一、基于边缘自相似特征的遥感图像边缘检测算法（论文文献综述）
李尊[1]（2021）在《单幅深度图像修复算法研究》文中提出深度图像是深度信息的重要表达形式,是当前图像处理与计算机视觉领域的研究热点。深度图像的出现使得计算机具有通过二维平面图像获得三维立体信息的能力,有助于场景的三维结构的更好表达,促进机器自动化、目标跟踪、医学诊疗等领域的快速发展。然而,由于多种因素的限制,极易造成深度图像的信息缺失。因此,采用合理的方法对深度图像进行修复获得高质量的深度图像具有十分重要的理论和现实意义。单幅深度图像的修复是一个病态的逆问题,深度图像的自身特征可以采用合适的数学语言进行刻画作为约束条件,将修复问题由不适定变为适定,完成修复。本文基于深度图像的低秩结构、非局部自相似、稀疏和梯度稀疏等特征,对单幅深度图像的修复问题进行了系统而深入的研究。在前人工作的基础上,提出了3种不同的修复方法,完成了单幅深度图像的修复任务。论文的主要创新点和具体工作如下:（1）提出了一种基于非局部自相似特征和低秩结构表示的单幅深度图像修复方法。深度图像是场景中目标物几何形状的描述,目标物之间的边缘结构尤为重要。因此,采用低秩结构表示模型获得粗略的修复效果,在此基础上,由于深度图像边缘结构具有重复性,则引入非局部自相似约束,提高修复的效果。此方法可以充分利用深度图像的特征来完成修复任务。首先,根据像素值的特点,将图像进行分块,形成相似的分块组和三维排列。然后,利用分离Bregman迭代算法将修复问题有效地划分为低秩约束的子问题和非局部自相似约束的子问题。最后,使用不同的策略来解决不同的子问题,提高了可靠性。将加权Schatten p范数最小化方法作为低秩约束的求解策略既可以对不同部分采用不同操作又可以更好的逼近原始的低阶假设,获得潜在完好的解。三维变换域上的像素块级非局部自相似的稀疏统计模型可以更好的刻画图像的自相似度,能将群组中的真实信号进行较好的表示。（2）提出了一种基于梯度稀疏特征和稀疏表示的单幅深度图像修复方法。深度图像可看作无纹理的自然图像,由多数的相似平坦区域和少数的边缘区域构成,具有图像的稀疏特征和无纹理特征。一方面,与传统的图像块稀疏表示方式不同,基于相似块组的稀疏模型能采用统一的方式同时较好的表示深度图像的局部平滑特征和非局部自相似特征;另一方面,梯度L0范数通过约束非零梯度的个数来平滑深度图像中不重要的细节,提高边缘显着性。将区域融合准则作为梯度的L0范数的求解方法,可以更好地描述无纹理特征。该算法利用深度图像的特征,达到了修复的目的。（3）提出了一种基于ELU-CNN降噪网路的单幅深度图像修复方法。在分离Bregman算法的帮助下,将深度图像的修复问题转化为降噪子问题,然后采用残差学习训练降噪网络。本降噪模型采用扩张卷积和ELU激活函数,并将残差学习策略和Batch Normalization相结合,训练了一组高效的卷积神经降噪网络来解决深度图像修复的子问题,完成单幅深度图像的修复任务。扩张卷积可以平衡感受野和网络深度;ELU激活函数可以减小偏移,提高对噪声的鲁棒;残差学习策略和Batch Normalization相结合可以增强训练的稳定。
刘雨菡[2]（2021）在《对地观测红外成像虚警源检测方法研究》文中进行了进一步梳理随着现代空间探测技术的发展,人们已经可以获得不同种类的卫星遥感图像并对其进行分析处理。其中,对地观测红外成像技术由于其成像机理及其多功能性,近年来在军民生活中有着广泛的应用,而对红外图像中的目标进行检测更是在现代战争如空间制导、地区安防、预警等领域有着重要的作用。由于对地观测红外成像存在成像距离远、成像环境复杂及图像特征有限等问题,使得红外图像中的目标检测十分困难。同时,红外成像采用的是红外传感器,通过该传感器接收对象的热辐射并将接收的红外热辐射转换成电信号,由此将不可见的红外辐射转变成图像信号。而地球表面存在大量具有高辐射的区域,如雪山、结冰河流、卷云等,使得该类区域会和目标同时成像,对目标的检测产生干扰从而产生虚警。为了提高对地观测红外成像系统的性能及目标检测精度,本文研究了可能会产生虚警的自然场景即虚警源场景,并对虚警源进行分析与检测,从而辅助目标检测以降低其虚警率。本文结合了不同红外遥感图像中的场景检测方法,集中研究了包括虚警源及目标的特性分析与提取、典型虚警源场景的检测以及虚警源检测理论在对地观测红外成像系统中的应用,研究内容主要包括:（1）结合对地观测红外成像系统的成像机理,分析了可能会产生高辐射的场景及其检测的难点。结合虚警源的成像特性,研究并分析了典型虚警源场景的较为普适的特征,如纹理特征、灰度特征、形状特征、视觉显着性特征、分形特征等。同时,分析了不同虚警源背景下的目标特性。通过研究虚警源及目标的不同特征及其成像特性,为后续设计检测算法打下基础。（2）基于河流区域的灰度特征及纹理特征与其他区域不同,研究并提出了基于局部二值模式特征及形态学的河流检测方法。传统以2为半径,8邻域的局部二值模式特征会忽略最近邻的像素信息,而本方法在计算特征时,改变计算半径并利用插值重新计算8邻域的像素值,从而考虑到更多的局部信息,避免了信息被忽略的问题。通过对河流的纹理特征进行分析和提取,再利用合适的阈值并结合形态学理论,实现了快速且简便的河流检测。（3）基于河流的形状特性及方向性,研究并提出了基于Frangi滤波及剪切波变换的河流检测方法。Frangi滤波可以增强图像中的条状物体,而河流由于其形状特性,可以在Frangi滤波后得到增强。同时,不同于其他场景如建筑物、湖泊等,河流在图像中具有一定的方向特性。因此,本文采用了可以在不同方向下提取图像特征的剪切波变换对滤波后的图像进行分析。河流由于其方向特性,在某个分析方向的表现会比图像中的其他区域更加明显。由此,将方向特征较为明显的特征图像进行重建后,可以凸显河流而削弱其他背景区域,再结合活动轮廓模型方法可以实现对河流的有效检测。除此之外,为了提升检测的精度,设计了一种基于每个检测区域椭圆长轴和短轴比的筛选方法,并结合面积筛选策略剔除了检测出的非河流区域,使算法的检测精度有了进一步提升。（4）基于对地观测红外成像的显着性特征,研究并提出了基于多视觉显着性特征融合的卷云检测方法。卷云在对地观测红外成像系统中属于较为显着的区域,其灰度特性与其他背景区域有所不同。除此之外,单一视觉显着性特征并不能全方面地表现物体特性,而不同尺度下或不同种类的特征可以很好地表现对象的多个特性。因此本文提出了基于多特征融合的方法,设计了基于主成分分析理论的特征融合策略,从而结合了不同的视觉显着性特征以更全面地突出卷云,并结合活动轮廓模型方法对卷云实现了精确检测。（5）基于卷云固有的自相似性,研究并提出了基于随机分形模型及稀疏表示的卷云检测方法。遥感图像尤其是红外遥感图像存在着数据样本少、标签难以获取等问题,而利用机器学习的检测方法需要大量的数据及相对应的标签,算法成本较高。因此,基于卷云固有的分形特性,本文设计了一种利用随机分形图像作为模型,根据模型与遥感图像中卷云的相似程度,筛选出合适的图像块作为原子,训练学习出可以表达卷云的字典,再利用稀疏表示方法对图像进行表示的卷云检测方法。由此,可以有效地表示出卷云区域。该方法可有效实现单幅图像中的卷云检测,同时降低了一般机器学习类方法对图像样本数据与标签的需求,在保证检测精度的同时降低了算法成本。（6）基于对地观测红外图像中的虚警源的研究基础,本文提出将虚警源检测方法应用于对地观测红外目标的检测中,将虚警源检测结果作为辅助信息应用于红外目标检测,建立了以检测出的虚警源为先验信息的目标检测理论,分析了其未来应用的合理性及有效性。除此之外,本文还分析了虚警源检测方法在其他对地观测红外成像系统中的应用。不同测试实验表明,上述提出的方法可较为有效地检测出两类典型的虚警源,并建立了虚警源检测应用于目标检测的理论,讨论了一定程度上能够降低红外目标检测虚警率以及提升对地红外目标检测精度的可能性。此外,本文所构建的虚警源检测理论也为对地观测红外成像系统未来的相关研究与应用打下了基础。
闫明畅[3]（2021）在《基于字典学习的高光谱与多光谱图像融合》文中进行了进一步梳理随着遥感技术的发展,遥感数据融合受到广泛关注。其中,高光谱与多光谱图像融合是一个研究热点。高光谱与多光谱图像融合的目的是获得一幅高空间分辨率高光谱图像,解决直接从传感器获取的高光谱图像空间分辨率低的问题。融合的任务是在保证较低光谱畸变的同时增强图像的空间信息。基于此,本文通过字典学习的方法对融合算法进行研究。本文在现有优秀算法的基础上,通过分析目前融合结果普遍存在的问题,提出两种基于字典学习的融合算法。本文的主要工作如下:（1）在基于光谱字典的高光谱与多光谱图像融合方法框架下,本文提出分层字典学习算法。由于遥感图像的边缘细节区域光谱特征丰富且复杂多样,通过在细节层和图像层学习字典,将两层字典组合获得的光谱字典在图像的边缘细节区域最大程度地降低了光谱畸变。在估计系数时,本文提出细节感知误差项和边缘方向自适应全变分约束项。细节感知误差保持了重建图像的空间与光谱信息,边缘方向自适应全变分计算图像最小边缘方向梯度,实现对边缘细节的精确表示。（2）基于光谱字典的图像融合方法会损失空间信息,本文提出基于稀疏表示的空间误差估计算法解决这一问题。依据基于光谱字典的初步融合结果和物理成像模型,可以计算低空间分辨率高光谱图像损失和高空间分辨率多光谱图像损失,并建立这两种损失的空间字典,从而估计初步融合结果的损失。基于稀疏表示和空间误差估计算法利用高光谱与多光谱图像融合问题的特殊性构建融合损失,这样的融合框架可以嫁接在任何基于光谱字典融合方法后,在最大程度上弥补了基于光谱字典融合方法在空间信息上的损失。本文在Pavia University和Indian Pine数据集上进行实验,并与现有优秀算法进行对比分析。结果显示,本文提出的算法在光谱和空间保持上都十分有效。
刘志恒[4]（2021）在《基于多源遥感数据的千河流域线性体提取与活动构造地貌研究》文中研究表明鄂尔多斯西南缘与青藏高原东北缘的连接处活动构造及地貌演化都是区域滑坡和地震灾害研究的重点区域,然而传统野外地质测量无法量化其活动性程度。近年来,遥感技术由于全天时、全天候、易获取、高分辨率等优点,逐渐突破了传统地质野外调查困难等不足,用遥感的手段分析浅表地质现象揭示深度地球物理构造已成为地球科学的主要趋势。因此,本文针对黄土覆盖区地质构造被大面积掩盖、区域构造地貌演化无法量化等难题,考虑多源遥感数据的特性,结合遥感、地质、流体力学等,实现了基于多源遥感数据的线性体和河宽提取算法,并分析了河流纵剖面和横截面响应区域构造差异性隆升过程,主要内容和成果如下:（1）基于遥感数据的黄土覆盖区地质线性体提取研究根据地质线性体在多源遥感影像上的线性特征,结合遥感图像信息提取技术,提出了“一种基于张量投票耦合霍夫变换的地质线性体提取算法”,经与STA、PCI等图像处理算法对比,验证了本文算法的正确性,具有空间连续性强、与断裂构造空间上更吻合的特点。千河流域的线性体主要表现出短而密,集中分布在大断裂周围等特点;其主要方向为NW-SE,次要方向为NE-SW;其分维值和分维谱间接证实该区断裂为中等规模的断裂,结构复杂,发育不稳定,活动性虽强但不频繁。（2）基于多源遥感数据的千河流域纵剖面特征提取研究探讨了多源遥感数据（SRTM1、ASTER-GDEM和资源三号立体像对提取的DEM）的垂直精度对瞬时河道地貌参数提取中的影响,验证了资源三号卫星立体像对提取的DEM在构造地貌中的可行性和不足。提取了该区河流纵剖面上的裂点、空间分布及归一化陡度指数ksn,揭示了该区是区域构造差异性隆升的结果,对活动构造存在瞬时响应,即隆升速率从西北向东南逐渐降低,南岸隆升大于北岸的趋势;量化了坡断型裂点水平回退速率（0.3-27.3mm/yr）,且断层活动引起的基准面下降的裂点回退速率要慢;结合断层连接模式和位移-长度模型,分析了研究区南岸TGF断层演化趋势,并预测了研究区断层连接前、后的潜在地震震级（分别为Mw6.3-6.7和6.8-7.0）。（3）基于多源遥感数据的千河流域横截面特征提取研究提出了“一种基于遥感影像和DEM数据的河宽提取算法”,该算法与野外实测结果更接近（R2=0.92）,减少了人为因素的干预;利用河道宽度W、流域面积-河道宽度指数b′和归一化河道宽度指数kwn探索了对千河流域构造差异性隆升的响应:千河流域南岸构造隆升速率的升高致使其W、b′和kwn低于隆升速率更低的北岸。分析了河道宽度和陡度的调整对单位河道功率ω和河道边界剪切应力τb的沿程分布的影响,揭示了二者呈现出“先增后减”趋势的原因,得出TGF的垂直活动速率是QMF的1.3-1.4倍,即0.033-0.059mm/yr。
苍圣[5]（2021）在《基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究》文中研究说明高光谱遥感技术不仅在军事领域有着举足轻重的地位,同时也被广泛地应用于气象预报、国土普查、作物估产、森林调查、地质找矿、海洋预报、灾害监测、城市规划、地图测绘等各个方面,并且与全球遥感卫星、通信卫星和定位导航卫星相配合,为国家经济建设提供了多方面的信息服务。在林业遥感应用上,高光谱遥感技术也凭借具有大量的光谱信息这个特点在森林树种分类、森林病虫害监测评估、火灾监测、森林资源变化信息提取的方面得到了广泛的应用。遥感技术为森林经营与管理提供了一种新的科学的有效的管理新手段。虽然我们可以通过分析植被的反射光谱来得到高光谱的特征,但是由于高光谱存在信息量大、数据冗余等问题,影响了高光谱数据信息的处理。如何解决该问题已经成为了高光谱遥感研究的热点及未来遥感技术的发展方向。从我国森林林业的发展趋势来看,在高光谱遥感技术数据处理的全过程中,高光谱图像的存储存在“休斯状态”、“同谱对映异构”、“同构异构”等问题。另外,由于大量的数据处理以及高光谱数据信息的收集和传输速度慢等问题,对中后期的图像和图像分辨率造成了一定的影响。本文在对高光谱图像研究现状进行详细分析和总结之后,在压缩感知和稀疏表示基础理论的指导下,开展了高效高光谱分类方法的科学研究。通过对真实的乌伊岭高光谱遥感图像的森林类型分类和树种分类实验,表明了该方法在分类问题上的有效性。具体的研究如下:（1）对研究区的高光谱遥感影像进行了图像预处理,具体包括数据读取、去条带、坏线修复、大气校正、几何精校正、裁剪与镶嵌等。通过HJ-1A卫星获得的高光谱遥感数据共有115个波段,波段间相关程度很大,冗余信息多,同时众多的波段数量对数据处理速度和数据处理质量产生一定的影响。（2）针对高光谱遥感影像数据冗余问题,本文利用分块压缩感知思想并结合TV方法,建立了一种新的基于GISMT压缩感知和谱间预测的高光谱遥感影像重构模型。首先基于分块采样方式,将降维后的遥感图像划分为若干个互不重叠的等尺寸图像块,再根据遥感图像的基本先验知识得到改进的联合稀疏表示模型,分别对各个子图像块进行随机采样;最后结合TV方法的ALM重构算法,实现了从所有图像块压缩采样得到的少量测量值中重构出降维后的高光谱遥感图像。所研究的重构算法与单一的ALM重构算法相比较,时间复杂度更小。GISMT压缩感知和谱间预测的高光谱遥感影像降维方法可以与森林分类相结合。经过重构处理后的高光谱遥感影像的稀疏性更加明显,为后续的基于压缩感知与稀疏表示的分类算法打下基础。（3）提出了一种基于多特征降维与谱间预测重构的高光谱遥感影像森林分类方法。该方法首先利用核函数将样本映射到高维空间,在高维特征空间内根据稀疏表示系数进行特征选择。在分类过程中,采用基于谱间预测重构与多核支持向量机的高光谱分类算法。通过在标准高光谱数据（集）库上的实验研究表明,该算法在小样本学习情况下,大大提高了分类精度。该算法可用于一般性的实验数据,且分类效果较好,达到95%以上,但对于森林类型分类仅达到90%以上,还有待改进。（4）提出了一种基于压缩感知与稀疏表示的窗口自适应的遥感影像森林分类方法。该算法针对高光谱遥感图像“同谱异物、同物异谱”、“维数灾难”等现象导致的难以高精度分类问题,以及无法发挥重构后的图像的稀疏性的问题,提出了解决方案。一方面,研究形状自适应搜索算法来充分挖掘图像光谱结构信息,将其用于稀疏表示模型的系数求解优化,提升表示的准确性。同时,相似像元的联合分类能够有效去除孤立像元分类产生的类似“椒盐噪声”的分类结果,从而提升整体分类性能。实验中,对比了经典的高光谱图像分类方法,实验结果表明提出方法在解决高光谱图像森林大类分类问题上有很高的分类精度,平均分类精度可达到90%以上,甚至个别分类精度超过96%。（5）提出了一种基于压缩感知与稀疏表示的无监督字典学习高光谱遥感影像森林分类方法。该方法是一种无监督的分类方法,采用基于压缩感知的字典学习方法代替基于训练样本光谱的字典构造方法,有助于构建结构紧凑、表示性能更强的字典,从而提升对复杂光谱结构的精确表示能力。实验结果表明,所提出的方法在分类性能上有较大优势,该方法应用在乌伊岭树种识别中,可以得到较好的森林树种分类的效果。与其他字典学习分类方法相比,该算法不仅在分类精度上有显着提升,达到95%以上,且也有效减少了算法的运行时间。
刘业朋[6]（2020）在《图像处理中图像修复及其相关方法的研究》文中认为图像修复是图像处理领域的热点研究问题之一,在计算机视觉、计算机图形学、医学图像处理和遥感成像等领域具有广泛的应用。图像修复最初是指利用已知的损坏图像信息,按照一定规则对损坏的区域进行修补,尽可能的接近或完全恢复出原图像。后来,随着研究的更加深入,图像修复的概念有了延伸,在原来的基础上引入了图像超分辨率和图像去噪等不适定问题。基于图像去噪衍生出了图像平滑,可应用于边缘检测、目标识别和细节增强等领域。问题的不适定性对图像修复的研究带来了极大的挑战,诸多学者为之付出了不懈的努力。借助外部图像库可以有效提高图像修复的质量,但耗时非常久,同时也会带来伪影等问题。充分利用图像的非局部自相似性和局部特征信息,能够有效提高算法效果的同时降低时间复杂度。基于图像分片处理的思想,充分利用图像的自相似性,加权融合图像,在迭代优化中不断提高图像的质量。本文围绕图像修复及其相关问题中的难点和不足展开了研究工作,主要内容如下:1.基于图像自相似性,结合图像分片思想,提出了以局部高频特征为约束的双三次曲面拟合图像放大方法。以高频信息和距离作为约束构造的双三次拟合曲面有效地提高了曲面的逼近精度和形状保持能力,在很好的保持放大图像高频信息的同时避免了锯齿的存在。利用图像的自相似性对基础放大图像进行双重滤波,可以进一步提高放大图像的质量。由于给定的低分辨率图像中信息是不充分的,拟合曲面和真实曲面之间不可避免的存在着误差,因此需要通过不断迭代来优化曲面片。为了加快收敛速度,对误差图像构造了拟合精度更高的双三次曲面。由于该方法有效地保持了图像的局部高频特征信息,相比于其他算法不仅具有较高的峰值信噪比和结构相似性,同时在高频信息处的视觉效果更优。2.基于图像自相似和奇异值分解原理,提出了一种新颖的迭代自适应全局去噪方法。根据图像块的结构复杂度,自适应地确定了搜索窗口的尺寸。为了降低噪声对图像块之间相似性度量的干扰,引入了多尺度相似度度量方法。为了保证对所有图像块都进行去噪,提出了自适应的步长和图像块数量迭代。从理论上将步长变成了 1,实现了在不同的迭代中对所有图像块去噪。在保证了方法速度的前提下,有效地降低了伪影。基于奇异值和噪声水平之间的相关关系估计出了去噪后的奇异值,从而实现了对含噪图像块矩阵的去噪。本文方法在具有较高峰值信噪比和特征相似度的同时具有较快的算法速度和很好的视觉效果。3.基于图像分片分解思想,提出了两种基于边缘块直方图均衡和分片分解的两阶段图像平滑方法。两种方法整体上都包含四个部分。第一,对图像进行合理地分块,尽可能的避免将同一结构边缘分到不同的图像块中。第二,根据每个图像块的边缘像素比将图像块分成‘边缘块’和‘非边缘块’。‘边缘块’中包含了大量边缘,通过直方图均衡‘边缘块’,从而增加边缘像素的梯度。为了保证图像块之间颜色的一致性和连续性,对‘边缘块’进行逆均衡化。第三,对每个图像块进行分解并提取平滑成分,从而降低纹理区域的梯度。第四,对图像块和整幅图像依次进行L0平滑。不同的是,为了更合理地对图像分块,新方法引入了图像的能量图。在指定区域内寻找到最小能量接缝,从而实现对图像的非线性、非均匀分块,有效了减少了因分块和均衡化产生的接缝。结合结构边缘和纹理细节的梯度方向差异,新方法提出了带梯度方向约束的L0平滑方法,同时以图像块的边缘像素比作为松弛因子的权重。与现有的技术相比,本文方法在完整地保持结构边缘和有效地去除纹理细节方面做的更好,其中,新方法的视觉效果更优。
禹璇,刘丽萍,孙学宏[7]（2021）在《结合P-M滤波及改进LSS的光学和SAR图像配准算法》文中研究表明针对遥感光学图像和SAR图像在配准过程中存在正确匹配点较少、配准精度低的问题,提出一种结合P-M滤波及改进LSS的光学和SAR图像配准算法。首先,利用各向异性方程扩散性滤除SAR图像的斑点噪声;其次,对于图像间显着的灰度差异,利用提取的局部区域特征求取各个方向的自相似值,确定主方向的特征方向,结合特征梯度位置方向,形成稳定局部自相似特征算子对图像进行配准。实验结果表明,此算法在有效保留图像边缘信息的同时,对于光学图像和SAR图像之间的成像差异具有较好的鲁棒性,相较于同类配准算法,配准精度提升近20%。
何健[8]（2020）在《面向可见光遥感图像的海上目标快速检测和识别技术》文中进行了进一步梳理近年来,随着遥感探测技术的飞速发展,为海上目标检测和识别提供了多种多样的样本数据,遥感图像在军用和民用领域的应用范围日趋广泛。本文根据实际需要,为了监控和管制重点海域的港口区域的舰船流动以及海面舰船分布的情况,将海上目标识别分为了港口区域的检测和舰船目标的识别。之后围绕可见光遥感图像中的港口和舰船目标的自动检测和识别问题,在港口检测部分研究了边缘处理、特征提取和目标检测,在舰船识别部分研究了显着性检测、目标分类等关键技术,在此基础上分别设计了具有高检测精度、低虚警率的港口和海面舰船目标的自动检测和识别方法,提高了遥感图像海上目标检测和识别技术的效率和实时性。本文的主要研究内容归纳如下:1.介绍了可见光遥感图像下的港口和舰船目标检测和识别的基本原理,详细分析了港口和舰船目标的形状、颜色、纹理等主要特征,为海上目标检测和识别算法的研究提供了理论的依据。分别总结了现有的港口和舰船目标检测和识别算法,分析了各类算法的优缺点,并详细介绍了本文的检测和识别算法的关键技术的基本理论。2.提出了基于边缘保持算法的遥感图像处理技术,可以有效的降低港口图像的背景干扰。在包含港口的遥感图像中,由于靠近海岸线,因此会存在很多人造建筑以及海岸附近的自然风貌,这些复杂地貌会干扰港口目标的特征提取。通过实验评估,本文提出的边缘保持算法可以有效的剔除这些复杂、无用的背景信息,并能够有效的保留关键的边缘信息,提高了特征提取和目标识别的检测精度。3.提出了基于边缘分类的SIFT特征提取算法,能有效的减少非边缘类特征的提取,鉴于港口目标的特征属于明显的边缘类特征,因此本文设计的算法可以将提取的特征更多的集中在关键特征点上,降低了港口目标识别的误匹配率;4.提出了基于超复数傅里叶变换的显着性检测模型,可以快速搜索到与当前任务要求相关的信息。本文讨论了视觉显着性模型的研究价值及在目标检测领域内的应用现状,同时分别对显着目标检测等视觉显着性模型的构建、及其在可见光遥感图像舰船目标检测中的应用展开深入研究,设计了基于改进的超复数傅里叶变换显着性模型来定位海上舰船目标区域,更有效的抑制了海上出现的云雾,海杂波等背景干扰。5.提出了基于迁移学习的Res Net模型用来识别显着性检测后提取出来的舰船目标,这不仅解决了当CNN网络层数过深的时候出现的梯度消失、梯度退化等问题,基于迁移学习的方案可以用少量的舰船样本数据就能够训练CNN模型,并且实现更高精度的舰船目标分类。综上所述,本文对可见光遥感图像海上目标自动检测与识别领域面临的问题和挑战所涉及的相关理论进行了分析,针对港口区域的目标特征检测、感兴趣区域提取、目标检测,以及舰船目标的显着性模型、目标检测和识别等关键技术问题进行了研究,取得了一定的成果。本文相关成果可为航天航空领域可见光遥感图像的港口和舰船目标自动检测与识别技术提供理论基础与算法支持,具有借鉴意义。
谢婷[9]（2020）在《基于低秩稀疏约束的高光谱遥感图像复原方法研究》文中进行了进一步梳理高光谱遥感图像“图谱合一”,兼具地物的空间与光谱信息,既能反映地物的大小、形状、方位等信息,又可提供地物的材质、物理结构及化学成分等信息,可以极大地提高遥感对地分析的可靠性与准确性,使得高光谱遥感技术在环境监测、城市规划、农林检测、国土调查等诸多领域应用广泛。在高光谱数据采集、压缩及传输过程中,由于仪器自身与外部环境等因素影响,获得的高光谱图像往往是退化的,严重影响后续地物信息提取性能。因此,如何利用退化图像复原得到原始高光谱图像事关地物信息的准确提取与解译,对高光谱图像后续应用具有十分重要的意义。本文主要针对高光谱图像复原技术中的修复、去噪和压缩感知重建进行研究,基于高光谱图像的退化机理与内在结构特性,结合机器学习与最优化前沿相关理论,构建低秩稀疏约束模型与数值优化算法,主要工作如下:（1）针对压缩感知重建方法将高维数据转化成低维导致的高维结构特性丢失问题,提出了基于张量低秩与局部光滑的高光谱图像压缩感知重建方法。该方法将高光谱图像视为一个统一整体,利用张量低秩分解来表征高光谱图像空间-光谱全局相关特性,采用各向异性空间-光谱全变分正则化来同时刻画相邻空间和相邻光谱之间的局部相关特性,更好地保持图像的边缘信息。综合利用高光谱图像空间-光谱全局相关特性与局部相关特性,进行高光谱图像压缩感知重建,保持了图像的高维结构特性,能够更为准确地复原出原始高光谱图像。实验中将提出的方法与主要的高光谱压缩感知重建方法进行对比,结果验证所提方法能够有效提高压缩感知重构精度。（2）针对高光谱像元缺失问题,提出了基于张量低秩与非局部自相似性的高光谱图像修复方法。该方法首先通过构建的低秩张量填充模型对退化高光谱图像进行初始修复,得到初始修复结果;然后通过挖掘高光谱图像非局部空间-光谱相似特性,将图像初始修复结果中相似块聚成一类,对每一类进行低秩张量填充,整合每一类修复结果获得最终修复结果。一方面,由于张量迹范数对每个奇异值进行同等阈值收缩,而大的奇异值对应图像中的主要信息,因此需要对大的奇异值作用小的收缩阈值。通过结合log det（X）与张量迹范数,构建张量秩函数,它能对大的奇异值进行小的阈值收缩,从而更好地逼近张量秩。另一方面,通过将相似块聚成一类,生成具有更好低维特性的3D数据,进一步提高图像纹理与细节的修复精度,进而提升修复性能。此外,设计了低秩张量正则化算法对目标函数进行有效求解,并且从理论上证明了该算法的收敛性。实验结果表明,所提方法能够对高光谱图像中缺失像元进行准确修复。（3）针对高光谱复杂混合噪声（包括高斯噪声、脉冲噪声以及条带噪声等）问题,提出了非凸低秩与稀疏约束的高光谱图像混合噪声去除方法。该方法将退化高光谱图像分解成干净高光谱图像、稀疏噪声与高斯噪声三部分,构建规范化的ε惩罚函数,对分解的干净高光谱图像和稀疏噪声分别进行低秩和稀疏约束。规范化的ε惩罚项能对矩阵中每个元素（或奇异值）进行自适应阈值收缩,即对大的元素（或奇异值）收缩少,对小的元素（或奇异值）收缩多,避免对大的元素（或奇异值）的惩罚,从而能增强干净高光谱图像的低秩性和稀疏噪声的稀疏性。此外,构建一种基于最优最小化算法,对产生的非凸优化问题进行有效求解。实验结果表明,相比于其他高光谱图像去噪方法,所提方法能够有效消除高光谱图像中高斯噪声、脉冲噪声以及条带噪声,同时还能实现高光谱图像空间-光谱结构信息的高保真重构。（4）针对高光谱图像受复杂混合噪声污染以及非凸优化问题求解困难的问题,提出了自适应秩与结构稀疏校正的高光谱图像混合噪声去除方法。该方法引入两个凸正则化项,即秩校正与结构稀疏校正,对分解的干净高光谱图像与稀疏噪声分别进行低秩与结构稀疏约束。秩校正能够自适应地抵消核范数对大的奇异值的惩罚,从而能更好地挖掘干净高光谱图像的低维特性;结构稀疏校正能够自适应地抵消L2,1范数对大的元素的惩罚,从而能提高稀疏噪声的结构稀疏特性。所提方法能够实现对矩阵秩和L2,0范数更加精准的逼近;同时由于构建的正则化项为凸函数,使得目标优化问题为凸问题,进而能够容易求解且获得全局最优解。实验中,对比了经典的高维图像去噪方法和多种基于低秩逼近的高光谱图像去噪方法。结果表明,所提方法能够有效消除高光谱图像中复杂噪声同时最大程度地实现高光谱图像空间-光谱结构信息的高保真重构。
闫石[10]（2020）在《异质图像配准关键技术研究》文中研究指明图像配准是计算机视觉领域的基础性课题。得益于一些优秀的特征提取、描述与匹配算法,目前,一般的同质图像配准问题能够被较为容易的解决。异质图像配准是图像配准课题中的一类问题,其旨在研究多源成像传感器获取的图像的配准,是多源图像融合的技术基础,具有重要意义。然而针对异质图像配准问题,图像灰度信息的非线性关系差异导致许多适用于同质图像配准的方法不能很好的解决异质图像配准问题,因此异质图像配准问题是一个非常具有挑战性的课题。本文研究的内容是异质图像配准方法,主要研究对象是可见光与红外图像配准。本文主要工作如下:1.本文介绍了一种包含多视角和多源信息的场景监控项目工作,该项目工作包含同质图像拼接、异质图像配准、异质图像融合三个模块,目的是满足大视野场景多时段和全天候的监控工作需求。2.本文针对一些包含大面积空旷场景的图像,构建了一种针对异质图像中关键区域的图像配准算法。本文使用基于显着性度量的关键区域提取方法与基于边缘相似性的模板匹配方法实现了包含机场场景的可见光与红外图像的自动配准,减少了图像中的干扰信息,提高了算法的准确率,降低了算法的运算复杂度。3.本文提出了一种基于自适应均衡化二阶梯度直方图的特征描述方法并应用于可见光与红外图像配准。该算法对红外图像梯度幅值进行均衡化处理并对均衡化的梯度幅值图像求取梯度,该算法在一定程度上弱化了异质图像间灰度信息的非线性关系问题。本文把该方法应用于GLOH-like和SIFT特征描述框架并与SIFT特征提取算法相结合进行可见光与红外图像特征点提取和描述,特征点匹配结果显示该方法要优于传统的基于一阶梯度直方图的特征描述算法和直接基于二阶梯度直方图的特征描述算法。
二、基于边缘自相似特征的遥感图像边缘检测算法（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、基于边缘自相似特征的遥感图像边缘检测算法（论文提纲范文）
（1）单幅深度图像修复算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 论文的组织结构 |
| 第2章 相关基本理论 |
| 2.1 引言 |
| 2.2 深度图像的特点 |
| 2.3 降噪与修复 |
| 2.4 图像的先验模型 |
| 2.4.1 局部平滑模型 |
| 2.4.2 非局部自相似模型 |
| 2.4.3 低秩表示模型 |
| 2.4.4 稀疏表示模型 |
| 2.4.5 深度学习模型 |
| 2.5 降噪先验 |
| 2.5.1 K-SVD降噪先验 |
| 2.5.2 BM3D降噪先验 |
| 2.5.3 CNN降噪先验 |
| 2.6 分离Bregman迭代算法 |
| 2.7 图像的修复准则及质量评价 |
| 2.7.1 图像的修复准则 |
| 2.7.2 图像的修复质量评价 |
| 2.8 本章小结 |
| 第3章 基于非局部自相似特征和低秩结构表示的单幅深度图像修复方法 |
| 3.1 引言 |
| 3.2 低秩结构与非局部自相似特征 |
| 3.3 基于非局部自相似特征和低秩结构表示的修复方法 |
| 3.3.1 相似块组和非局部自相似模型的构造 |
| 3.3.2 模型的求解 |
| 3.3.3 X子问题求解 |
| 3.3.4 U子问题求解 |
| 3.3.5 V子问题求解 |
| 3.4 仿真实验 |
| 3.4.1 深度图像的修复实验 |
| 3.4.2 算法的稳定性 |
| 3.4.3 参数p的影响 |
| 3.5 本章小结 |
| 第4章 基于梯度稀疏特征和稀疏表示的单幅深度图像修复方法 |
| 4.1 引言 |
| 4.2 稀疏表示与梯度稀疏特征 |
| 4.3 基于梯度稀疏特征和稀疏表示的修复方法 |
| 4.3.1 相似块组的构造 |
| 4.3.2 模型的求解 |
| 4.3.3 X子问题求解 |
| 4.3.4 α_G子问题求解 |
| 4.4 仿真实验 |
| 4.4.1 深度图像的修复实验 |
| 4.4.2 算法的稳定性 |
| 4.4.3 L_0范数的最小化优化对比 |
| 4.5 本章小结 |
| 第5章 基于ELU-CNN降噪网络的单幅深度图像修复方法 |
| 5.1 引言 |
| 5.2 深度图像修复与深度学习 |
| 5.3 基于ELU-CNN降噪网络的深度图像修复方法 |
| 5.3.1 基本理论 |
| 5.3.2 ELU-CNN降噪网络 |
| 5.3.3 扩张卷积滤波器 |
| 5.3.4 ELU激活函数 |
| 5.3.5 残差学习与Batch Normalization |
| 5.4 仿真实验 |
| 5.4.1 深度图像修复实验 |
| 5.4.2 误差曲线 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 本文工作展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间取得的科研成果 |
| 附录2 攻读博士学位期间参加的科研项目 |
（2）对地观测红外成像虚警源检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 对地观测红外成像技术 |
| 1.2.2 虚警源检测技术 |
| 1.2.3 红外目标检测技术 |
| 1.3 主要研究工作及技术路线 |
| 1.4 论文结构安排 |
| 第二章 红外探测成像特性及视觉特征分析 |
| 2.1 概述 |
| 2.2 虚警源与目标的形成 |
| 2.2.1 红外成像原理 |
| 2.2.2 虚警源与目标 |
| 2.3 虚警源特性分析 |
| 2.4 目标特性分析 |
| 2.5 本章小结 |
| 第三章 结合形态特性及纹理分析的河流检测 |
| 3.1 概述 |
| 3.2 局部二值模式特征 |
| 3.3 形态学方法 |
| 3.4 基于LBP特征及形态学理论的河流检测方法 |
| 3.4.1 算法流程 |
| 3.4.2 实验数据 |
| 3.4.3 参数设置 |
| 3.4.4 实验结果及分析 |
| 3.5 Frangi滤波 |
| 3.6 剪切波变换 |
| 3.7 基于Frangi滤波及剪切波变换的河流检测方法 |
| 3.7.1 算法流程 |
| 3.7.2 实验数据 |
| 3.7.3 参数设置 |
| 3.7.4 实验结果及分析 |
| 3.8 本章小结 |
| 第四章 基于多显着性特征融合的卷云检测方法 |
| 4.1 概述 |
| 4.2 卷云 |
| 4.3 视觉显着性 |
| 4.4 基于视觉显着性特征融合的卷云检测方法 |
| 4.4.1 算法流程 |
| 4.4.2 实验数据 |
| 4.4.3 参数设置 |
| 4.4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 联合分形理论及稀疏表示的卷云检测 |
| 5.1 概述 |
| 5.2 随机分形理论 |
| 5.3 基于稀疏表示的图像分解理论 |
| 5.4 基于随机分形模型及稀疏表示的卷云检测算法 |
| 5.4.1 算法流程 |
| 5.4.2 实验数据 |
| 5.4.3 参数设置 |
| 5.4.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 虚警源检测技术与应用 |
| 6.1 概述 |
| 6.2 基于虚警源检测的对地观测红外目标检测理论 |
| 6.3 虚警源检测理论的其他应用 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.1.1 工作总结 |
| 7.1.2 创新点及主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 附录 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（3）基于字典学习的高光谱与多光谱图像融合（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 遥感数据融合概念 |
| 1.3 高光谱与多光谱图像融合研究现状及方法 |
| 1.4 存在的问题及本文主要工作 |
| 1.5 本文章节安排 |
| 第二章 相关工作 |
| 2.1 稀疏表示与字典学习 |
| 2.1.1 稀疏表示 |
| 2.1.2 字典学习 |
| 2.2 融合问题中的图像先验假设 |
| 2.3 融合问题的公式化描述 |
| 2.4 融合图像的评价体系 |
| 2.5 实验数据集 |
| 2.6 本章小结 |
| 第三章 面向细节关注的光谱字典融合算法 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 解决策略 |
| 3.3.1 算法框架 |
| 3.3.2 分层字典学习 |
| 3.3.3 系数矩阵估计 |
| 3.4 实验分析 |
| 3.4.1 实验设计 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小节 |
| 第四章 面向空间损失的光谱-空间字典融合算法 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 解决策略 |
| 4.3.1 算法框架 |
| 4.3.2 初步融合 |
| 4.3.3 获取误差矩阵 |
| 4.4 实验分析 |
| 4.4.1 实验设计 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（4）基于多源遥感数据的千河流域线性体提取与活动构造地貌研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于遥感影像提取地质线性体 |
| 1.2.2 基于遥感数据的构造地貌分析 |
| 1.2.3 存在的问题 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 拟解决的关键科学问题 |
| 1.5 论文结构 |
| 第二章 区域地质背景 |
| 2.1 千河流域地质背景 |
| 2.2 千河流域地貌背景 |
| 2.2.1 基于数字高程模型的剖面线提取 |
| 2.2.2 基于遥感数据的阶地地貌提取 |
| 2.2.3 水系地貌分析 |
| 本章小结 |
| 第三章 基于多源遥感数据的千河流域地质线性体提取与分析 |
| 3.1 基于张量投票耦合霍夫变换的地质线性体提取算法 |
| 3.1.1 遥感数据预处理 |
| 3.1.2 图像边缘检测 |
| 3.1.3 线性体提取 |
| 3.1.4 精度评价 |
| 3.2 千河流域线性体分析 |
| 3.2.1 长度分析 |
| 3.2.2 密度分析 |
| 3.2.3 方位分析 |
| 3.3 地质线性体分形特征揭示构造意义 |
| 3.3.1 线性体分形特征 |
| 3.3.2 多重分形 |
| 3.3.3 千河流域分形特征揭示区域构造控灾 |
| 本章小结 |
| 第四章 千河流域瞬时河道地貌响应活动构造隆升过程 |
| 4.1 分析方法 |
| 4.1.1 河流瞬时地貌 |
| 4.1.2 河流纵剖面 |
| 4.2 数据源及预处理 |
| 4.2.1 基于资源三号立体像对的DEM提取 |
| 4.2.2 多源DEM垂直精度评价 |
| 4.3 主要结果 |
| 4.3.1 河道裂点与k_(sn)识别提取 |
| 4.3.2 陡度指数k_(sn)的空间分布 |
| 4.4 千河流域裂点成因及构造地貌瞬时响应 |
| 4.4.1 千河流域裂点产生的原因 |
| 4.4.2 活动构造的流域地貌瞬时响应 |
| 4.4.3 断层连接引发裂点 |
| 4.5 千河流域活动构造加剧地质灾害的发生频率 |
| 4.6 DEM数据揭示千河流域河道下切 |
| 4.7 千河流域活动构造控制地貌演化 |
| 本章小结 |
| 第五章 基于遥感的河宽提取方法及其活动构造隆升过程响应 |
| 5.1 河流横截面 |
| 5.2 研究方法与数据源 |
| 5.2.1 河道宽度指数 |
| 5.2.2 基于遥感影像和DEM河道宽度提取算法 |
| 5.2.3 遥感数据源 |
| 5.3 主要结果 |
| 5.3.1 基于遥感影像和DEM河道宽度提取结果 |
| 5.3.2 归一化河宽指数k_(wn)提取 |
| 5.4 千河流域河流横截面响应构造隆升 |
| 5.4.1 千河流域河流宽度变化的成因 |
| 5.4.2 千河流域河流宽度揭示的构造意义 |
| 5.4.3 单位河道功率 |
| 5.4.4 河道边界剪切应力 |
| 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的目的和意义 |
| 1.1.1 课题的目的 |
| 1.1.2 课题的意义 |
| 1.2 课题的国内外研究现状 |
| 1.3 高光谱遥感数据分类研究 |
| 1.3.1 高光谱遥感数据的应用概述 |
| 1.3.2 高光谱遥感数据分类依据 |
| 1.3.3 高光谱遥感数据分类方法 |
| 1.3.4 高光谱遥感数据分类中存在的问题 |
| 1.4 基于压缩感知的森林高光谱遥感数据分类算法 |
| 1.4.1 压缩感知在森林高光谱遥感图像重构中的作用 |
| 1.4.2 压缩感知在森林高光谱遥感图像分类中的应用及优势 |
| 1.5 研究内容和技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 研究路线 |
| 1.6 章节安排 |
| 2 相关技术概述及数据处理 |
| 2.1 高光谱遥感影像森林类型分类算法概述 |
| 2.1.1 森林高光谱遥感影像重构算法 |
| 2.1.2 森林高光谱遥感影像降维算法 |
| 2.1.3 高光谱遥感影像森林分类算法 |
| 2.2 森林分类中的压缩感知算法 |
| 2.2.1 信号的稀疏表示 |
| 2.2.2 测量矩阵的设计 |
| 2.2.3 信号重构算法的设计 |
| 2.2.4 分块压缩感知方法 |
| 2.2.5 高光谱图像重构算法 |
| 2.2.6 高光谱图像特征分析 |
| 2.3 森林影像相关实验数据集 |
| 2.3.1 Indian Pines数据集 |
| 2.3.2 Salinas-A数据集 |
| 2.3.3 PaviaCentre数据集 |
| 2.4 黑龙江省伊春乌伊岭林场数据集 |
| 2.4.1 伊春乌伊岭概况 |
| 2.4.2 伊春乌伊岭地区高光谱遥感数据获取 |
| 2.4.3 伊春乌伊岭地区高光谱遥感数据预处理 |
| 2.5 高光谱遥感影像森林类型分类指标体系 |
| 2.5.1 混淆矩阵 |
| 2.5.2 误差矩阵基本精度指标 |
| 2.5.3 Kappa系数 |
| 2.6 本章小结 |
| 3 高光谱遥感影像压缩与重构算法研究 |
| 3.1 引言 |
| 3.2 高光谱遥感影像压缩方法研究 |
| 3.2.1 高光谱遥感影像压缩技术介绍 |
| 3.2.2 分块压缩感知的遥感图像压缩方法研究 |
| 3.2.3 改进的分块压缩感知的遥感图像压缩方法研究 |
| 3.2.4 基于GISMT的压缩感知高光谱图像重压缩法研究 |
| 3.3 高光谱遥感影像重构方法研究 |
| 3.3.1 基于参考波段复合预测模型的高光谱遥感图像重构方法研究 |
| 3.3.2 基于GISMT压缩感知和谱间预测的高光谱影像重构算法研究 |
| 3.3.3 实验及结果分析 |
| 3.4 本章小结 |
| 4 基于多特征降维与谱间预测的多核支持向量机分类研究 |
| 4.1 基于压缩感知和多特征集成的高光谱影像降维算法 |
| 4.2 基于压缩感知样本稀疏的支持向量机高光谱分类改进算法 |
| 4.3 基于压缩感知的多核支持向量机的高光谱分类算法 |
| 4.3.1 支持向量机的高光谱影像分类算法 |
| 4.3.2 支持向量机的非线性问题 |
| 4.4 基于谱间预测重构与多核支持向量机的高光谱遥感图像分类算法 |
| 4.4.1 经典数据集实验结果与分析 |
| 4.4.2 乌伊岭区森林类型分类 |
| 4.5 小结 |
| 5 基于CS与稀疏表示的有监督学习森林分类方法研究 |
| 5.1 高光谱遥感影像稀疏描述 |
| 5.1.1 稀疏表示分类器原理 |
| 5.1.2 高光谱影像稀疏表示与分类方法 |
| 5.2 基于形状自适应稀疏表示的高光谱森林影像分类 |
| 5.2.1 窗口边缘匹配搜索 |
| 5.2.2 联合稀疏表示高光谱遥感影像森林分类 |
| 5.3 实验过程 |
| 5.3.1 实验设置 |
| 5.3.2 分类性能对比实验 |
| 5.3.3 参数分析与讨论 |
| 5.4 小结 |
| 6 基于CS与稀疏表示的无监督字典学习森林分类研究 |
| 6.1 引言 |
| 6.2 基于光谱稀疏表示的字典学习 |
| 6.3 基于在线字典学习的高光谱遥感影像森林分类 |
| 6.3.1 稀疏先验和空间先验的混合约束 |
| 6.3.2 在线字典学习模型与优化算法 |
| 6.3.3 基于稀疏系数的线性分类算法 |
| 6.4 实验结果与分析 |
| 6.4.1 实验设置 |
| 6.4.2 分类性能对比 |
| 6.4.3 参数分析 |
| 6.5 本章小结 |
| 结论 |
| 1研究总结 |
| 2研究展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 东北林业大学博士学位论文修改情况确认表 |
（6）图像处理中图像修复及其相关方法的研究（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 研究现状 |
| 1.2.1 图像超分辨率 |
| 1.2.2 图像去噪 |
| 1.2.3 图像平滑 |
| 1.3 本文主要工作和创新点 |
| 1.4 各章节安排 |
| 第2章 以局部特征为约束的双三次拟合图像放大 |
| 2.1 图像放大的相关工作 |
| 2.1.1 以边缘为约束的双三次曲面拟合图像放大 |
| 2.1.2 基于非局部特征的迭代反投影像放大 |
| 2.2 本章放大方法描述 |
| 2.2.1 构造基础三次拟合曲面 |
| 2.2.1.1 构造二次多项式曲面片 |
| 2.2.1.2 构造基础双三次曲面片 |
| 2.2.2 构造误差双三次拟合曲面平滑ieH |
| 2.2.2.1 计算基础高分辨率误差图像ieH |
| 2.2.2.2 构造误差二次多项式曲面片 |
| 2.2.3 基于边缘的快速相似度重建和二次滤波 |
| 2.3 算法复杂度和误差分析 |
| 2.4 图像放大实验结果 |
| 2.5 本章小结 |
| 第3章 基于奇异值分解的自适应迭代全局去噪 |
| 3.1 图像去噪相关工作 |
| 3.1.1 基于非局部的均值滤波方法 |
| 3.1.2 奇异值收缩去噪方法 |
| 3.2 本章去噪方法描述 |
| 3.2.1 构造相似图像块矩阵 |
| 3.2.1.1 自适应搜索窗口 |
| 3.2.1.2 多尺度的相似性度量 |
| 3.2.2 基于SVD的图像去噪 |
| 3.2.3 图像重建 |
| 3.2.4 快速迭代反投影 |
| 3.2.4.1 变步长和相似快数量迭代 |
| 3.2.4.2 反投影技术 |
| 3.3 图像去噪实验结果 |
| 3.3.1 实验结果和分析 |
| 3.3.2 算法复杂度分析 |
| 3.3.3 进一步讨论 |
| 3.4 本章小结 |
| 第4章 基于边缘块均衡和分片分解的两阶段图像平滑 |
| 4.1 图像平滑相关工作 |
| 4.2 基于边缘块均衡和分片分解的两阶段图像平滑方法 |
| 4.2.1 基于边缘分布的图像分块 |
| 4.2.2 直方图均衡化和逆直方图均衡化 |
| 4.2.2.1 直方图均衡化 |
| 4.2.2.2 逆直方图均衡化 |
| 4.2.3 图像块分解 |
| 4.2.4 两阶段的L_0平滑 |
| 4.3 基于内容感知的分割和带方向约束的稀疏梯度的图像平滑方法 |
| 4.3.1 面向内容感知图像放缩的接缝雕刻 |
| 4.3.2 方法描述 |
| 4.3.2.1 带边界约束的内容感知的图像分割 |
| 4.3.2.2 基于方向约束的稀疏梯度的两阶段图像平滑 |
| 4.4 图像平滑实验结果和分析 |
| 4.4.1 基于边缘块均衡和分片分解的两阶段图像平滑方法 |
| 4.4.2 基于内容感知的分割和带方向约束的稀疏梯度的图像平滑方法 |
| 4.4.3 算法复杂度分析 |
| 4.5 图像平滑方法应用 |
| 4.5.1 边缘检测 |
| 4.5.2 图像抽象 |
| 4.5.3 细节增强 |
| 4.5.4 内容感知的放缩 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 攻读学位期间参与科研项目情况 |
| 学位论文评阅及答辩情况表 |
（7）结合P-M滤波及改进LSS的光学和SAR图像配准算法（论文提纲范文）
| 0 引言 |
| 1 算法概述 |
| 2 非线性各向异性扩散方程(P-M方程) |
| 3 局部自相似特征描述算子 |
| 4 改进局部自相似特征描述算子 |
| 4.1 MSER |
| 4.2 改进的特征描述算子 |
| 5 实验结果及分析 |
| 5.1 P-M滤波 |
| 5.2 改进的局部自相似特征描述算子配准结果 |
| 6 结论 |
（8）面向可见光遥感图像的海上目标快速检测和识别技术（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 遥感图像海上目标检测技术的研究现状 |
| 1.2.1 基于合成孔径雷达的遥感图像海上目标检测和识别 |
| 1.2.2 基于红外图像的遥感图像海上目标检测和识别 |
| 1.2.3 基于可见光的遥感图像海上目标检测和识别 |
| 1.2.4 遥感图像海上目标检测算法的总结 |
| 1.3 可见光遥感图像海上目标分类 |
| 1.3.1 可见光遥感图像下的海上港口目标 |
| 1.3.2 可见光遥感图像下的海上舰船目标 |
| 1.4 论文主要研究内容和结构 |
| 第2章 可见光海上目标检测和识别的基本问题和关键技术 |
| 2.1 引言 |
| 2.2 可见光下的海上目标的基本特点和关键问题研究 |
| 2.2.1 可见光遥感图像下的海上目标 |
| 2.2.2 可见光遥感图像海上目标检测和识别技术的关键问题研究 |
| 2.3 现有的可见光遥感图像下的海上目标检测和识别算法 |
| 2.3.1 可见光遥感图像下的港口目标检测 |
| 2.3.2 可见光遥感图像下的海上舰船目标识别 |
| 2.4 可见光遥感图像下海上目标检测和识别的关键算法 |
| 2.4.1 基于SIFT的特征提取算法 |
| 2.4.2 基于视觉显着性模型的检测算法 |
| 2.4.3 基于深度学习的目标识别算法 |
| 2.5 本章小结 |
| 第3章 基于SIFT+SVM的可见光港口目标检测 |
| 3.1 引言 |
| 3.2 基于SIFT的港口目标检测算法流程 |
| 3.3 基于LEPA的图像边缘优化算法 |
| 3.3.1 港口目标检测算法的预处理 |
| 3.3.2 基于LEPA的图像处理方法 |
| 3.4 基于EC-SIFT的特征提取算法 |
| 3.5 港口候选区域的提取算法 |
| 3.6 本章小结 |
| 第4章 基于视觉显着性和ResNet的可见光舰船目标识别 |
| 4.1 引言 |
| 4.2 基于视觉显着性的舰船目标检测 |
| 4.2.1 颜色空间的选择 |
| 4.2.2 基于MHFT的显着性检测模型 |
| 4.2.3 基于MHFT的显着性检测结果 |
| 4.3 基于CNN的舰船目标识别算法 |
| 4.3.1 潜在舰船区域目标预提取 |
| 4.3.2 基于神经网络的深度学习方法 |
| 4.3.3 基于ResNet的舰船目标识别 |
| 4.4 本章小结 |
| 第5章 港口及舰船目标检测和识别算法验证 |
| 5.1 引言 |
| 5.2 基于SVM分类器的港口目标检测 |
| 5.2.1 SVM算法架构 |
| 5.2.2 港口目标检测 |
| 5.2.3 港口目标检测结果分析 |
| 5.3 舰船目标识别实验结果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（9）基于低秩稀疏约束的高光谱遥感图像复原方法研究（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 高光谱图像修复 |
| 1.2.2 高光谱图像去噪 |
| 1.2.3 高光谱图像压缩感知重建 |
| 1.3 研究内容与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第2章 基于先验知识的高光谱图像复原 |
| 2.1 基于先验知识建模 |
| 2.1.1 光滑性先验建模 |
| 2.1.2 稀疏性先验建模 |
| 2.1.3 低秩性先验建模 |
| 2.2 最优化问题求解 |
| 2.2.1 凹凸函数及其性质 |
| 2.2.2 数值求解算法 |
| 2.3 图像质量评价指标 |
| 2.4 本章小结 |
| 第3章 基于张量低秩与局部光滑的高光谱图像压缩感知重建 |
| 3.1 前言 |
| 3.2 张量分解 |
| 3.3 张量低秩分解与空间光谱全变分的压缩感知重建 |
| 3.3.1 张量低秩分解与空间光谱全变分联合约束 |
| 3.3.2 优化过程 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果 |
| 3.4.3 分析与讨论 |
| 3.5 本章小结 |
| 第4章 基于张量低秩与非局部自相似性的高光谱图像修复 |
| 4.1 前言 |
| 4.2 张量低秩与非局部自相似性的张量填充 |
| 4.2.1 低秩张量填充 |
| 4.2.2 非局部低秩张量填充 |
| 4.2.3 低秩张量正则化算法 |
| 4.2.4 收敛证明 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 实验结果 |
| 4.3.3 分析与讨论 |
| 4.4 本章小结 |
| 第5章 非凸低秩与稀疏约束的高光谱图像混合噪声去除 |
| 5.1 前言 |
| 5.2 非凸低秩与稀疏约束的矩阵分解 |
| 5.2.1 非凸正则项 |
| 5.2.2 非凸低秩与稀疏约束的矩阵分解模型 |
| 5.3 基于最优最小化的优化求解 |
| 5.3.1 最优化过程 |
| 5.3.2 最小化过程 |
| 5.3.3 算法总结 |
| 5.4 实验结果与分析 |
| 5.4.1 模拟高光谱图像实验 |
| 5.4.2 真实高光谱图像实验 |
| 5.4.3 分析与讨论 |
| 5.5 本章小结 |
| 第6章 自适应秩与结构稀疏校正的高光谱图像混合噪声去除 |
| 6.1 前言 |
| 6.2 秩校正与结构稀疏校正的低秩矩阵恢复 |
| 6.2.1 低秩与结构稀疏约束的低秩矩阵恢复 |
| 6.2.2 秩校正与结构稀疏校正 |
| 6.2.3 优化过程 |
| 6.3 实验结果与分析 |
| 6.3.1 模拟高光谱图像实验 |
| 6.3.2 真实高光谱图像实验 |
| 6.3.3 分析与讨论 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 附录A:攻读学位期间所发表的学术论文及申请的专利 |
| 附录B:攻读学位期间参与的科研项目及获得的奖励 |
（10）异质图像配准关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.1.1 图像配准简介 |
| 1.1.2 异质图像配准意义 |
| 1.2 异质图像配准的重难点 |
| 1.3 图像配准研究现状 |
| 1.4 本文结构 |
| 第二章 图像配准流程和主要方法 |
| 2.1 图像配准基本流程 |
| 2.1.1 图像像素匹配 |
| 2.1.2 图像几何变换模型 |
| 2.1.3 重采样与插值 |
| 2.2 图像配准问题分类 |
| 2.3 基于区域的图像配准方法 |
| 2.3.1 基于空间域的图像配准方法 |
| 2.3.2 基于频域的图像配准方法 |
| 2.4 基于特征的图像配准 |
| 2.4.1 图像整体性结构特征 |
| 2.4.2 图像局部不变特征原理与尺度空间概述 |
| 2.4.3 局部特征提取 |
| 2.4.4 图像局部特征描述 |
| 2.4.5 图像特征点匹配 |
| 2.5 本章小结 |
| 第三章 基于边缘结构特征的异质图像配准 |
| 3.1 基于遗传算法与边缘相似性的可见光与红外图像半自动配准算法 |
| 3.1.1 方法设计步骤 |
| 3.1.2 实验与讨论 |
| 3.2 基于多尺度变换的可见光与红外图像融合 |
| 3.3 可见光图像拼接与红外图像配准融合 |
| 3.3.1 方法设计步骤 |
| 3.3.2 实验结果及分析 |
| 3.4 基于关键区域边缘相似性的红外与可见光图像自动配准 |
| 3.4.1 方法设计步骤 |
| 3.4.2 实验与讨论 |
| 3.5 本章小结 |
| 第四章 基于自适应均衡化二阶梯度直方图的图像特征描述方法 |
| 4.1 SIFT特征检测 |
| 4.1.1 LoG斑点检测 |
| 4.1.2 DoG斑点检测 |
| 4.2 SIFT与 GLOH特征描述 |
| 4.2.1 特征主方向 |
| 4.2.2 SIFT与 GLOH梯度直方图特征描述方法 |
| 4.3 基于自适应均衡化二阶梯度直方图的特征描述与匹配 |
| 4.3.1 方法设计步骤 |
| 4.3.2 实验与讨论 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续展望 |
| 5.2.1 异质图像配准发展趋势 |
| 5.2.2 本文算法后续发展 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
四、基于边缘自相似特征的遥感图像边缘检测算法（论文参考文献）
- [1]单幅深度图像修复算法研究[D]. 李尊. 武汉科技大学, 2021(01)
- [2]对地观测红外成像虚警源检测方法研究[D]. 刘雨菡. 电子科技大学, 2021
- [3]基于字典学习的高光谱与多光谱图像融合[D]. 闫明畅. 合肥工业大学, 2021(02)
- [4]基于多源遥感数据的千河流域线性体提取与活动构造地貌研究[D]. 刘志恒. 长安大学, 2021(02)
- [5]基于压缩感知与稀疏表示的高光谱遥感影像森林分类方法研究[D]. 苍圣. 东北林业大学, 2021(09)
- [6]图像处理中图像修复及其相关方法的研究[D]. 刘业朋. 山东大学, 2020(04)
- [7]结合P-M滤波及改进LSS的光学和SAR图像配准算法[J]. 禹璇,刘丽萍,孙学宏. 电光与控制, 2021(02)
- [8]面向可见光遥感图像的海上目标快速检测和识别技术[D]. 何健. 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(01)
- [9]基于低秩稀疏约束的高光谱遥感图像复原方法研究[D]. 谢婷. 湖南大学, 2020(02)
- [10]异质图像配准关键技术研究[D]. 闫石. 电子科技大学, 2020(01)