一、遥感影像的融合——SPOT全色波段和多光谱影像的融合（论文文献综述）
郭彭浩[1]（2021）在《基于卷积神经网络和贝叶斯理论的遥感图像Pansharpening算法研究》文中研究说明遥感图像Pansharpening的主要目标是把全色图像中的空间结构与多光谱图像中的光谱信息提取出来进行重组得到融合图像,融合图像可以同时具有丰富的光谱信息和高精度的空间结构信息。本文利用卷积神经网络的非线性拟合能力,研究了两种算法,这两种算法在融合全色与多光谱信息同时也拥有良好的泛化性能,主要研究内容如下:1.为了确保模型具有良好的泛化性能,提出了一个新的基于卷积神经网络的遥感图像Pansharpening算法,该方法增加了模型的宽度来提取图像的特征信息,同时使用扩张卷积代替传统卷积,可以在不增加网络复杂度和训练时间的情况下最大程度的提取更多的特征信息。实验结果表明此算法在保证融合质量的同时也具有较好的泛化性。2.为了将卷积神经网络的非线性能力更好的融入模型,首次将多阶深度学习与变分优化相结合,提出了一个基于贝叶斯理论的遥感图像Pansharpening算法,该算法有以下特点:（1）融合图像和多光谱图像拥有相同的光谱信息,利用融合图像卷积模糊核可以得到多光谱图像;（2）融合图像中的结构信息存在全色图像和多光谱图像中,采用卷积神经网络从全色图像和多光谱图像中提取图像的空间结构信息,并且在多阶梯度域训练网络参数,可以有效的提高变分模型的泛化性能;（3）在多阶梯度域使用各项异性全变差来保护融合图像的边缘和细节。实验结果显示该模型更好地实现了光谱信息和空间结构的融合,并且模型的鲁棒性很好。
张影[2]（2021）在《卫星高光谱遥感农作物精细分类研究》文中研究指明农作物播种面积和产量信息是保障粮食安全、农业供给侧结构性改革的重要依据。及时、准确地获取农作物种植面积及产量信息对优化农作物种植结构、科学制定农业政策、国家经济发展具有重要意义。随着成像光谱技术的发展,高光谱图像凭借光谱分辨率高的优点为农作物分类提供了新的技术手段。但是目前高光谱图像农作物分类方面仍存在着空间分辨率低、维数灾难、数据处理工作量大的问题。针对目前高光谱图像农作物精细分类研究存在的不足,本文主要进行了以下研究:（1）选取GF-5高光谱图像和GF-1全色影像作为数据源,采用了IHS变换、Brovey变换、PCA变换、谐波分析、GS变换、改进PCA 6种图像融合方法,以此来提高高光谱图像的空间分辨率。通过评价指标比较6种融合方法的优劣程度,选择适合卫星高光谱图像融合的方法。比较6种图像融合方法,图像信息量方面谐波分析图像融合标准差最大,改进PCA变换图像融合次之,即改进PCA变换融合图像包含了一定的信息量。光谱信息保持方面改进PCA变换图像融合SAM最小为0.95,GS融合方法次小为1.20,由此可以反映出改进PCA变换、GS融合两种方法的光谱畸变较小。与其他图像融合方法相比,改进PCA图像融合方法能够提供令人满意的结果。（2）在高光谱数据降维过程中,包括波段选择、特征提取、特征优选三个部分。波段选择采用聚类排序、稀疏表示、改进萤火虫3种方法,通过计算波段子集的平均信息熵、平均相关系数、J-M距离、总体分类精度来优选波段选择方法。特征优选采用随机森林、嵌入式L1正则化、类内类间距离方法,通过混淆矩阵获得的总体分类精度、Kappa系数、各类地物的制图精度及用户精度来选择适合卫星高光谱数据降维的特征选择方法。在波段选择过程中,改进萤火虫算法波段子集的AIE最高、ACC最低,说明波段信息量最大、相关性最小。改进萤火虫算法在4个定量评价指标上均优于其他两种波段选择方法。特征优选过程中,3种特征选择方法分类结果的总体精度均优于80%,其中基于类内类间距离方法总体精度最高为92.29%,Kappa系数为0.85。（3）在同等样本、特征条件下,比较高光谱图像和多光谱图像农作物精细分类的总体分类精度、Kappa系数、制图精度以及用户精度,优选出适合复杂地区农作物分类的数据源。比较得到高光谱图像总体分类精度比多光谱图像高19.72个百分点。高光谱图像能够较好地识别研究区内的9种地物,制图精度大多数优于80%。而多光谱图像在研究区农作物分类上,仅识别出4种作物,且每种作物的制图精度均低于高光谱图像的制图精度。
刘春鹏[3]（2021）在《大豆冠层信息获取图像融合方法研究》文中指出作物长势信息监测,使用冠层信息进行反映仍是主要手段。得益于无人机遥感技术和计算机技术的快速发展,利用无人机搭载多光谱遥感相机获取农作物冠层信息成为农作物生长过程中长势监测不可或缺的技术手段之一。但遥感图像受飞行高度、成像角度等因素影响,导致合成结果清晰度差、有效信息重叠等问题,直接影响对作物长势信息的判断,影响监测效率。研究冠层图像融合方法,可实现作物长势信息参数的准确提取,为作物长势判断和精准施药技术发展提供理论和现实意义。为提高无人机低空遥感成像质量,在分析整理中外文献资料的基础上,系统总结了的多源遥感影像融合算法的研究现状,借鉴现有的融合机理,以大豆冠层作为研究对象,基于大豆冠层无人机低空遥感图像成像特点,研究大豆冠层遥感图像融合算法,获取分辨率高且空间细节信息丰富的融合图像,并对图像融合性能进行检验,重点展开了以下几个方面的工作:（1）大豆冠层低空遥感图像融合理论分析根据前期研究的理论基础确定图像融合层次,通过对比分析基于成分替换和基于多尺度变换的图像融合算法的优缺点,选用基于成分变换中的IHS变化和基于多尺度的NSCT变换方式,构建了融合图像算法结构,确定其工作原理,详细分析了强度分量在融合过程中的变换过程,针对分量变换产生的信息丢失、光谱失真现象,通过结合NSCT变换操作进行修正,有效避免图像空间细节信息丢失现象,同时保持了光谱信息的表达。（2）遥感图像融合算法确定通过分析NSCT变换过程中,非下采样金字塔滤波和非下采样方向滤波的工作原理,引入空间频率概念和区域能量加权的方式完成图像间低、高频子带系数的融合操作,筛选出空间频率最大的像元值参与子带的重构,使得大部分能量信息得以保留,对结果的清晰度保持稳定;以区域内像素相关性为前提的区域能量加权方法同样可以保证融合结果的清晰程度,同时对图像的局部特征表达充分。（3）融合图像应用效果试验研究根据图像边缘分割提取的理论研究和实际的实验操作过程,分别从基于搜索的边缘提取方法和基于零交叉的边缘提取方法进行分析,验证融合结果的边缘提取效果,同时结合近地端车载多光谱传感器遥感结果对融合结果获取的植被指数进行对比分析和结果验证。研究建立一种IHS变换结合非下采样轮廓波变换的无人机低空遥感图像融合算法,将无人机遥感直接应用于大豆冠层信息提取,融合结果空间信息保留度高、图像分辨率良好,为大豆冠层图像边缘轮廓信息提取和植被指数获取提供理论基础和技术支撑。
靳道明[4]（2021）在《基于深度学习的吉林一号光谱卫星影像分辨率重建》文中进行了进一步梳理随着遥感技术的应用领域越来越广泛,对高分辨率遥感影像的需求也日益增加。因此,如何获取高质量高分辨率的遥感影像成为研究的热点问题,传统方法是将全色图像中的高频空间信息用特定算法提取,以叠加或替换某一分量的方式弥补多光谱数据分辨率不足的问题。然而传统方法提取特征的算法较为固定,易出现光谱或空间畸变。近年来,随着机器学习方法逐渐兴起,以卷积神经网络为代表,展现出强大的复杂数据处理能力和特征提取的潜力,为遥感图像分辨率重建领域提供了新的思路。本文以吉林一号光谱卫星影像数据为例,从光谱和空间分量角度出发,提出了多特征融合的双通道网络,在光谱通道中加入残差结构以保持原始图像的光谱特性,在空间通道中加入了多尺寸卷积核提取不同尺度的特征信息,并将空间通道中的多个层次特征进行融合,以提取全色网络中的高频空间信息,并在最后用通道注意力模块对多种特征的贡献度进行自适应调整,将结果与传统双三次卷积插值和GS方法以及Pan Net经典网络进行对比。为了定量分析全色图像在分辨率重建中的作用,本文用吉林一号光谱卫星影像分别制作了多光谱和多光谱加全色两种数据集,对网络进行训练。从重建结果图像的图像质量和波段独立性两个角度进行定量分析,以评价全色数据对重建图像的影响。结果表明,与传统双三次卷积插值与GS融合方法相比CNN有明显的优势,两种传统方法往往只注重与光谱或空间质量,而CNN方法的优势主要体现在重建过程中平衡空间和光谱的关系,能够同时在两个分量上取得较好的结果,因此有更好的综合质量。与Pan Net网络的重建结果图像相比,本文的重建图像质量在光谱分量的提升幅度约为5%,而在空间分量上的提升幅度约为6%。在两种不同数据集的结果比较中表明,全色图像在分辨率重建过程中不仅在空间分量提供高频信息,也一定程度的补充了重建图像的光谱信息。重建后的图像质量在空间分量上的提升幅度约为20%,在光谱分量上的提升幅度约为6%。在4倍重建中,使用两个数据集训练网络得到的结果基本相同,说明全色数据在重建过程中的作用不大,其原因可能是多光谱数据中的信息和全色信息差异过大时,网络在提取对应高频信息的时候存在困难。在后续的研究中,需要探索其他的网络结构或方法以更高效率的对全色数据中的高频空间信息进行提取。
魏鑫[5]（2021）在《多尺度与稀疏表示相结合的光学图像融合算法研究》文中进行了进一步梳理随着传感器技术的发展,单一传感器模式逐渐发展为多种传感器模式。然而单一的图像传感器表示能力十分有限,往往不能从场景中提取足够的信息,多源图像融合技术应运而生,提高了图像解译的性能。其中,多光谱和全色图像融合作为近年来的研究热点,在一定程度上解决了多源数据综合分析的问题,促进了图像处理技术的发展。该技术以互补的方式利用了这两种成像方法的特点,有利于更加准确、可靠、全面地获取目标或场景信息。对于多光谱和全色图像的融合,空间信息和光谱信息是要考虑的关键因素。因此,如何将二者同一场景不同图像的优点有效且平滑地集中到一张遥感图像中,从而实现对相同应用场景更加客观、接近自然的描述,实现多源影像的优势互补,扩大遥感数据实际应用范围,是当前多源数据融合亟待解决的问题。本文通过分析多光谱和全色图像的成像特点,结合当前国内外多源遥感影像融合技术发展现状,针对现有的融合算法仍存在无法较好兼顾图像空间性能和光谱质量等问题,深入研究多光谱和全色图像的融合算法。论文的主要工作如下:（1）提出了一种基于双树复小波变换（Dual-Tree Complex Wavelet Transform,DTCWT）和稀疏表示（Sparse Representation,SR）的图像融合算法。该算法通过结合主成分替换法和多尺度分析法的优点,同时对低频分量进行稀疏编码方法来改善传统融合规则损失能量的缺点。对于高频分量,充分考虑图像区域像素之间的联系,采用的融合规则能较好保留原始图像的近似和空间信息。（2）提出了一种基于非下采样轮廓波（Non-subsampled Contourlet Transform,NSCT）和自适应稀疏表示（Adaptive Sparse Representation,ASR）的图像融合算法。该方法根据图像高低频分量特征不同调制不同的融合规则。对低频分量使用ASR模型进行编码,改善了传统的基于SR的方法应用的不足;对高频分量使用“Max-absolute”规则进行融合,使得融合图像在空间特征和光谱性能方面都有较好的表现。采用GF-2卫星拍摄的2017年1月31号安徽省合肥市三河古镇景区和Quick-bird卫星拍摄的美国加州城市的多光谱和全色图像对本文所提算法进行主观和客观评价。本文选取PCA、小波变换、Brovey变换、DTCWT和NSCT方法进行对比分析。实验结果表明:本文提出的融合算法细节信息保持较好,边缘更加清晰,色彩更加自然,具有更好的视觉效果,且相对平均光谱误差、通用图像质量等客观评价指标相对传统融合算法均有不同程度的提高。
吴佼华[6]（2021）在《基于卷积神经网络的SAR与多光谱图像融合算法研究》文中认为近年来,随着各国遥感技术的蓬勃发展,遥感卫星的数目越来越多,其空间、时间和光谱分辨率均大幅度提升,在军事侦察、资源调查、灾害监测等领域发挥着越来越重要的作用。由于单一传感器只能提供有限的信息量,为了充分利用多源传感器的数据,图像融合应运而生,合成孔径雷达（Syntheic Aperture Radar,SAR）图像和多光谱图像融合就是其中一个研究热点。SAR图像与多光谱图像融合的关键在于如何提取SAR图像的空间信息以及如何注入这些信息而不引起融合图像的光谱失真。传统的融合算法由于模型本身的局限性很难在光谱保持和空间细节提升之间达到平衡。为此,本文展开了基于卷积神经网络的SAR与多光谱图像融合算法研究,研究内容主要包括:1、针对SAR图像与多光谱图像的融合结果中存在的颜色失真和空间细节模糊问题,提出了一种基于双分支卷积神经网络的SAR与多光谱图像融合算法。该算法通过设计光谱保持和细节提升双分支网络以及引入特征提取、融合和重建的融合方案,实现SAR与多光谱图像的融合;同时设计光谱损失函数和细节损失函数来控制SAR信息的注入,使得融合结果在光谱保持和空间细节提升两方面得到较好的均衡。2、针对SAR与多光谱图像深层特征中不同空间位置和不同通道维度信息的差异性,提出了一种基于注意力模型的SAR与多光谱图像融合算法。该算法设计空间注意力模型和通道注意力模型分别赋予深层特征中不同空间位置的点和不同通道的特征图以不同的权重值来实现深层特征重新标定,从而使得深层特征更好地融合。论文采用哨兵1号卫星SAR数据和Landsat-8卫星多光谱数据进行实验,并与IHS、Wavelet、IHS＿NSST＿SR、NSCT＿AVG和RSIFNN方法进行比较分析。实验结果表明:与现有的融合算法相比,本文所提算法不论主观评价还是客观评价都有了明显提高,在光谱信息保持和空间细节提升两方面取得良好效果。
王甜甜[7]（2020）在《基于深度残差神经网络的多光谱图像全色锐化算法研究》文中指出随着传感器技术的不断进步,各种对地观测卫星源源不断的提供具有不同空间分辨率、光谱分辨率和时间分辨率的地物遥感影像。由于入射光能量有限,光学遥感系统在信噪比、光谱分辨率以及空间分辨率之间存在权衡。因此,卫星传感器通常只能测得一个高空间分辨率的全色图像与几个低分辨率的多光谱图像。全色锐化是一种融合多光谱与全色图像的技术,其旨在使用全色图像提高多光谱图像的空间分辨率。全色锐化方法作为遥感任务中一项基本且重要的预处理步骤具有重大的研究意义。近年来,深度学习方法在计算机视觉领域取得了令人瞩目的效果,学者们也开始将其引入遥感领域解决相关问题。基于此,本文在深度学习框架上整合了空间和光谱两个领域的特定知识,构建非线性深度学习模型以实现多光谱图像的全色锐化。本文主要进行了以下工作:（1）本文按照全色锐化算法提出的先后顺序,对国内外研究现状进行总结及分类。分析发现基于成分替换的方法虽然边缘细节清晰但存在严重的光谱失真,基于多分辨率分析的方法解决了这一问题但会出现空间信息退化现象,而基于深度学习的全色锐化模型泛化能力不足且深层网络容易出现网络退化。（2）针对经典全色锐化方法的缺点,本文提出一种基于深度残差神经网络（ResNet）改进的多光谱图像全色锐化算法。该算法实现了端到端的深层网络,且模型在WorldView-3模拟数据上自动学习输入与输出之间的映射关系。实验分析表明,改进的算法有效的防止了深层网络的梯度爆炸或消失以及网络退化问题。（3）为了使深度残差网络适合解决全色锐化问题,本文使用ASPP模块代替池化层以减少空间细节信息丢失,并使用可学习参数的转置卷积上采样重建图像尺寸。与多种经典模型在WorldView-3和GF-2数据上进行对比实验,证明了基于深度残差网络改进的方法有效的保留了的空间细节,同时减少了全色锐化图像的光谱失真且具有较好的泛化能力。本文利用卫星数据对多光谱全色锐化算法进行实验,结果表明,所提出方法在空间和光谱信息保留方面的先进性和优越性。
马冯[8]（2019）在《基于NSCT变换的遥感图像融合算法研究》文中研究说明遥感图像融合是将多种传感器图像的互补信息进行重新整合,生成一幅具有更精确、更丰富信息的合成图像,其中多光谱与全色图像融合是遥感图像融合处理中研究最广泛的融合类型。多光谱图像与全色图像融合可以在提高空间分辨率的同时较好地保留了多光谱图像的光谱信息,能够充分利用遥感图像的空间信息与光谱信息,充分发挥各种遥感传感器的优势。本文在分析了多种像元级遥感图像融合方法的基础上,重点研究了具有多尺度、多方向与平移不变性的多尺度分解方法--非下采样轮廓波（NSCT）变换,并根据NSCT分解得到的低频子带系数与高频子带系数的差异分别制定不同的融合规则,提出了两种基于NSCT的遥感图像融合算法:SNSCT算法--引入了空间频率与区域能量来制定子带系数的融合规则,空间频率表示图像的总体活跃程度,区域能量能够有效地突出图像的细节纹理,保证图像的清晰度,以此提出了基于低频子带系数空间频率取大高频子带系数区域能量加权的NSCT融合算法;PNSCT--PCNN模型具有全局耦合、脉冲同步的特性,结合空间频率、区域能量参与子带系数融合规则的制定,充分地利用图像特征信息的相关性,其融合结果光谱失真小,空间细节结构清晰,以此提出了基于空间频率与区域能量驱动PCNN模型的NSCT融合算法。为了验证本文提出的两种遥感图像融合算法的实用性,本文选择了四种不同的遥感数据作为融合实验的源数据,包括:Landsat8遥感图像、GF-1卫星图像、“吉林一号”光学A星遥感图像、SPOT与TM的多源遥感图像,并选择NSCT-PCNN算法、NSCT算法、IHS算法/PCA算法以及Gram-Schmidt算法进行对比分析。实验结果显示SNSCT算法融合的图像各波段的平均梯度AG值最大,PNSCT算法融合的图像各波段的信息熵EN、相关系数CL、标准差SD最大,光谱扭曲WR最小。结果表明本文提出的遥感图像融合算法的图像信息丰富、光谱扭曲度小、图像清晰度高,有效地提高了多光谱与全色融合图像的质量,其中SNSCT算法融合的图像细节特征更丰富,PNSCT算法融合的图像光谱信息更丰富。
王娟[9]（2015）在《基于城镇影像的Contourlet域图像融合算法研究》文中认为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。
周会珍,吴双,毛德发,汪爱华,于冰洋,李丽[10]（2012）在《多卫星传感器数据的Brovey融合改进方法》文中研究表明提出一种针对当前不同卫星传感器数据融合的新方法。该方法基于Brovey融合方法的思想,充分考虑了不同卫星传感器全色影像与多光谱影像的光谱范围差异以及光谱响应差异,通过公式推导建立了基于权重系数β和比例系数w两个因子的全色影像与多光谱影像的关系式,并根据这两个因子重新构建了Brovey融合过程中的乘积系数。改进后的方法有效地改善了传统Brovey融合方法的光谱畸变问题。将上述方法应用于北京1号、SPOT4/5、Landsat5（TM）以及环境一号卫星数据之间的4例融合实验中,并与Brovey融合、Modified IHS融合方法进行定性和定量评价,结果表明其综合性能优于其他方法,在细节融入度高的基础上,仍能保持良好的光谱信息,而且保留了Brovey融合快速的优点,易于推广和应用。
二、遥感影像的融合——SPOT全色波段和多光谱影像的融合（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、遥感影像的融合——SPOT全色波段和多光谱影像的融合（论文提纲范文）
（1）基于卷积神经网络和贝叶斯理论的遥感图像Pansharpening算法研究（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 |
| 1.3 论文的主要内容及章节安排 |
| 第二章 遥感图像Pansharpening相关知识 |
| 2.1 分量替代法 |
| 2.1.1 PCA融合 |
| 2.1.2 BDSD融合 |
| 2.2 多分辨率分析法 |
| 2.2.1 基于小波变化的融合算法 |
| 2.3 基于变分模型的方法 |
| 2.4 基于深度学习的方法 |
| 2.5 遥感图像Pansharpening的评价指标 |
| 2.5.1 主观评价 |
| 2.5.2 客观评价指标 |
| 2.6 本章小结 |
| 第三章 基于多宽度卷积神经网络的遥感图像Pansharpening算法 |
| 3.1 卷积神经网络简介 |
| 3.2 网络构架 |
| 3.2.1 扩张卷积 |
| 3.2.2 批量归一化层 |
| 3.2.3 激活函数 |
| 3.2.4 模型结构 |
| 3.3 数据集构建和参数设置 |
| 3.3.1 数据集的构建 |
| 3.3.2 损失函数 |
| 3.3.3 参数设置 |
| 3.4 实验结果与分析 |
| 3.4.1 模拟数据集实验结果及分析 |
| 3.4.2 真实数据集实验结果及分析 |
| 3.4.3 扩展实验 |
| 3.5 本章小结 |
| 第四章 基于贝叶斯理论和卷积神经网络的遥感图像Pansharpening算法 |
| 4.1 基于贝叶斯理论的遥感图像Pansharpening模型 |
| 4.1.1 光谱保真项 |
| 4.1.2 结构保真项 |
| 4.1.3 先验项 |
| 4.2 MGCNN网络模型 |
| 4.2.1 网络模块 |
| 4.2.2 数据集 |
| 4.2.3 网络结构和参数设置 |
| 4.3 优化算法 |
| 4.3.1 模型优化求解 |
| 4.4 实验结果与分析 |
| 4.4.1 模拟数据实验结果及分析 |
| 4.4.2 真实数据实验结果及分析 |
| 4.4.3 扩展实验 |
| 4.5 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 |
| 作者介绍 |
（2）卫星高光谱遥感农作物精细分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 面向农作物分类的高光谱遥感数据源研究进展 |
| 1.2.2 高光谱图像融合方法研究进展 |
| 1.2.3 高光谱数据降维方法研究进展 |
| 1.2.4 农作物高光谱遥感分类算法研究进展 |
| 1.2.5 当前研究不足 |
| 1.3 研究思路及研究内容 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 1.4 技术路线及论文结构 |
| 1.4.1 技术路线 |
| 1.4.2 论文结构 |
| 第二章 研究区及数据 |
| 2.1 研究区概况 |
| 2.2 数据收集与处理 |
| 2.2.1 高光谱卫星遥感影像 |
| 2.2.2 多光谱卫星遥感影像 |
| 2.2.3 样本地面调查数据 |
| 2.2.4 光谱野外观测数据及预处理 |
| 第三章 高光谱图像融合方法研究 |
| 3.1 融合影像的收集与预处理 |
| 3.2 影像融合方法 |
| 3.2.1 GS(Gram-Schmidt)法 |
| 3.2.2 IHS(Intensity Hue Saturation)变换法 |
| 3.2.3 Brovey变换法 |
| 3.2.4 PCA(Principal Components Analysis)变换法 |
| 3.2.5 谐波分析法 |
| 3.2.6 改进PCA变换法 |
| 3.3 融合图像的质量评价 |
| 3.4 不同融合方法下的高光谱图像质量比较 |
| 3.4.1 基于视觉分析的高光谱图像融合质量对比 |
| 3.4.2 基于不同评价指标的高光谱图像融合质量比较 |
| 3.5 本章小结 |
| 第四章 面向农作物分类的高光谱图像降维方法研究 |
| 4.1 面向农作物分类的高光谱图像波段选择方法 |
| 4.1.1 波段初选 |
| 4.1.2 面向农作物的高光谱影像波段优选方法 |
| 4.2 面向农作物分类的高光谱影像特征挖掘方法 |
| 4.2.1 高光谱影像特征提取 |
| 4.2.2 高光谱影像特征优选方法 |
| 4.3 结果与分析 |
| 4.3.1 典型地物的反射光谱特征分析 |
| 4.3.2 不同算法下的高光谱影像波段选择结果比较 |
| 4.3.3 不同算法下的高光谱影像特征优选结果比较 |
| 4.4 本章小结 |
| 第五章 面向高光谱遥感的农作物分类算法优选研究 |
| 5.1 面向高光谱遥感的农作物分类算法设计 |
| 5.1.1 支持向量机(SVM)法 |
| 5.1.2 随机森林(RF)法 |
| 5.1.3 最大似然(MLC)法 |
| 5.2 农作物分类精度评价 |
| 5.3 不同算法下的农作物高光谱遥感分类精度比较 |
| 5.4 本章小结 |
| 第六章 不同遥感数据源的农作物分类精度评价 |
| 6.1 高光谱遥感的农作物分类 |
| 6.1.1 样本数据 |
| 6.1.2 分类特征 |
| 6.1.3 分类算法 |
| 6.2 多光谱遥感的农作物分类 |
| 6.2.1 样本数据 |
| 6.2.2 分类特征提取 |
| 6.2.3 分类算法 |
| 6.3 农作物分类精度评价 |
| 6.4 不同遥感数据源的农作物分类精度比较 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（3）大豆冠层信息获取图像融合方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无人机低空遥感应用国内外研究现状 |
| 1.2.2 多源遥感图像融合算法国内外研究现状 |
| 1.3 研究的内容、方法以及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 主要研究方法 |
| 1.3.3 技术路线 |
| 2 低空遥感图像融合技术研究 |
| 2.1 遥感图像融合层次划分 |
| 2.1.1 像素级图像融合 |
| 2.1.2 特征级图像融合 |
| 2.1.3 决策级图像融合 |
| 2.2 图像融合质量评价 |
| 2.2.1 主观评价指标 |
| 2.2.2 客观评价指标 |
| 2.3 样本数据选取及分析 |
| 2.3.1 试验地选取 |
| 2.3.2 飞行参数设定 |
| 2.3.3 样本数据确定 |
| 2.4 像素级图像融合算法研究及应用 |
| 2.4.1 基于成分替换的图像融合方法 |
| 2.4.2 基于多尺度分析的图像融合方法 |
| 2.4.3 实验结果分析 |
| 2.5 本章小结 |
| 3 IHS变换和NSCT相结合的图像融合算法研究 |
| 3.1 算法理论基础 |
| 3.1.1 基于IHS变换的分量提取 |
| 3.1.2 非下采样金字塔滤波组 |
| 3.1.3 非下采样方向滤波器组 |
| 3.2 基于IHS变化结合非下采样轮廓波变换融合算法研究 |
| 3.2.1 算法实现过程 |
| 3.2.2 低频子带信息融合规则 |
| 3.2.3 高频子带信息融合规则 |
| 3.3 融合结果分析及效果评价 |
| 3.4 本章小结 |
| 4 实验结果与质量评价 |
| 4.1 边缘轮廓提取验证试验 |
| 4.1.1 基于搜索的边缘检测方法 |
| 4.1.2 基于零交叉的边缘检测方法 |
| 4.1.3 实验结果分析 |
| 4.2 归一化植被指数提取验证试验 |
| 4.2.1 理论基础分析 |
| 4.2.2 试验设计 |
| 4.2.3 数据处理与结果分析 |
| 4.3 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 进一步研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 个人情况 |
| 教育背景 |
| 科研经历 |
| 在学期间发表论文 |
| 专利 |
| 软着 |
（4）基于深度学习的吉林一号光谱卫星影像分辨率重建（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第2章 遥感影像分辨率重建技术 |
| 2.1 传统遥感影像分辨率重建方法的分类 |
| 2.1.1 基于分量替换(CS)的融合方法 |
| 2.1.2 基于多分辨率分析(MRA)的融合方法 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 激活函数 |
| 2.2.4 损失函数 |
| 2.2.5 卷积神经网络的训练 |
| 2.3 重建图像的评价标准 |
| 第3章 多特征融合的双通道网络 |
| 3.1 CNN网络的总体结构 |
| 3.2 CNN网络光谱通道 |
| 3.3 CNN网络空间通道 |
| 3.4 网络参数的设置与损失函数的选择 |
| 第4章 基于多特征融合网络的遥感图像分辨率重建 |
| 4.1 数据集处理 |
| 4.2 网络训练与测试 |
| 4.3 预测结果及分析 |
| 4.4 全色波段对融合影像波段相关性的影响 |
| 第5章 结论与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简介及学术成果 |
| 作者简介 |
| 科研成果 |
| 致谢 |
（5）多尺度与稀疏表示相结合的光学图像融合算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及存在的问题 |
| 1.2.1 影像融合研究现状 |
| 1.2.2 多光谱与全色图像融合研究现状 |
| 1.2.3 多光谱与全色图像融合存在的问题 |
| 1.3 本文主要研究内容与结构安排 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文结构安排 |
| 第二章 多光谱与全色图像融合理论介绍 |
| 2.1 实验数据介绍与数据预处理 |
| 2.1.1 研究区域概况 |
| 2.1.2 实验数据源 |
| 2.1.3 数据预处理 |
| 2.2 经典融合算法 |
| 2.2.1 传统融合体系 |
| 2.2.2 新型融合体系 |
| 2.3 图像质量评价 |
| 2.3.1 主观评估 |
| 2.3.2 客观评估 |
| 2.4 本章小结 |
| 第三章 基于双树复小波变换与稀疏表示的图像融合算法 |
| 3.1 双树复小波变换 |
| 3.2 稀疏表示 |
| 3.3 基于双树复小波变换和稀疏表示的融合算法 |
| 3.3.1 基于“Max-absolute”规则的高频融合 |
| 3.3.2 基于SR的低频融合 |
| 3.4 实验结果与分析 |
| 3.4.1 实验参数设置 |
| 3.4.2 实验结果 |
| 3.4.3 实验分析 |
| 3.5 本章小结 |
| 第四章 基于NSCT与自适应稀疏表示的图像融合算法 |
| 4.1 非下采样轮廓波变换(NSCT) |
| 4.1.1 Contourlet变换(CT) |
| 4.1.2 NSCT变换 |
| 4.2 自适应稀疏表示模型(ASR) |
| 4.3 基于NSCT和 ASR的融合算法 |
| 4.3.1 高频融合规则 |
| 4.3.2 低频融合规则 |
| 4.4 实验结果与分析 |
| 4.4.1 实验参数设置 |
| 4.4.2 实验结果 |
| 4.4.3 实验分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果 |
（6）基于卷积神经网络的SAR与多光谱图像融合算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及存在的问题 |
| 1.2.1 融合算法层次分类 |
| 1.2.2 图像融合研究现状 |
| 1.2.3 SAR与多光谱图像融合研究现状 |
| 1.2.4 目前融合算法存在的问题 |
| 1.3 本文主要研究内容和结构安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 本文结构安排 |
| 第二章 SAR与多光谱图像融合算法及评价方法 |
| 2.1 数据介绍及数据预处理 |
| 2.1.1 数据介绍 |
| 2.1.2 图像预处理 |
| 2.2 融合算法介绍 |
| 2.2.1 主成分替换法 |
| 2.2.2 多尺度分析法 |
| 2.2.3 混合类方法 |
| 2.2.4 基于深度学习的方法 |
| 2.3 图像融合质量评价 |
| 2.3.1 客观评价方法 |
| 2.3.2 主观评价方法 |
| 2.4 本章总结 |
| 第三章 基于双分支卷积神经网络的SAR与多光谱图像融合算法 |
| 3.1 研究思路 |
| 3.2 双分支卷积神经网络融合算法 |
| 3.2.1 网络框架 |
| 3.2.2 损失函数 |
| 3.3 实验设计 |
| 3.3.1 实验设置 |
| 3.3.2 对比方法 |
| 3.4 实验结果与分析 |
| 3.4.1 参数λ实验 |
| 3.4.2 特征图可视化 |
| 3.4.3 主观评价 |
| 3.4.4 客观评价 |
| 3.5 本章总结 |
| 第四章 基于注意力模型的SAR与多光谱图像融合算法 |
| 4.1 注意力机制 |
| 4.2 基于注意力模型的融合算法 |
| 4.2.1 注意力模型 |
| 4.2.2 算法实现 |
| 4.2.3 实验设置 |
| 4.3 实验结果和分析 |
| 4.3.1 通道压缩和池化操作实验 |
| 4.3.2 主观评价 |
| 4.3.3 客观评价 |
| 4.4 本章总结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后期工作展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（7）基于深度残差神经网络的多光谱图像全色锐化算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 全色锐化算法研究现状 |
| 1.2.2 全色锐化算法分类 |
| 1.2.3 存在的问题 |
| 1.3 研究内容以及技术路线 |
| 1.4 本文章节安排 |
| 2 经典全色锐化算法与评价标准 |
| 2.1 基于成分替换的全色锐化方法 |
| 2.1.1 基于主成分分析的全色锐化算法 |
| 2.1.2 基于Gram-Schmidt正交化的全色锐化算法 |
| 2.1.3 基于Brovey变换的全色锐化算法 |
| 2.2 基于多分辨率分析的全色锐化方法 |
| 2.2.1 基于高通滤波的全色锐化算法 |
| 2.2.2 基于小波变换的全色锐化算法 |
| 2.2.3 基于Indusion的全色锐化算法 |
| 2.3 基于变分的全色锐化方法 |
| 2.4 基于深度学习的全色锐化方法 |
| 2.5 全色锐化方法质量评估 |
| 2.5.1 Wald协议 |
| 2.5.2 光谱角度匹配 |
| 2.5.3 相关系数 |
| 2.5.4 均方根误差 |
| 2.5.5 相对全局综合指数 |
| 2.5.6 通用图像质量指数与全局度量Q4 |
| 2.5.7 无参考质量评价指标 |
| 3 基于深度残差网络的多光谱全色锐化算法 |
| 3.1 卷积神经网络 |
| 3.2 深度残差网络 |
| 3.2.1 梯度消失和梯度爆炸问题 |
| 3.2.2 网络退化与深度残差网络 |
| 3.3 基于改进的深度残差网络的多光谱全色锐化算法 |
| 3.3.1 高通域 |
| 3.3.2 转置卷积上采样 |
| 3.3.3 输入层 |
| 3.3.4 ASPP模块 |
| 3.3.5 目标函数 |
| 4 实验设计和实验结果 |
| 4.1 实验数据介绍 |
| 4.2 实验设计和结果分析 |
| 4.2.1 基于改进的ResNet全色锐化算法结果分析 |
| 4.2.2 传统全色锐化算法与改进算法的实验结果对比分析 |
| 4.2.3 真实数据集实验设计和结果分析 |
| 5 总结与展望 |
| 5.1 本文研究内容总结 |
| 5.2 未来研究发展与展望 |
| 致谢 |
| 参考文献 |
（8）基于NSCT变换的遥感图像融合算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 图像融合的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感图像融合层次 |
| 1.2.2 像元级融合主要方法介绍 |
| 1.3 遥感图像融合评价 |
| 1.3.1 主观评价 |
| 1.3.2 客观评价 |
| 1.4 本文的主要研究内容与组织结构 |
| 第二章 基于NSCT变换改进的遥感图像融合算法 |
| 2.1 非下采样轮廓波理论 |
| 2.1.1 概述 |
| 2.1.2 非下采样金字塔滤波(NSPFB) |
| 2.1.3 非下采样方向滤波器组(NSDFB) |
| 2.1.4 基于NSCT变换的图像融合算法的分解原理 |
| 2.2 改进的S_NSCT遥感融合算法 |
| 2.2.1 概述 |
| 2.2.2 低频子带系数融合规则 |
| 2.2.3 高频子带系数的融合规则 |
| 2.2.4 S_NSCT算法遥感图像融合步骤 |
| 2.3 本章小结 |
| 第三章 基于NSCT-PCNN改进的遥感图像融合算法 |
| 3.1 脉冲耦合神经网络理论 |
| 3.1.1 概述 |
| 3.1.2 PCNN模型 |
| 3.1.3 PCNN简化模型 |
| 3.2 改进的P_NSCT遥感融合算法 |
| 3.2.1 简化PCNN模型遥感图像融合原理 |
| 3.2.2 低、高频子带系数的融合规则 |
| 3.2.3 P_NSCT算法的遥感图像融合步骤 |
| 3.3 本章小结 |
| 第四章 实验结果与质量评价 |
| 4.1 Landsat8图像融合结果与评价 |
| 4.1.1 Landsat8遥感图像简介 |
| 4.1.2 Landsat8图像预处理与融合参数设置 |
| 4.1.3 主观评价 |
| 4.1.4 客观评价 |
| 4.2 高分一号遥感图像融合实验结果与评价 |
| 4.2.1 GF-1遥感卫星简介 |
| 4.2.2 GF-1遥感图像预处理及融合参数设置 |
| 4.2.3 主观评价 |
| 4.2.4 客观评价 |
| 4.3 吉林一号卫星融合结果与评价 |
| 4.3.1 吉林一号卫星简介 |
| 4.3.2 “吉林一号”图像预处理与参数设置 |
| 4.3.3 主观评价 |
| 4.3.4 客观评价 |
| 4.4 多源遥感图像融合结果与评价 |
| 4.4.1 多源遥感图像简介与融合参数设置 |
| 4.4.2 主观评价 |
| 4.4.3 客观分析 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 研究结论 |
| 5.2 问题与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 一、攻读硕士学位期间发表的学术论文 |
| 二、攻读硕士学位期间参与的科研项目 |
| 致谢 |
（9）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 |
（10）多卫星传感器数据的Brovey融合改进方法（论文提纲范文）
| 1 INTRODUCTION |
| 2 SPECTRAL CHARACTERISTICS |
| 2.1 Spectral range differences of different sensors |
| 2.2 Spectral response differences of different sensors |
| 2.3 Formula deriving |
| 3 PROPOSED FUSION METHOD |
| 3.1 Brovey transformation |
| 3.2 Proposed fusion method |
| 4 EXPERIMENTS AND ANALYSIS |
| 5 CONCLUSION AND DISCUSSION |
| 1引言 |
| 2传感器的光谱特性 |
| 2.1不同卫星传感器光谱范围差异 |
| 2.2不同卫星传感器光谱响应差异 |
| 2.3公式的建立 |
| 3本文融合方法 |
| 3.1 Brovey变换方法 |
| 3.2本文融合方法 |
| 4融合实验与分析 |
| 5结论与讨论 |
四、遥感影像的融合——SPOT全色波段和多光谱影像的融合（论文参考文献）
- [1]基于卷积神经网络和贝叶斯理论的遥感图像Pansharpening算法研究[D]. 郭彭浩. 南京信息工程大学, 2021(01)
- [2]卫星高光谱遥感农作物精细分类研究[D]. 张影. 中国农业科学院, 2021(09)
- [3]大豆冠层信息获取图像融合方法研究[D]. 刘春鹏. 黑龙江八一农垦大学, 2021(10)
- [4]基于深度学习的吉林一号光谱卫星影像分辨率重建[D]. 靳道明. 吉林大学, 2021(01)
- [5]多尺度与稀疏表示相结合的光学图像融合算法研究[D]. 魏鑫. 合肥工业大学, 2021(02)
- [6]基于卷积神经网络的SAR与多光谱图像融合算法研究[D]. 吴佼华. 合肥工业大学, 2021(02)
- [7]基于深度残差神经网络的多光谱图像全色锐化算法研究[D]. 王甜甜. 中国地质大学(北京), 2020(08)
- [8]基于NSCT变换的遥感图像融合算法研究[D]. 马冯. 长安大学, 2019(01)
- [9]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)
- [10]多卫星传感器数据的Brovey融合改进方法[J]. 周会珍,吴双,毛德发,汪爱华,于冰洋,李丽. 遥感学报, 2012(02)