
| 3.3.1 小波在图像中的变换 |
| 3.3.2 小波在图像中的分解算法 |
| 3.3.3 基于小波变换的图像融合方法 |
| 3.4 复小波的理论基础 |
| 3.4.1 复小波变换理论基础 |
| 3.4.2 一维DT-CWT变换 |
| 3.4.3 二维DT-CWT变换 |
| 3.5 改进的DT-CWT变换的图像融合方法 |
| 3.5.1 改进的DT-CWT变换图像融合规则 |
| 3.5.2 改进的DT-CWT变换的低频分量融合规则 |
| 3.5.3 改进的DT-CWT变换的高频分量融合规则 |
| 3.6 实验结果及分析 |
| 3.7 本章小结 |
| 第四章 基于多尺度下结构组稀疏表示的图像融合方法研究 |
| 4.1 稀疏表示的理论基础 |
| 4.1.1 传统图像稀疏表示 |
| 4.1.2 图像稀疏表示系数的求解算法 |
| 4.1.3 图像稀疏表示过完备字典的构造 |
| 4.2 图像结构组稀疏表示理论 |
| 4.2.1 图像结构组的模型 |
| 4.2.2 图像结构组稀疏表示模型 |
| 4.3 基于DT-CWT与结构组稀疏表示的图像融合 |
| 4.3.1 DT-CWT—SGSR图像融合的方法 |
| 4.3.2 DT-CWT—SGSR图像融合规则 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 总结及展望 |
| 5.1 本文总结 |
| 5.2 下一步的工作 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间学术成果 |
（2）基于Daubechies小波变换的遥感影像去薄云方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.2.1 研究背景 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容 |
| 第二章 光学遥感影像薄云去除的基础理论 |
| 2.1 薄云影像的成像模型 |
| 2.1.1 薄云成像模型 |
| 2.1.2 遥感影像薄云区域的特征 |
| 2.2 同态滤波法 |
| 2.2.1 快速傅里叶变换 |
| 2.2.2 同态滤波法原理 |
| 2.3 小波变换 |
| 2.3.1 多分辨分析 |
| 2.3.2 Mallat算法 |
| 2.4 本章小结 |
| 第三章 一种改进的小波变换去薄云影像方法 |
| 3.1 小波基的选择 |
| 3.2 分界层的确定 |
| 3.3 小波系数权重值 |
| 3.4 传统的小波变换去云法 |
| 3.4.1 传统的小波变换去云原理 |
| 3.4.2 传统的小波变换去云算法实现 |
| 3.5 改进的小波变换去遥感影像薄云法 |
| 3.5.1 算法思想 |
| 3.5.2 同态滤波去云法 |
| 3.5.3 高频强调滤波 |
| 3.5.4 算法实现 |
| 3.6 本章小结 |
| 第四章 实验结果与分析 |
| 4.1 实验数据来源 |
| 4.2 评价方法 |
| 4.2.1 目视评价 |
| 4.2.2 指标评价 |
| 4.3 实验对比与结果分析 |
| 4.3.1 实验一 |
| 4.3.2 实验二 |
| 4.3.3 实验三 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 附录 A 攻读学位期间发表的论文与科研成果清单 |
| 致谢 |
（3）基于CMOS传感器的高光谱遥感图像非均匀性校正技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于频域滤波的去条带算法 |
| 1.2.2 基于灰度特征信息统计匹配的去条带算法 |
| 1.2.3 基于变分法的去条带算法 |
| 1.3 本文的主要研究内容 |
| 1.4 本论文的章节安排 |
| 第2章 条带噪声与矩匹配算法原理 |
| 2.1 引言 |
| 2.2 条带噪声产生原因 |
| 2.3 条带噪声的表现特征 |
| 2.4 相机成像方式与条带噪声退化模型 |
| 2.5 移动窗口矩匹配算法基本原理 |
| 2.6 非均匀性校正图像的评价指标 |
| 2.6.1 客观评价准则 |
| 2.6.2 主观评价准则 |
| 2.7 本章小结 |
| 第3章 改进的矩匹配非均匀性校正算法 |
| 3.1 引言 |
| 3.2 改进算法设计 |
| 3.3 实验结果对比与分析 |
| 3.3.1 评价准则 |
| 3.3.2 仿真图像校正结果对比与分析 |
| 3.3.3 高光谱遥感图像校正结果对比与分析 |
| 3.4 本章小结 |
| 第4章 基于小波变换的矩匹配非均匀性校正算法 |
| 4.1 引言 |
| 4.2 改进算法设计 |
| 4.2.1 小波变换原理 |
| 4.2.2 针对垂直分量的移动窗口矩匹配算法 |
| 4.2.3 针对残差图像的改进联合低秩矩匹配算法 |
| 4.2.4 算法步骤 |
| 4.3 实验结果与分析 |
| 4.3.1 实验一高光谱图像非均匀性校正分析 |
| 4.3.2 实验二高光谱图像非均匀性校正分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文内容总结 |
| 5.2 创新点说明 |
| 5.3 研究方向展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 指导教师及作者简介 |
| 致谢 |
（4）多光谱图像融合系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的研究内容 |
| 1.4 论文的章节安排 |
| 第二章 图像融合基本理论及系统总体框架的设计和实现 |
| 2.1 图像融合概述 |
| 2.1.1 图像融合的定义 |
| 2.1.2 图像融合的层次 |
| 2.1.3 图像融合的流程 |
| 2.2 多光谱图像融合系统总体框架设计和实现 |
| 2.2.1 需求分析 |
| 2.2.2 系统开发环境及工具 |
| 2.2.3 系统实现条件 |
| 2.2.4 系统总体框架和核心功能模块的设计和划分 |
| 2.2.5 多光谱图像融合系统总体框架的实现 |
| 2.3 本章小结 |
| 第三章 系统核心模块算法的研究和实现 |
| 3.1 图像预处理方法的研究 |
| 3.1.1 图像灰度化 |
| 3.1.2 图像增强 |
| 3.1.3 图像去噪 |
| 3.2 图像融合方法的研究 |
| 3.2.1 变换域图像融合 |
| 3.2.2 空间域图像融合 |
| 3.3 图像融合的质量评价方法的研究 |
| 3.3.1 主观评价 |
| 3.3.2 客观评价 |
| 3.4 图像预处理模块算法的设计和实现 |
| 3.4.1 图像预处理模块的算法设计 |
| 3.4.2 图像预处理模块的算法实现 |
| 3.5 图像融合模块算法的设计和实现 |
| 3.5.1 图像融合模块的算法设计 |
| 3.5.2 图像融合模块的算法实现 |
| 3.6 图像融合质量评价模块算法的设计和实现 |
| 3.6.1 图像融合质量评价模块的评价方法设计 |
| 3.6.2 图像融合质量评价模块的评价方法实现 |
| 3.7 本章小结 |
| 第四章 基于变换域融合算法的设计和实现 |
| 4.1 小波变换 |
| 4.1.1 连续小波变换和离散小波变换 |
| 4.1.2 多分辨率分析 |
| 4.1.3 Mallat算法 |
| 4.1.4 基于小波变换的图像融合 |
| 4.2 轮廓波变换 |
| 4.2.1 拉普拉斯金字塔变换 |
| 4.2.2 方向滤波器组 |
| 4.2.3 Contourlet变换存在的问题 |
| 4.3 非下采样轮廓波变换 |
| 4.3.1 非下采样拉普拉斯金字塔(NSP)变换 |
| 4.3.2 非下采样方向滤波器组(NSDFB) |
| 4.3.3 基于非下采样轮廓波变换(NSCT)的图像融合 |
| 4.4 融合策略的研究 |
| 4.4.1 基于像素的融合规则 |
| 4.4.2 基于区域的融合规则 |
| 4.5 基于变换域融合算法设计和实现以及实验分析 |
| 4.5.1 基于变换域融合的算法设计和实现 |
| 4.5.2 多光谱图像融合实验一 |
| 4.5.3 多光谱图像融合实验二 |
| 4.5.4 多光谱图像融合实验三 |
| 4.5.5 结果分析 |
| 4.6 本章小结 |
| 第五章 基于NSCT的多光谱图像融合方法 |
| 5.1 使用PCNN作为融合规则的研究 |
| 5.1.1 PCNN基本模型 |
| 5.1.2 PCNN简化模型 |
| 5.1.3 PCNN神经元的工作方式 |
| 5.1.4 PCNN在图像处理中的应用 |
| 5.2 基于改进的PCNN融合策略 |
| 5.2.1 神经元的链接强度的选取 |
| 5.2.2 基于改进的自适应PCNN的图像融合策略 |
| 5.3 基于NSCT变换和改进的PCNN的图像融合 |
| 5.3.1 算法框架 |
| 5.3.2 低频子带融合策略 |
| 5.3.3 高频子带融合策略 |
| 5.3.4 融合步骤 |
| 5.4 融合实验以及结果分析 |
| 5.4.1 多光谱图像融合实验一 |
| 5.4.2 多光谱图像融合实验二 |
| 5.4.3 多光谱图像融合实验三 |
| 5.4.4 多光谱图像融合实验四 |
| 5.4.5 结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的研究成果 |
（5）高分辨率遥感图像去云技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感图像薄云去除研究现状 |
| 1.2.2 遥感图像厚云去除研究现状 |
| 1.3 遥感图像去云技术的问题与难点 |
| 1.3.1 遥感图像薄云去除算法的问题与难点 |
| 1.3.2 遥感图像厚云去除算法的问题与难点 |
| 1.4 本文内容及组织结构 |
| 第2章 遥感图像去云相关理论与技术 |
| 2.1 遥感图像的云模型 |
| 2.1.1 大气中云的形成 |
| 2.1.2 遥感图像中云噪声特征 |
| 2.1.3 遥感图像中云噪声模型 |
| 2.2 遥感图像成像原理 |
| 2.2.1 数字成像系统的线性模型 |
| 2.2.2 遥感图像数字成像系统模型 |
| 2.2.3 图像退化/复原模型 |
| 2.3 遥感图像去云相关技术 |
| 2.3.1 多分辨率分析 |
| 2.3.2 暗通道先验原理 |
| 2.3.3 图像融合技术 |
| 2.3.4 区域检测技术 |
| 2.3.5 图像配准技术 |
| 2.4 本章小结 |
| 第3章 高分辨率遥感图像去云算法研究 |
| 3.1 遥感图像薄云去除算法 |
| 3.1.1 算法基本思想 |
| 3.1.2 算法整体框架 |
| 3.1.3 数字图像的小波分解 |
| 3.1.4 抑制低频分量 |
| 3.1.5 增强高频分量 |
| 3.2 遥感图像厚云去除算法 |
| 3.2.1 算法基本思想 |
| 3.2.2 算法整体框架 |
| 3.2.3 遥感影像配准 |
| 3.2.4 云区域检测 |
| 3.2.5 影像融合规则 |
| 3.3 本章小结 |
| 第4章 实验结果及分析 |
| 4.1 引言 |
| 4.2 遥感图像薄云去除的实验结果及分析 |
| 4.2.1 实验环境及内容 |
| 4.2.2 评价指标 |
| 4.2.3 实验结果分析 |
| 4.2.4 对比实验结果分析 |
| 4.3 遥感图像厚云去除的实验结果及分析 |
| 4.3.1 图像融合评价指标 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（6）水面目标图像的边缘检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的结构安排 |
| 第2章 图像边缘检测的理论基础 |
| 2.1 图像边缘检测简述 |
| 2.2 经典的边缘检测算法 |
| 2.2.1 基于一阶导数的边缘检测算子 |
| 2.2.2 基于二阶导数的边缘检测算子 |
| 2.3 数学形态学基本理论 |
| 2.3.1 集合论中的基本概念 |
| 2.3.2 灰值形态学原理 |
| 2.3.3 传统形态学边缘检测算法 |
| 2.4 本章小结 |
| 第3章 改进的Canny算子边缘检测算法 |
| 3.1 传统的Canny算子图像边缘检测算法 |
| 3.2 传统的Canny算子图像边缘检测算法的缺陷 |
| 3.3 改进的Canny算子图像边缘检测算法 |
| 3.3.1 改进的双边滤波代替高斯滤波 |
| 3.3.2 Sobel算子计算梯度 |
| 3.3.3 Otsu求取高低阈值 |
| 3.3.4 非极大值抑制过程的改进 |
| 3.3.5 改进的Canny算子边缘检测流程 |
| 3.4 仿真实验 |
| 3.5 本章小结 |
| 第4章 改进的抗噪形态学边缘检测算法 |
| 4.1 结构元素的选取 |
| 4.2 抗噪形态学边缘检测算法 |
| 4.3 改进的抗噪形态学边缘检测算法 |
| 4.3.1 非极大值抑制过程的改进 |
| 4.3.2 改进的抗噪形态学边缘检测算法步骤 |
| 4.4 仿真实验 |
| 4.5 本章小结 |
| 第5章 基于小波变换的边缘检测改进算法 |
| 5.1 小波变换基本理论 |
| 5.1.1 连续小波变换 |
| 5.1.2 离散小波变换 |
| 5.2 小波变换的Mallat快速算法 |
| 5.3 基于小波变换的图像融合 |
| 5.3.1 图像的小波分解 |
| 5.3.2 几种基于小波变换的图像融合方法 |
| 5.4 图像融合算法的实现过程 |
| 5.4.1 算法实现的具体步骤 |
| 5.4.2 评价分析 |
| 5.4.3 实验结果分析 |
| 5.5 本章小结 |
| 第6章 基于MATLAB GUI的图像边缘检测系统实现 |
| 6.1 系统概述 |
| 6.1.1 系统开发环境 |
| 6.1.2 开发环境优点 |
| 6.1.3 系统功能概述 |
| 6.2 水面目标边缘检测系统的设计与实现 |
| 6.2.1 系统的流程设计 |
| 6.2.2 系统界面设计 |
| 6.3 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读学位期间发表的相关学术论文 |
| 致谢 |
| 论文摘要 |
（7）RPCA去除遥感图像稀疏云层方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 薄云去除方法 |
| 1.2.2 厚云去除方法 |
| 1.3 研究内容及章节安排 |
| 1.3.1 本文研究内容 |
| 1.3.2 论文章节安排 |
| 第二章 遥感图像去云原理及图像配准研究 |
| 2.1 遥感图像中的云模型 |
| 2.1.1 云的形成与分类 |
| 2.1.2 遥感图像中云的特征 |
| 2.1.3 遥感图像中云的成像模型 |
| 2.2 常用遥感图像薄云去除算法分析 |
| 2.2.1 同态滤波法 |
| 2.2.2 小波变换法 |
| 2.3 常用遥感图像厚云去除算法分析 |
| 2.3.1 局部替换法 |
| 2.3.2 基于小波融合的厚云去除 |
| 2.4 遥感图像配准研究 |
| 2.4.1 基于SIFT特征的遥感图像配准 |
| 2.4.2 改进的遥感图像配准 |
| 2.4.3 实验仿真与对比分析 |
| 2.5 本章小结 |
| 第三章 低秩矩阵恢复方法及常用算法分析 |
| 3.1 低秩矩阵恢复方法 |
| 3.1.1 方法描述 |
| 3.1.2 鲁棒主成分分析(RPCA) |
| 3.2 常用的RPCA算法 |
| 3.2.1 迭代阈值算法(IT) |
| 3.2.2 加速近端梯度算法(APG) |
| 3.2.3 增广拉格朗日乘子法(ALM) |
| 3.3 仿真实验与对比分析 |
| 3.4 本章小结 |
| 第四章 改进的RPCA算法研究 |
| 4.1 问题的提出 |
| 4.2 基于似零范数的稀疏矩阵优化算法 |
| 4.2.1 基于似零范数的稀疏矩阵优化模型 |
| 4.2.2 问题求解 |
| 4.3 基于粗糙SVD的低秩矩阵降维算法 |
| 4.4 改进的RPCA算法 |
| 4.4.1 算法流程 |
| 4.4.2 仿真实验与对比分析 |
| 4.5 本章小结 |
| 第五章 改进RPCA算法去除遥感图像稀疏云层研究 |
| 5.1 采用改进的RPCA遥感图像去云算法研究 |
| 5.1.1 基本思想 |
| 5.1.2 算法步骤 |
| 5.2 实验仿真与分析 |
| 5.2.1 应用环境及数据描述 |
| 5.2.2 图像质量评价标准 |
| 5.2.3 实验结果分析 |
| 5.3 本章小结 |
| 第六章 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间所取得的相关科研成果 |
| 致谢 |
（8）基于城镇影像的Contourlet域图像融合算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 城镇图像数据分析及利用的现状 |
| 1.3 城市图像融合的方法分类 |
| 1.3.1 空间域图像融合 |
| 1.3.2 变换域图像融合 |
| 1.4 研究中的问题提出及改进思路 |
| 1.5 创新之处 |
| 1.6 论文结构 |
| 第2章 城镇图像处理中的信息融合理论 |
| 2.1 图像融合理论的进展与应用 |
| 2.1.1 图像融合理论 |
| 2.1.2 图像融合技术应用 |
| 2.2 遥感图像融合层次 |
| 2.2.1 像素级图像融合 |
| 2.2.2 特征级图像融合 |
| 2.2.3 决策级图像融合 |
| 2.3 遥感图像融合性能评价 |
| 2.3.1 主观视觉评价 |
| 2.3.2 客观质量指标 |
| 2.3.3 改进的光谱映射法指标 |
| 本章小结 |
| 第3章 遥感图像特征分析及地表内容解译 |
| 3.1 城镇遥感图像的获取及基本特性 |
| 3.1.1 TM卫星特性 |
| 3.1.2 SAR卫星特性 |
| 3.1.3 SPOT卫星特性 |
| 3.1.4 中巴地球资源卫星（CBERS）特性 |
| 3.2 遥感图像的融合方法简介 |
| 3.2.1 主成分分析法 |
| 3.2.2 Brovey融合法 |
| 3.2.3 高通滤波法 |
| 3.2.4 IHS变换融合法 |
| 3.3 遥感图像目标特征解译 |
| 3.3.1 城镇遥感图像的特点及应用 |
| 3.3.2 遥感图像目视解译 |
| 3.3.3 遥感图像计算机解译 |
| 3.4 多源地学信息综合分析 |
| 3.4.1 地球物理和遥感信息的相关性 |
| 3.4.2 典型矿岩的光谱特征及影响因素分析 |
| 本章小结 |
| 第4章 非采样Contourlet变换理论 |
| 4.1 Contourlet变换理论 |
| 4.2 非采样Contourlet变换理论 |
| 4.2.1 非采样Contourlet变换的结构 |
| 4.2.2 非采样塔式滤波器组 |
| 4.2.3 非采样方向滤波器组 |
| 4.3 NSCT变换理论用于图像融合的可行性 |
| 4.3.1 图像的分解与重建在NSCT域中的实现 |
| 4.3.2 图像融合技术在NSCT域中的实现 |
| 4.3.3 常用NSCT域中的图像融合规则 |
| 本章小结 |
| 第5章 非负矩阵分解在遥感图像融合中的应用 |
| 5.1 非负矩阵分解理论体系 |
| 5.1.1 非负矩阵分解基本概要 |
| 5.1.2 非负矩阵分解基本原理 |
| 5.1.3 非负矩阵分解算法分类 |
| 5.1.4 基于非负矩阵分解的图像融合可行性分析 |
| 5.2 非负矩阵分解在图像融合中的应用 |
| 5.2.1 LSNMF算法的基本原理 |
| 5.2.2 改进的非负矩阵分解算法ANMF |
| 5.2.3 基于NMF的图像融合 |
| 5.2.4 融合结果与评价 |
| 本章小结 |
| 第6章 Contourlet域图像融合的实现 |
| 6.1 基于Contourlet的图像去噪 |
| 6.1.1 传统去噪算法 |
| 6.1.2 Contourlet阈值及尺度去噪 |
| 6.1.3 去噪结果与评价 |
| 6.2 基于非采样Contourlet的PCNN图像融合 |
| 6.2.1 PCNN模型 |
| 6.2.2 PCNN的工作特性 |
| 6.2.3 基于PCNN的图像融合 |
| 6.2.4 改进的NSCT域PCNN图像融合 |
| 6.3 结合非采样Contourlet和ANMF图像融合 |
| 6.3.1 基于NSCT和ANMF的图像融合 |
| 6.4 NSCT域多方式融合结果与评价 |
| 本章小结 |
| 第7章 总结与展望 |
| 7.1 主要工作和结论 |
| 7.2 本文的创新之处 |
| 7.3 工作展望 |
| 致谢 |
| 参考文献 |
| 博士期间的研究成果 |
| 附录A 图目录 |
| 附录B 表目录 |
（9）多传感器图像融合理论及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 图像融合技术的研究现状 |
| 1.2.1 图像融合系统的层次划分 |
| 1.2.2 国内外研究现状 |
| 1.2.3 图像融合的应用与发展趋势 |
| 1.3 研究内容与论文结构 |
| 1.3.1 研究目标 |
| 1.3.2 主要内容与创新 |
| 1.3.3 论文的组织结构 |
| 第二章 像素级图像融合算法 |
| 2.1 基于多目标QPSO与灰度关联的多聚焦图像融合方法 |
| 2.1.1 低频子带的融合准则 |
| 2.1.2 高频子带的融合准则 |
| 2.1.3 实验结果及评价 |
| 2.1.4 小结 |
| 2.2 一种改进的基于形态学小波多聚焦图像融合方法 |
| 2.2.1 引言 |
| 2.2.2 形态学小波变换的问题与分析 |
| 2.2.3 基于检测-重融合的形态学小波融合方法(CRMWF) |
| 2.2.4 小结 |
| 2.3 基于统计模型的多分辨率图像融合方法 |
| 2.3.1 引言 |
| 2.3.2 改进的统计融合模型 |
| 2.3.3 实验结果与分析 |
| 2.3.4 小结 |
| 2.4 本章小结 |
| 第三章 特征级图像融合算法 |
| 3.1 卡尔曼滤波与多特征结合的噪声图像融合方法 |
| 3.1.1 引言 |
| 3.1.2 Kalman滤波的基本原理 |
| 3.1.3 多特征提取 |
| 3.1.4 基于FCM算法的图像分割 |
| 3.1.5 基于模糊柯西相似度的图像融合方法 |
| 3.1.6 图像融合的决策方法 |
| 3.1.7 基于Kalman滤波与多特征模糊聚类的图像融合 |
| 3.1.8 实验结果及评价 |
| 3.1.9 小结 |
| 3.2 基于多通道Gabor滤波的多特征图像融合方法 |
| 3.2.1 引言 |
| 3.2.2 基于Gabor滤波器的纹理特征提取 |
| 3.2.3 基于FCM算法的图像分割 |
| 3.2.4 基于区域的图像融合方法 |
| 3.2.5 实验结果及性能分析 |
| 3.2.6 小结 |
| 3.3 基于QPSO-FCM分割算法的多特征图像融合方法 |
| 3.3.1 引言 |
| 3.3.2 基于QPSO-FCM算法的图像分割 |
| 3.3.3 图像融合过程 |
| 3.3.4 实验结果及分析 |
| 3.3.5 小结 |
| 3.4 基于二次融合的多特征的多聚焦图像融合方法 |
| 3.4.1 引言 |
| 3.4.2 2DPCA方法 |
| 3.4.3 基于二次融合的多特征的融合方法 |
| 3.4.4 实验结果及评价 |
| 3.4.5 小结 |
| 3.5 本章小结 |
| 第四章 图像融合评价算法 |
| 4.1 经典算法 |
| 4.2 一种特征级图像融合评价新方法 |
| 4.2.1 基于新相似性度量的评价方法 |
| 4.2.2 基于欧氏距离相似性度量的评价方法 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1:攻读博士学位期间撰写的与课题相关的论文列表 |
| 附录2:攻读博士学位期间参加的科研项目列表 |
（10）多尺度变换的图像融合方法与应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 附表索引 |
| 第1章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 图像多尺度分析概述 |
| 1.3 图像融合技术及其应用 |
| 1.3.1 图像融合概念 |
| 1.3.2 图像融合层次 |
| 1.3.3 图像融合流程 |
| 1.3.4 图像融合应用 |
| 1.4 图像融合技术发展与研究现状 |
| 1.6 论文主要研究内容和结构安排 |
| 1.6.1 论文主要研究内容 |
| 1.6.2 论文的结构安排 |
| 第2章 几类图像融合方法与融合质量评价 |
| 2.1 引言 |
| 2.2 几类常用的图像融合方法及其原理 |
| 2.2.1 基于多尺度变换的图像融合方法 |
| 2.2.2 基于色彩空间的融合方法 |
| 2.2.3 基于数学或统计学的融合方法 |
| 2.2.4 基于智能技术的图像融合方法 |
| 2.3 图像融合质量评价 |
| 2.3.1 基于信息量的评价 |
| 2.3.2 基于差异性的评价 |
| 2.3.3 基于清晰度的评价 |
| 2.3.4 基于相似性的评价 |
| 2.4 本章小结 |
| 第3章 基于多尺度金字塔变换的图像融合方法研究 |
| 3.1 引言 |
| 3.2 图像处理的多尺度金字塔变换 |
| 3.2.1 拉普拉斯金字塔变换 |
| 3.2.2 对比度金字塔和比率金字塔变换 |
| 3.2.3 梯度金字塔变换 |
| 3.2.4 方向可调金字塔变换 |
| 3.3 改进的金字塔变换域系数对比度融合方法 |
| 3.3.1 金字塔变换融合方法 |
| 3.3.2 融合规则方案 |
| 3.5 实验结果与分析 |
| 3.5.1 多聚焦图像融合实验 |
| 3.5.2 红外与可见光图像融合实验 |
| 3.5.3 医学图像融合实验 |
| 3.5.4 不同融合规则比较 |
| 3.5.5 实验小结 |
| 3.6 本章小结 |
| 第4章 基于小波变换的图像融合方法研究 |
| 4.1 引言 |
| 4.2 小波变换理论及其实现算法 |
| 4.2.1 连续小波变换 |
| 4.2.2 离散小波变换 |
| 4.2.3 多尺度分析概述 |
| 4.2.4 离散小波Mallat算法 |
| 4.3 基于小波变换的图像融合方法 |
| 4.4 基于小波子带邻域内相关系数与平均梯度的图像融合方法 |
| 4.4.1 融合规则方案 |
| 4.4.2 实验与结果分析 |
| 4.5 一种基于主分量变换与小波变换结合的遥感图像融合方法 |
| 4.5.1 融合规则方案 |
| 4.5.2 实验与结果分析 |
| 4.6 本章小结 |
| 第5章 基于Curverlet变换的图像融合方法研究 |
| 5.1 引言 |
| 5.2 Curvelet变换理论 |
| 5.2.1 Ridgelet变换 |
| 5.2.2 第一代Curvelet变换 |
| 5.2.3 第二代Curvelet变换 |
| 5.2.4 Curvelet变换与小波变换的比较 |
| 5.3 基于第一代Curvelet变换的遥感图像融合方法 |
| 5.3.1 融合规则方案 |
| 5.3.2 实验与结果分析 |
| 5.4 基于第二代Curvelet系数的改进能量对比度融合方法 |
| 5.4.1 Curvelet系数特征分析 |
| 5.4.2 基于第二代Curvelet变换的图像融合算法 |
| 5.4.3 改进的Curvelet系数能量对比度融合规则方案 |
| 5.4.4 实验与结果分析 |
| 5.5 基于第二代Curvelet改进IHS变换的遥感图像融合方法 |
| 5.5.1 融合规则方案 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 第6章 非下采样Contourlet变换图像融合方法研究 |
| 6.1 引言 |
| 6.2 非下采样Contourlet变换 |
| 6.2.1 方向滤波器组 |
| 6.2.2 基于QFB的方向滤波器组构造方法 |
| 6.2.3 Contourlet变换 |
| 6.2.4 非下采样Contourlet变换 |
| 6.3 基于非下采样Contourlet系数的改进能量对比度融合方法 |
| 6.4 |
| 6.4.1 基于非下采样的Contourlet变换系数 |
| 6.4.2 融合规则方案 |
| 6.4.3 实验结果与分析 |
| 6.5 基于非下采样Contourlet系数注入的遥感图像融合方法 |
| 6.5.1 融合方法的提出 |
| 6.5.2 基于非下采样Contourlet变换系数注入融合算法 |
| 6.5.3 改进的基于非下采样Contourlet变换系数注入融合算法 |
| 6.5.4 实验结果与分析 |
| 6.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读博士学位期间完成的学术研究论文 |
| 附录B 攻读博士学位期间参与的科研项目 |
四、一种改进的基于小波变换的遥感图像融合方法（论文参考文献）
- [1]基于多尺度下结构组稀疏表示的图像融合方法研究[D]. 杨进. 昆明理工大学, 2020(04)
- [2]基于Daubechies小波变换的遥感影像去薄云方法研究[D]. 帅慕蓉. 湖南科技大学, 2019(06)
- [3]基于CMOS传感器的高光谱遥感图像非均匀性校正技术研究[D]. 杨赞伟. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(08)
- [4]多光谱图像融合系统的设计与实现[D]. 白家铭. 电子科技大学, 2020(07)
- [5]高分辨率遥感图像去云技术研究[D]. 朱宏亮. 哈尔滨工程大学, 2020(05)
- [6]水面目标图像的边缘检测方法研究[D]. 王嘉俊. 江苏科技大学, 2020(03)
- [7]RPCA去除遥感图像稀疏云层方法研究[D]. 石晓旭. 河北工业大学, 2018(07)
- [8]基于城镇影像的Contourlet域图像融合算法研究[D]. 王娟. 成都理工大学, 2015(04)
- [9]多传感器图像融合理论及其应用研究[D]. 罗晓清. 江南大学, 2010(08)
- [10]多尺度变换的图像融合方法与应用研究[D]. 蒋年德. 湖南大学, 2010(08)