一、基于信息融合的遥感图像处理方法研究（论文文献综述）
韩健鸿[1]（2021）在《基于深度信息融合的遥感图像多类目标辨识技术》文中进行了进一步梳理随着遥感卫星平台的多样化以及成像分辨率的提升,遥感图像已经被广泛地应用。目前无论是军事还是民用领域,都对遥感图像的智能处理技术有着迫切的应用需求。近年来随着深度学习技术的飞速发展和推广,基于深度学习技术的遥感领域智能图像处理应用也逐渐兴起。然而由于大视场遥感图像为俯视视角图像且存在场景复杂、虚警干扰因素多、目标之间尺度差异大和密集泊放等问题,主流的自然场景深度学习算法直接应用于遥感领域通常难以达到实用。因此本文对上述难点,提出了一种基于深度信息融合的遥感图像多类目标辨识技术。其中目标辨识技术包含目标检测和目标识别两个关键技术:（1）在光学遥感图像的检测阶段,提出了一种基于深度信息融合的定向框检测方法。首先利用嵌入式的视觉注意力模块和多尺度特征融合的检测方式,实现对复杂遥感图像特征的有效提取,同时加强网络检测多尺度目标的能力。其次,通过预测目标的角度以实现定向框检测技术,该种回归方式由于可以有效解决密集泊放问题。其中针对定向框的预置锚框设置数量过多的问题,本文采取了自适应正负样本分配策略。同时提出了一种级联型的回归修正模块,以在几乎不增加计算量的情况下,改善检测精度。最后将基于梯度密度的损失应用于定向框目标检测中,解决了目标类间数量不平衡问题。此外,该损失函数还具有难例挖掘的作用以进一步提升网络检测性能。（2）在光学遥感图像的识别阶段,提出了一种基于非对称卷积的轻量型网络的目标识别方法,对前述检测结果进行识别,进一步剔除虚警并实现目标细分类。本文首先选取了一种性能优秀的轻量级网络Efficient Net作为基础网络,并加入结构正则化以缓解训练的过拟合问题。此外,为了提高识别准确率,本研究通过将网络结构中的经典卷积替换为非对称卷积,提升模型对旋转目标的鲁棒性。在上述研发算法的基础上,本文实现了一套针对大视场光学遥感图像的目标辨识软件,该软件对多种典型类别目标均实现了较高的辨识精度,并在大型公开光学遥感数据集DOTA的支撑下,通过定性和定量实验,验证了算法的有效性。
黄良[2]（2021）在《高光谱遥感图像高精度分类方法研究》文中进行了进一步梳理高光谱遥感图像含有大信息量的光谱维度特征与一定程度上的空间信息描述,所以常常用来对地物属性进行种类划分,有着极强的实用意义。世界各国应用高光谱遥感卫星在军事领域来进行监测、预警;在民用领域来进行资源探测、农作物管理。传统高光谱遥感图像分类技术已不能适应适宜发展的高光谱遥感图像。如何在高光谱图像中提取深层次、抗干扰性强的特征以进行图像分类是当前最重要的研究课题。高光谱遥感图像的分类精度的指标将直接影响后续识别、跟踪、侦查的图像处理算法的有效性,是高光谱遥感图像处理技术的基石。随着高光谱遥感技术的发展,卫星分辨率越来越高且幅宽也越来越大,高光谱图像数据量急剧增加,受限于星地链路传输带宽,高分辨率的光谱图像传输极其困难,高光谱图像数据样本数量小。对于以上在高光谱遥感图像领域内的现状,本文通过对高光谱遥感图像深层次特征的提取挖掘,探索将光谱维度信息与空间维度信息相结合的高精度分类技术。并进行实验验证,最终以当前主流的评价指标进行评价并与其他方法进行对比,以探究更高分类精度算法的可能性。本文针对于不同典型应用场景下,分别提出了三种高光谱分类方法:针对于常用分类方法缺乏空间信息表征,分类精度低的问题,提出了增强置信度空-谱分类方法,并且提出了谱增强的算法,提高算法抗干扰能力和分类辨识度;在此基础上,针对于有限训练样本的情况下致使分类精度低,噪声干扰严重的问题,提出了基于自适应引导滤波的空-谱融合分类方法,进一步地挖掘空-谱特征融合的优势,提高算法的分类精度。前两种方法在后分类阶段都是在机器学习的基础上展开的,需要人工提取分类特征,为了提高算法的普适性,提出了自动的空间和光谱特征的加权融合的三段式深度学习训练方法。具体地,本论文取得的主要成果如下:1.传统的高光谱图像分类主要关注点在光谱维度信息的处理上,这种方法得到的分类结果会产生不合乎客观规律的椒盐噪声。本文利用PCA对数据降维以起到特征增强的作用,并且,对像素点进行patch处理,将谱信息和空间信息融合在一起得到超像素块。为了降低计算消耗,还利用Gabor滤波器对空间信息进行了增强,提取图像中的纹理特征,最后利用改进的最大置信度的SVM方法实现基于空-谱融合的高光谱分类。2.利用残差网络提取特征并结合注意力机制进行特征增强的深度卷积神经网络可以实现较好的高光谱图像分类效果,但残差网络不擅长提取更多特征。为了提高分类精度,本文引入双路网络代替残差网络进行基本特征提取,并提出了一种三段式方法进行模型训练。双路网络兼具残差网络低层特征复用和密集连接网络探索更深更多特征的优势,可以获得更有利于分类的特征。在保留了压缩激励网络所实现的注意力机制的基础上,提出一种空谱联合压缩激励双路网络SSSEDPN。三段式训练方法通过专门对空间和光谱特征的加权融合过程进行训练来突出两种特征中更有利于目标分类的部分,可以实现高光谱图像分类精度的进一步提高。3.针对于有限训练样本情况下,传统光谱分类方法计算复杂度高,受噪声干扰严重导致分类精度较低的问题,提出了一种基于自适应规整化因子的引导滤波的高光谱影像空-谱融合分类方法。提出了改进的对比度自适应的LBP描述,提高图像灰度值对比度描述精度,并且结合Gabor变换提取空间纹理特征。采用由粗到细的分类框架,提出了基于自适应规整化因子的引导滤波算法,提高地物轮廓分类精度。在初始分类二值图像基础上,采用改进引导滤波细分类,同时减少噪声干扰,提高分类精度。
马晓乐[3]（2020）在《基于稀疏表示的去噪声遥感图像融合算法优化》文中研究说明随着传感器技术的快速发展,不同种类的图像传感器已在多个领域得到广泛应用。这些传感器因工作环境不同,获取的图像所包含的信息也存在较大差异。和普通的光学图像不同,遥感图像具有较高的空间分辨率,包含的纹理细节信息也更丰富,在辅助工程规划、抗震救灾,和气象预测等方面具有广泛的应用。近几年研究者们提出了许多基于稀疏表示的遥感图像处理方法,主要用于遥感图像噪声抑制以及多源图像融合中。目前,这些方法取得了一定的进步,但是面对具有更为丰富的纹理信息和边缘特征的遥感图像,该方法仍存在着很多不足,如不具有平移不变性、细节信息容易丢失等。为解决以上问题,本文主要对稀疏表示基础理论进行深入研究与探索,针对遥感图像去噪和融合的关键技术展开系统深入的研究,以得到能更全面、完整地反映场景信息的清晰融合图像。主要工作及创新性研究成果如下:1.基于稀疏表示的SAR图像相干斑噪声抑制算法由于合成孔径雷达（Synthetic Aperture Radar,SAR）图像特殊的成像机制,在图像的获取过程中往往伴随着相干斑噪声的产生,如SEN1-2数据库中卫星Sentinel-1采集到的噪声SAR图像,给后续的图像融合带来了严重不良影响。在用传统的稀疏理论对SAR图像进行表示时,由于对图像信息进行了压缩处理,导致重构的图像会产生一定的边缘模糊和空间分辨率下降等现象。因此,针对传统的基于稀疏表示的SAR图像相干斑噪声抑制算法,本文主要做了以下改进:（1）基于残差图像融合和稀疏表示的SAR图像去噪算法结合基于稀疏表示的图像去噪算法的优点,并充分利用残差图像中包含的边缘等图像细节和图像融合相关知识,本文提出了一种基于残差图像融合和稀疏表示的SAR图像去噪算法。（2）基于平移不变性的K-SVD和向导滤波的SAR图像去噪算法众所周知,图像是具有平移不变性的,只有当表示图像的过完备字典也是移不变的,才能获得图像的最优稀疏表示。为了克服传统K-奇异值分解（K-mean Singular Value Decomposition,K-SVD）对图像中像素点位置和相位特征的敏感,本文提出了基于平移不变性的K-SVD和向导滤波的SAR图像去噪算法。2.基于稀疏表示的遥感图像融合算法为了更全面地整合多传感器采集到的大量图像信息,从而更好地为需求者提供多元化的信息参考,以获得更简明直观的结果,本文提出了两种新的基于稀疏表示的遥感图像融合算法,具体如下:（1）基于稀疏表示和向导滤波的遥感图像融合传统的基于稀疏表示的图像融合算法不仅忽略了图像本身固有的空间连续性,而且在对稀疏系数进行融合时往往采用零范数取大的规则而忽略了图像冗余信息之间的关联,进而导致源图像一些不连续的边缘特征丢失,融合后的图像信息不具有完整性。为此,本文提出了一种基于稀疏表示和向导滤波的遥感图像融合算法。首先,对稀疏表示的系数采用基于改进双曲正切函数和零范数取大的融合规则进行融合,通过稀疏重构可以得到基于稀疏表示的融合图像。同时,对源图像进行基于空间域的图像融合处理,最后用向导滤波对初次融合的两幅融合图像进行滤波处理可以得到最终的融合图像。（2）基于联合稀疏表示和优化理论的图像融合为了更完整地保留源图像的信息以得到信息更为丰富的融合图像,本文提出了一种基于联合稀疏表示和优化理论的图像融合算法。首先使用联合稀疏表示将源图像的冗余部分和互补部分进行区分,然后采用基于最优理论的融合规则对互补的稀疏系数进行融合。最后,将融合后的互补子图像和冗余子图像相加在一起重构出融合图像。3.基于稀疏表示的噪声遥感图像融合算法在对遥感图像进行处理时,如果能同时实现图像去噪和信息融合的效果将对图像的实际应用带来巨大便利。为此,本文提出了一种基于联合稀疏表示和脉冲耦合神经网络（Pulse Coupled Neural Networks,PCNN）的噪声遥感图像融合算法。首先,利用源图像训练字典得到基于源图像的自适应字典,并与固定字典联合构成最终的冗余字典。由于噪声是不稀疏的,而且不同种类源图像中噪声的特性不同,噪声可以被看作是源图像的互补成分,在对联合稀疏表示后得到的互补子图像进行融合的同时,可以实现图像去噪效果。通过对Oslo城市以及SEN1-2数据库上大量的图像进行对比实验证明了本文提出的算法不仅可以实现图像融合效果,还对图像噪声具有很强的鲁棒性,避免了融合过程中噪声的干扰。
张兆祥[4]（2020）在《基于推扫式星载相机的颤振估计和图像补偿》文中研究指明卫星平台的颤振又称为微振动、震颤等,指的是卫星在轨运行期间,由于卫星平台的姿态调整、星上运动部件的周期性运动等引起的一种幅值较小、频率较高的微振动响应。卫星平台的颤振是一种在轨姿态控制系统难以检测和消除的平台高频率低振幅抖动。在推扫式遥感光学载荷在成像过程中,卫星平台控制系统的误差,飞轮,CMG等运动部件的瞬态运动,或者太阳能帆板等柔性部件的变形均会引起在轨平台的姿态颤振,从而影响到光学遥感图像的成像质量。本文对卫星平台的姿态颤振引起的推扫式遥感图像畸变进行研究,主要完成以下内容:针对推扫式卫星遥感的特点,采用深度学习理论对遥感图像进行云层检测。给出了深度学习算法的理论基础,介绍了深度学习在图像分割任务中的基本原则,设计了基于轻量级U-net的遥感图像云层检测算法。针对在轨卫星平台算力不足的特点,引入了离散小波算法和云层检测算法相结合的轻量级云检测模型,实现了在轨遥感图像的云层检测,对图像云量进行定量测量,并对后续图像畸变检测任务的样本进行筛选。考虑到多光谱推扫式遥感相机不同光谱段间的成像视差,对多光谱图像的畸变进行数学建模和分析,然后根据图像配准算法对相邻光谱段的图像进行配准,获取图像间的像素偏移。针对现有配准算法的不足,提出了改进的L-K算法获取高精度像素偏移。引入在轨相机运动模型,得到本体坐标系下的相对姿态颤振。提出了基于时频域结合的反卷积算法,将相对颤振转换为时间坐标系下的绝对姿态颤振。引入姿态平滑正则项,得到反卷积算法的稳定解。引入基于多项式优化算法的初始段匹配,减小反卷积算法参数量同时提高算法效率。为了对单波段遥感图像畸变进行估计,提出了改进的卷积神经网络算法对畸变图像进行恢复,同时检测出颤振曲线。为训练模型参数,首先根据畸变的物理原理利用多谐波正弦曲线拟合畸变曲线,通过图像插值算法得到畸变-清晰图像对。利用离散卷积层的学习能力,搭建多层卷积神经网络。引入余量卷积层拟合畸变-清晰图像对的特征差异。同时给出扩展的Sigmoid激活函数增加网络的非线性拟合能力。针对网络参数的训练,设计多项融合损失函数,并利用自训练超参数调节各项损失权重,使网络训练过程更快收敛。同时使用在线图像增强算法避免训练过程中的模型过拟合。提出基于梯度惩罚项的对抗神经网络作为损失函数,引导网络更高效地优化。仿真分析和对比实验证明所提出的损失函数能有效校正畸变图像,并能检测出图像畸变曲线。针对恢复后的畸变图像,引入图像索引算法和图像分割算法,对图像畸变-恢复图像对进行测试,实验结果验证了校正后的畸变图像在图像检测等任务中的精度提升。针对多光谱图像和单波段遥感图像得到的畸变信息,提出一种卡尔曼滤波算法,对多源畸变信息进行融合,进一步提高颤振信息的估计精度及图像恢复质量。针对极端特征下颤振估计算法误差较大的问题,引入一种基于全连接神经网络的模糊星点颤振估计算法,改善颤振估计和畸变图像复原的鲁棒性。
王明丽[5]（2020）在《基于CLIT-FCNN的遥感图像融合算法》文中研究表明随着遥感领域相关技术的发展,多种传感器已应用到卫星中用于获取不同种类的遥感图像。但由于辐射能量限制,遥感卫星传感器不能捕获同一地区既具有高空间分辨率又有高光谱分辨率的遥感影像,仅可以获取到光谱信息丰富但空间分辨率较低的多光谱图像（Multispectral Image,MS）和高空间分辨率但低光谱分辨率的全色图像（Panchromatic Image,PAN）,但在现实应用中如岩性分析、地图更新和植被识别等领域中,需要同时使用到PAN图像中的高空间分辨率信息描述图像纹理和MS图像中的多光谱信息判断图像类别。为有效地将MS图像和PAN图像进行融合得到符合实际要求的高质量遥感影像,众多学者提出了遥感图像融合技术。传统的遥感图像融合算法针对不同类型遥感图像需人工制定不同融合规则,且融合质量与图像的分解方法、分解的层次和各层次选用的融合规则密切相关,导致算法融合效果残次不齐。近年来,卷积神经网络广泛应用在图像分割、视觉识别、图像分类等领域,由于其具有权重分享和局部连接等特点使其与传统方法相比有更好的性能。U-Net是具有对称结构的卷积神经网络,它使用跨层拼接的方式将来自低级特征图与较高层特征图拼接在一起处理,从而更好的保存了来自多个尺度的特征图信息,减少了信息的损失,更高效、准确的解决了医学图像像素级分割问题。受U-Net启发,针对传统遥感图像融合算法的弊端并利用卷积神经网络在处理图像的优势,提出一种基于CLIT-FCNN（Cross-Layer Information Transfer Fusion CNN）遥感图像融合算法。采用跨层信息传递方式融合来自不同尺度的特征图以减少图像的信息损失使得融合的遥感图像质量变高。训练后的网络模型可以看作是具有良好鲁棒性端到端（end-to-end）的遥感图像融合规则。本文提出的网络模型使用由大量真实遥感图像数据构造的训练集,并且该训练集包括不同类型的地物。通过使用多组DEIMOS-2卫星、QuickBird卫星和高分二号卫星遥感图像数据集验证本文算法的有效性和鲁棒性,并通过主观评价和客观评价相结合的方法评价融合图像的质量。实验结果表明,本文提出的CLIT-FCNN算法与传统算法相比,能够有效将PAN图像的空间细节信息与MS图像的光谱信息融合,且算法稳定性强。
张蒙蒙[6]（2019）在《基于深度学习的高光谱图像融合分类技术研究》文中认为随着传感器技术的不断发展,海量的多平台与多模态数据得以被获取。其中,以高光谱图像为代表的高体量数据能够对观测对象实现空间、光谱、辐射等多方面信息的同步获取,促使客观世界的描述呈现出多尺度、多角度、多维度的新特性。目前,利用高光谱数据进行物质分类及目标检测的相关研究虽然已成功运用于农业监测、灾害预警以及医学检测等领域,如何抽取高价值数据特性,提高高光谱观测区的信息解译及分类准确性,仍旧是一项充满挑战性的课题。此外,高光谱数据呈现出强谱间弱空间的分辨率特性,利用单源高光谱数据信息,限制了大量面向空间分辨率以及辐射信息呈现敏感特性的应用。围绕高光谱数据,协同更多信息源并综合利用各类数据之间的合作性及互补性,在信息智能融合基础之上完成观测目标的精准解译及精确分类,是具有重要研究意义和广泛应用前景的课题。本文以高光谱图像为核心,围绕高光谱图像空谱特征融合分类、高光谱图像与高分辨率可见光图像融合分类、以及高光谱图像与激光雷达图像融合分类展开研究。针对高光谱分类以及围绕高光谱为核心的多源遥感融合分类当前面临的问题,深度剖析不同融合分类技术的可行性,以AVIRIS、ROSIS、以及AISA Eagle等传感器采集的遥感影像为主要实验数据源,依照数据预处理、典型特征提取、以及分类器设计的总体路线实现多层次地融合分类框架构建。本文主要研究内容如下所示:1、针对现有高光谱图像分类方法中的空谱特征提取方式存在空间感知力有限以及边缘像素刻画偏差等问题,基于卷积神经网络设计了具有多形变体输入的DR-CNN分类方法。该方法包含四个多向空间输入块,一个局部空间块,一个全局空间块。多向空间块网络分支充分学习样本方位特性,有助于保证边缘像素精细分类的可靠性;局部空间块网络分支保留并深化高光谱数据谱间特性;全局空间块网络分支挖掘输入样本空间纹理及上下文交互特征。以AVIRIS及ROSIS传感器在不同区域采集的高光谱图像数据集进行实验,相关结果有力地证实了本文提出的方法在高光谱图像分类任务上的优越性,也充分论证了多形变体输入在空间谱间信息提取方面的可行性及巨大潜力。2、传统机器学习方法处理多源数据分类时存在信息综合利用不充分,特征提取方式多元性、灵活性不足,且易陷入维数灾难等问题。针对这些问题,本文以基于高光谱的多源遥感协同分类为研究目标,面向高光谱图像与高空间分辨率可见光图像协同分类、高光谱图像与激光雷达数据协同分类等两类协同任务,提出了两种多源特征提取及协同分类方法。第一种方法为基于SLIC超像素分割的高光谱与可见光数据协同分类方法。该分类方法以可见光数据的超像素分割结果为空间约束单位,进行高光谱分类结果及高空间分辨率可见光初分类结果的决策整合,获取多源数据协同分类结果。第二种分类方法为基于多源特征融合的高光谱与激光雷达数据协同分类方法。该方法基于复合核函数支持向量机对高光谱与激光雷达数据中提取的多源特征实施归并与分类。详实的实验评估结果显示,本文提出的两种方法在现有高光谱与多源遥感协同分类任务上具备优越性,有效利用多源遥感内含的多类型信息可以显着增加分类精度。该方法除具备效果优势外,对推动多源遥感及多源特征融合算法研究具有指导意义。3、针对如何在小样本情况下有效关联多传感器数据并构建基于多源数据的深度协同框架,本文提出一种Patch-to-Patch（PToP）跨域学习模型,旨在建立不同源域数据间的信息映射,通过跨数据源重构过程提取不同源数据的深度联合特征,解决了受小样本制约的多目标域数据关联特征提取及深度协同分类的难题。以高光谱及激光雷达数据联合特征提取及协同分类为研究中心,本文首先构建三通道PToP跨数据源映射网络,实现两源数据无缝集成;其次,构建层级融合模块,针对多通道、多源域、多隐层特征间合作性实施联合特征协同表达;最后通过三层全连接网络完成分类。该方法旨在利用多源数据的多信息完整性及可靠性,提升地物分类的准确性,从而实现对地物场景的综合、完整描述。为评估该方法有效性及可靠性,以休斯顿（Houston）数据及特伦托（Trento）数据为标准数据集进行实验,与国内外多种研究方案进行了综合对比。实验结果表明,本文提出的框架包含了可靠且无监督的多源特征提取方案,因而具备极强小样本鲁棒性,所提取的特征更易于进行后续分类判读任务。可视化实验结果则进一步证明了本文提出的方法在以高光谱及激光雷达为代表的多源遥感分类任务中的优越性。
赵暐[7]（2019）在《基于多元局部信息增强的复杂图像分类与目标检测》文中认为计算机视觉一直是计算机领域的研究热点,随着深度学习技术的出现,计算机视觉技术取得了突破性的进展,尤其是在多种复杂图像解译领域。其中基于深度学习的多种遥感图像分类技术被广泛应用于环境监测、城市规划、灾害控制、农业领域等。而基于深度学习的遥感图像目标检测技术则广泛的应用于大场景内地物识别,例如飞机、轮船、车辆、各种功能型建筑的识别等。除此之外,基于深度学习的自然图像目标检测也在国民生活中得到了广泛的应用,例如行人检测、道路监控、无人驾驶等。为了更好的对复杂图像进行解译,本文通过增强多元化的局部空间信息对多种类型图像的分类和目标检测问题进行了研究。本文为了充分利用图像中的空间信息,在多光谱和高光谱图像分类的基础上对多种局部区域的空间信息表示增强方式做了研究。为了能够在任意大小场景中实现多类目标检测,本文在多尺度模型和全卷积模型的基础上研究了光学遥感图像目标检测。本论文为了有效地提高目标检测精度,对基于目标级特征和目标内部件级特征融合的目标检测算法做了研究。全文主要工作内容如下:1)提出一种基于超像素多重局部区域的卷积神经网络模型用于多光谱图像分类。为了减少卷积神经网络输入数据的数量,本文利用扩展的简单线性迭代聚类算法分割多光谱图像生成超像素来代替像素作为图像分类的基本单元。为了充分利用每个超像素的空间光谱信息以及周围的环境信息,本文设计了基于超像素的多重局部区域联合表示策略。然后搭建基于超像素的多重局部卷积网络模型来提取联合特征表示,并通过softmax分类器实现分类。最终为了减少超像素内和超像素之间的误差,本文结合了多种信息包括细节信息和语义关系信息用于提升分类结果。基于多组多光谱图像的实验表明本文提出的算法是有效的。2)提出了一种基于增强空间表示的多阶段空谱融合网络用于高光谱图像分类。首先,引入由多邻域表示策略和变距离下采样策略组成的增强空间表示模块,并用来提取更加稳定的空间信息和更加丰富的细节信息。然后,通过设计的空间子网络和光谱子网络用于提取空谱特征。在特征融合部分,本文设计了名为多阶段空谱融合网络的更为有效的融合模型,其中包含了中级特征融合、高级特征融合、语义级空谱协同约束和决策级融合,通过该模型融合空谱信息并得到最终的分类结果。基于多组高光谱图像的实验结果表明该算法是有效的。3)提出了一种多尺度图像块级全卷积网络用于光学遥感图像目标检测任务。首先,算法中使用的训练数据只包含了类别标记而没有边框标记,这样可以在训练阶段减少人工标注。然后,利用设计的多尺度网络提取基于多尺度的高级特征用于更好的表示各种各样的目标。模型中的图像块级全卷积网络有助于提高计算效率,并且可以直接检测任意大小的输入图像,其中包含大型场景遥感图像。在测试阶段,大场景图像可以直接输入本文设计的网路模型,并直接生成检测结果,最后通过提出的边框修正策略和局部重识别策略提升检测结果。基于公开光学遥感数据和多组大场景的机场图像的实验结果表明该算法是有效的。4)提出一种基于生成式对抗网络模型的弱监督学习框架并结合多尺度检测网络用于超高分辨光学遥感图像目标检测任务。首先,利用原始数据训练无监督生成式对抗网络作为检测网络的预训练模型,这样可以减少算法在预训练过程中对额外标记数据的需求。然后,将基于生成式对抗网络中判别网络的弱监督学习框架用来自主挖掘训练数据,以减少人工消耗。通过设计的包含多尺度结构和全卷积过程的多尺度检测网络可以高效的检测多种目标,即使是在非常大的场景。此外,通过权重共享来优化多尺度检测网络,这样可以减少参数的数量并提高显卡应用效率。最后,通过局部重识别策略提升初始检测结果,并得到更加准确的检测结果。基于公开光学遥感数据和大场景的机场图像的实验结果表明该算法是有效的。5)提出了一个部件信息增强网络的自然图像目标检测算法,其中包含了关键部件增强模型和部件关系模型。在本文的提出的检测算法中,不但考虑了目标级的信息,而且充分利用了目标的部件信息,其中包括关键部件的信息,关键部件和其它部件之间的关系信息。首先,将场景级的视觉注意模型扩展成目标级的视觉注意模型用来生成目标各部件的重要性掩膜,通过重要性掩膜和目标的特征图可以得到关键部件增强信息。然后,设计了部件关系模型,用来提取部件之间的关系信息,其中包含了关键部件和其它部件之间的空间关系信息和视觉关系信息。最终,将目标级的基本信息和关键部件增强信息,以及部件关系信息相结合用于增强目标检测结果。通过公开的目标检测数据集验证提出的部件信息能够增强目标检测结果。
朱红艳[8]（2019）在《基于无人机低空遥感的油菜表型信息获取方法研究》文中提出田间作物表型信息是农作物品质、生长信息的直观表现,是影响作物生产管理决策的重要因素。实时、高效、准确获取大尺度农田作物的表型信息可以为现代农业信息化精准管理、水肥药高效管理和精准施用提供依据,同时也对作物育种及生长信息快速准确识别提供支持。无人机低空遥感平台凭借高时空分辨率、低成本、机动灵活、适合复杂农田环境等优势,成为获取田间作物表型信息的新兴手段。因此,本研究围绕无人机低空遥感对作物表型信息获取的关键技术,以种植广泛、经济价值高的油菜为研究对象,通过设置不同氮肥梯度的油菜田间试验,结合图像和光谱预处理方法,提出了优选植被指数和优选特征波长等多种数据挖掘算法和机器学习算法,选出对油菜表型信息最敏感的植被指数和特征波长,建立了稳健的油菜花数目、油菜氮素（SPAD）、叶面积指数和产量的遥感定量模型,增加了预测模型的准确性和鲁棒性,为精细农业高通量作物表型信息获取提供了理论基础和技术支撑,对我国作物估产和育种信息的高通量检测具有重要的指导意义。主要研究内容和成果如下:（1）基于开发的RGB和多光谱成像融合的微小型无人机遥感系统,从图像分割、植被指数提取等多角度对数据进行挖掘,实现了多源信息融合,建立了稳健的油菜花数目预测模型。（1）提出了一套对无人机低空遥感多光谱图像进行拼接处理的流程:遗传算法拟合高斯曲面校正渐晕-尺度不变特征转换算法提取特征-随机抽样一致性算法剔除误匹配点-拉普拉斯金字塔图像融合。（2）采用机器学习（反向传播神经网络BPNN、支持向量机SVM、K均值聚类K-means）和RGB阈值等多种方法实现了油菜花的图像分割,其中最优方法是基于CIELAB颜色空间的K-means算法。（3）基于多种机器学习算法分别对RGB相机、多光谱相机、双传感器建立了线性（多元线性回归MLR、偏最小二乘回归PLSR）和非线性（BPNN、最小二乘支持向量机LS-SVM、极限学习机ELM）的油菜花数预测模型。基于双传感器融合的变量参数（窄波段植被指数,颜色植被指数和油菜花覆盖区域像素数）建立的回归分析模型优于只依赖多光谱相机或RGB相机建立的模型,且均取得了很好的预测效果,Rpre均大于0.89,BPNN效果最优(预测集相关系数Rpre=0.9359,预测集均方根误差RMSEP=17.25)。（4）采用遗传算法对变量重要性进行排序以改进和简化油菜花数的估测模型,简化后BPNN模型预测效果最好(Rpre=0.9383,RMSEP=14.81)。（2）利用微小型无人机多光谱遥感系统、UHD185高光谱遥感系统和多种机器学习算法,构建了油菜氮素（SPAD）和叶面积指数（LAI）定量预测模型。结果表明:25波段多光谱遥感系统,（1）基于全波段对SPAD和LAI分别建立了线性（MLR和PLSR）和非线性（LS-SVM、BPNN、ELM和径向基函数神经网络RBFNN）预测模型,SPAD和LAI的最优预测模型分别为ELM(Rpre=0.8593,RMSEP=0.7798)和BPNN(Rpre=0.8016,RMSEP=0.4579)。（2）通过相关系数等势图确定对SPAD和LAI预测敏感的最优植被指数组合,并利用不同机器学习算法和特征植被指数建立SPAD和LAI预测模型,其中SPAD和LAI的最优预测模型分别为ELM(Rpre=0.8296,RMSEP=0.8627)和BPNN(Rpre=0.7416,RMSEP=0.5134)。UHD185高光谱遥感系统,（3）通过连续投影算法（SPA）、遗传算法（GAPLS）、无信息变量消除算法（UVE）和SPA结合、竞争性自适应加权采样（CARS）和随机蛙跳（RF）筛选特征波长减少冗余变量,提高模型的预测能力。基于特征波长的多变量建模优于基于全谱建模结果,SPAD最优的预测模型为CARS-BPNN(Rpre=0.9146,RMSEP=0.5973);LAI最优的预测模型为RF-BPNN(Rpre=0.9152,RMSEP=0.1970)。（4）用相关性分析和单因素方差分析探索适用于油菜SPAD和LAI预测的最佳植被指数,并基于组合植被指数和不同机器学习算法建立SPAD和LAI预测模型,其中SPAD最优模型为ELM(Rpre=0.8974,RMSEP=0.5596),LAI的最优预测模型为BPNN(Rpre=0.8699,RMSEP=0.2265)。综上,UHD185高光谱遥感系统建立的最优模型(SPAD:Rpre=0.9146;LAI:Rpre=0.9152)均优于25波段多光谱遥感系统(SPAD:Rpre=0.8593;LAI:Rpre=0.8016),证明无人机搭载UHD185高光谱成像仪可以获取大量窄波段且连续的油菜高光谱影像,因而能够更加全面的呈现出油菜特有的光谱特性,在农业定量遥感中具有广泛的应用潜力。（3）应用RGB和多光谱成像融合的微小型无人机遥感系统,通过多源信息融合,实现了对油菜产量的定量预测。结果表明:（1）基于多光谱全波段建立的回归分析模型（PLSR、MLR、LS-SVM、BPNN、ELM和RBFNN）效果均较好,Rcal和Rpre均大于0.78。最优预测模型为BPNN(Rpre=0.8232,RMSEP=166.9 kg/hm2);（2）用相关性分析和单因素方差分析探究适用于油菜估产的最佳植被指数组合,并结合不同机器学习算法建立油菜产量预测模型。基于多光谱相机和RGB相机融合的植被指数建立的回归分析模型(RBFNN:Rpre=0.8143,RMSEP=171.9 kg/hm2)优于只依赖多光谱相机的窄波段植被指数建立的估产模型(BPNN:Rpre=0.7655,RMSEP=188.3 kg/hm2)。（3）采用遗传算法来选择最优波长组合或最优植被指数组合。基于最优波长组合建立的油菜估产模型BPNN效果最好(Rpre=0.8114,RMSEP=172.6 kg/hm2);基于最优植被指数组合建立的ELM效果最好(Rpre=0.8118,RMSEP=170.9 kg/hm2)。因此,以上研究证明利用基于RGB和25波段多光谱成像融合的微小型无人机遥感系统对油菜产量预测的可行性,及这套系统在精细农业高通量植物表型和先进育种项目的巨大潜力。（4）基于无人机平台搭载的UHD185高光谱成像系统、Gaia Sky-mini高光谱成像系统获得油菜角果期遥感影像,利用波长选择算法,植被指数优选和机器学习算法,得到了最优的油菜估产模型。结果表明:（1）比较多种预处理方法对光谱特征的影响,小波变换为最优的光谱预处理方法;（2）用SPA、GAPLS、UVE、UVE-SPA、加权回归系数法BW、二阶导数2-Der、CARS和RF八种特征波长选择方法对全谱数据进行降维,相对于全谱,利用包含关键信息的特征波长进行预测具有更好的鲁棒性,优于全谱预测结果。其中GAPLS、CARS、RF及UVE-SPA四种特征波段选择方法较好,ELM回归分析模型预测效果较优。UHD185最优估产模型为CARS-ELM(Rpre=0.8122,RMSEP=170.4 kg/hm2);而基于Gaia Sky-mini最优估产模型为RF-ELM(Rpre=0.8227,RMSEP=166.4 kg/hm2)。（3）用相关性分析和单因素方差分析探索对油菜产量估测敏感的植被指数,建立单一植被指数和组合植被指数的估产模型,后者建立的模型更稳定,效果更好。从总体来看,Gaia Sky-mini基于组合植被指数建立的估产模型(LS-SVM:Rpre=0.8170,RMSEP=172.5 kg/hm2)优于UHD185系统(ELM:Rpre=0.7674,RMSEP=187.6 kg/hm2)。综上,UHD185和Gaia Sky-mini两种无人机高光谱遥感系统利用油菜角果期图像数据均取得了很好的预测结果(UHD185:Rpre=0.8122;Gaia Sky-mini:Rpre=0.8227),其中Gaia Sky-mini的定量估产模型稍优于UHD185。以上研究成果探明了RGB相机和多光谱相机融合的微小型无人机遥感系统及无人机高光谱遥感系统在农田地块（植株、群体）尺度对油菜表型信息获取的巨大优势。本研究提出了无人机遥感图像采集-图像拼接处理-特征植被指数或特征波长提取-机器学习算法建模预测的技术路径,为精细农业提供了一套一体化的无人机作物遥感信息获取解决方案。
胡靖瑶[9]（2019）在《面向信息溯源的遥感影像几何代数信息编码与特征标签方法》文中进行了进一步梳理空间数据溯源实质上是一种对空间数据进行完整的工作流演变过程、标注信息和其他处理过程的记录。通过标注方式记录数据重要信息,追溯空间数据历史状态十分重要。传统的数据溯源在记录溯源信息时存在信息不统一规范、过于离散,并且毫无隐蔽性等问题,其实主要原因是缺少对溯源信息合理的组织管理与表达。因此本文提出构建基于几何代数的溯源信息融合表达方法,实现空间数据溯源。基于几何代数维度运算,可实现复杂的几何与代数运算。由几何算子连接组成的几何代数多重向量结构可以自定义各种维度,可自由扩展与缩减维度空间。本文基于几何代数理论与方法构建溯源信息概念内容和属性数据的关联关系。基于几何代数的多重向量结构可实现混合维度溯源信息统一组织与表达。本文基于数据溯源标准,研究并构建了遥感影像数据溯源指标体系;构建编码规则,实现溯源信息编码;基于几何代数的数学结构形式以及几何算子,研究溯源信息的表达方法,并设计了相应的溯源信息表达更新与一致性检验算子;基于四元数小波变换的数字水印算法,研究遥感影像中嵌入与提取溯源信息方法。基于上述理论与方法,构建了面向溯源的遥感影像数据特征标签系统。本文的主要研究工作包括一下几个方面:（1）遥感影像数据溯源信息指标体系构建与编码。依据数据溯源标准,构建适用于遥感影像数据的溯源信息指标体系。通过构建溯源数据规范化,定义了遥感影像元数据、节点信息,操作信息的命名规范,实现了各个溯源环节的规范化、标准化。构建编码规则,实现溯源信息编码。（2）基于几何代数的溯源信息融合表达。基于几何代数的空间基向量和几何算子可进行特定对象关系的表达,几何代数多重向量结构可实现混合维度溯源信息关联结构的统一组织与表达,并设计了相应的溯源信息表达更新与一致性检验算子。（3）溯源信息嵌入与提取技术。基于四元数小波变换的数字水印算法,实现遥感影像中嵌入与提取溯源信息二维码,实现溯源信息的隐蔽性、稳健性。
瞿佩云[10]（2019）在《基于多尺度分解的图像融合算法研究》文中研究说明图像融合（Image Fusion）作为信息融合技术中的一个重要分支,是当前信息融合研究中的一个热门话题。图像融合把从不同传感器采集到的同一目标的多个图像信息进行综合处理,使图像能够包含更多、更丰富的信息,表达更为准确,从而提高图像质量。当前,图像融合技术在民事、军事、国防安全等各个领域都具有重要的作用,因此,对于图像融合技术的研究具有重要的意义。本文在多尺度分解的基础上分别对多聚焦图像融合方法和遥感图像融合方法进行了研究,主要内容如下:（1）介绍了本文研究的背景及意义,并对图像融合的技术概况、图像融合经典方法以及评价体系进行阐述。（2）多聚焦图像融合。为了进一步提高融合图像清晰度的同时有效保留图像的边缘轮廓,提出了一种基于导向滤波与显着性的多尺度分解的多聚焦图像融合方法。首先,使用小波变换对源图像进行多尺度分解,分别得到图像的低频部分和高频部分;然后,对于低频部分采用导向滤波的融合方法,同时对高频部分引入显着性检测的方法进行融合;最后,将融合系数进行小波重构,从而获得融合结果。通过仿真实验说明,本文所提算法具有较好的融合效果。（3）遥感图像融合。为了有效解决融合图像边界模糊和失真的问题,提出了一种基于IHS与显着性的多尺度分解的遥感图像融合方法。首先,将多光谱图像（MS）进行IHS变换并提取出其中的I分量,将分量I和全色图像（Pan）分别进行多尺度分解,得到各自的高频信息和低频信息;其次,采用经典的加权平均融合法则对低频信息进行融合,高频信息的融合则采用显着性检测的方法;最后,将融合系数进行多尺度重构和IHS逆变换,从而获得融合结果。通过实验证明,所提算法取得了较好的融合结果。
二、基于信息融合的遥感图像处理方法研究（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、基于信息融合的遥感图像处理方法研究（论文提纲范文）
（1）基于深度信息融合的遥感图像多类目标辨识技术（论文提纲范文）
| 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 |
| 1.2.1 传统遥感目标辨识方法 |
| 1.2.2 基于卷积神经网络的遥感目标辨识方法 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 遥感图像的深度学习目标辨识算法分析 |
| 2.1 引言 |
| 2.2 目标检测 |
| 2.2.1 水平框检测 |
| 2.2.2 定向框检测 |
| 2.3 目标识别 |
| 2.4 本章小结 |
| 第三章 基于深度信息融合的定向框目标检测 |
| 3.1 引言 |
| 3.2 算法框架构建 |
| 3.3 基于深度信息融合的特征提取 |
| 3.3.1 注意力增强模块 |
| 3.3.2 多尺度特征融合 |
| 3.4 定向框检测方法 |
| 3.4.1 定向框的生成和正负样本分配方式 |
| 3.4.2 级联型回归修正模块 |
| 3.4.3 定向框回归和难例挖掘 |
| 3.5 实验与结果分析 |
| 3.5.1 实验数据集 |
| 3.5.2 数据增广 |
| 3.5.3 模型训练 |
| 3.5.4 指标评估 |
| 3.5.5 基线结果分析 |
| 3.5.6 消融实验 |
| 3.5.7 定性实验结果 |
| 3.6 本章小结 |
| 第四章 基于非对称卷积的轻量型网络目标识别方法 |
| 4.1 引言 |
| 4.2 基于非对称卷积的轻量型网络架构 |
| 4.2.1 基网络的选择和结构正则化 |
| 4.2.2 非对称卷积 |
| 4.3 实验与结果分析 |
| 4.3.1 数据集制备 |
| 4.3.2 细分类结果及消融实验 |
| 4.3.3 虚警剔除结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（2）高光谱遥感图像高精度分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 高光谱遥感技术应用背景 |
| 1.1.2 高光谱遥感图像分类技术应用意义 |
| 1.2 高光谱遥感图像分类技术存在的问题 |
| 1.2.1 高光谱遥感图像的特点 |
| 1.2.2 高光谱遥感图像存在的问题 |
| 1.3 国内外研究现状 |
| 1.3.1 高光谱遥感图像特征提取 |
| 1.3.2 高光谱遥感图像分类技术 |
| 1.4 论文主要研究内容 |
| 1.4.1 增强谱特征和空间信息融合,加权置信度修正的高光谱图像分类方法 |
| 1.4.2 基于改进SSSERN的高光谱图像分类方法 |
| 1.4.3 基于引导滤波的空-谱融合遥感高光谱分类 |
| 1.5 论文组织结构 |
| 第2章 高光谱图像分类理论基础 |
| 2.1 常用高光谱图像数据集介绍 |
| 2.1.1 Indian Pines数据集 |
| 2.1.2 University of Pavia数据集 |
| 2.1.3 Salinas数据集 |
| 2.2 机器学习算法简介 |
| 2.2.1 基于SVM的分类算法 |
| 2.2.2 基于深度学习的分类算法 |
| 2.3 高光谱分类性能评价指标 |
| 2.4 本章小结 |
| 第3章 特征增强和置信域判别的高光谱图像分类方法 |
| 3.1 引言 |
| 3.2 高光谱图像空-谱融合分类方法 |
| 3.2.1 空-谱融合分类方法 |
| 3.2.2 Gabor变换 |
| 3.3 基于特征增强和加权置信度判别的高光谱图像分类方法 |
| 3.3.1 增强谱特征 |
| 3.3.2 利用Gabor滤波器提取纹理特征 |
| 3.3.3 基于加权置信度的修正方案 |
| 3.4 实验与分析 |
| 3.4.1 Indian Pines高光谱遥感图像分类 |
| 3.4.2 Salinas高光谱遥感图像分类 |
| 3.4.3 Salinas A高光谱遥感图像分类 |
| 3.5 本章小结 |
| 第4章 基于改进空-谱融合压缩激励残差网络的高光谱图像分类 |
| 4.1 引言 |
| 4.2 模型结构 |
| 4.2.1 DPN:双路网络 |
| 4.2.2 SE Block:压缩-激励块 |
| 4.2.3 SSSEDPN:空谱联合压缩激励双路网络 |
| 4.3 训练方法 |
| 4.4 实验分析 |
| 4.4.1 重要参数优化 |
| 4.4.2 训练方法对比 |
| 4.4.3 模型性能比较 |
| 4.5 本章小结 |
| 第5章 基于引导滤波的空-谱融合特征的高光谱分类方法 |
| 5.1 引言 |
| 5.2 空间特征提取 |
| 5.2.1 主成分分析 |
| 5.2.2 自适应LBP直方图特征 |
| 5.3 初始分类概率图 |
| 5.4 基于自适应引导滤波的概率图分类 |
| 5.4.1 原始引导滤波方法 |
| 5.4.2 自适应规整化因子的引导滤波 |
| 5.4.3 遥感高光谱分类后处理 |
| 5.5 实验结果与分析 |
| 5.5.1 参数对比分析 |
| 5.5.2 不同特征结合对比分析 |
| 5.5.3 不同算法对比分析 |
| 5.5.4 样本数量对比分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 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 |
（3）基于稀疏表示的去噪声遥感图像融合算法优化（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 缩略语表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像去噪研究现状 |
| 1.2.2 图像融合研究现状 |
| 1.3 研究内容与结构安排 |
| 2 图像融合与稀疏表示基础理论 |
| 2.1 图像融合 |
| 2.1.1 融合分类 |
| 2.1.2 融合层级 |
| 2.1.3 融合方法 |
| 2.1.4 存在问题 |
| 2.2 稀疏表示理论 |
| 2.2.1 字典生成 |
| 2.2.2 稀疏编码 |
| 2.2.3 K-SVD |
| 2.2.3.1 K-means |
| 2.2.3.2 K-SVD |
| 2.3 本章小结 |
| 3 基于稀疏表示的遥感图像去噪 |
| 3.1 基于残差图像融合和稀疏表示的SAR图像去噪 |
| 3.1.1 K-SVD图像去噪 |
| 3.1.2 剪切波域的残差图像去噪 |
| 3.1.3 基于残差图像融合的SAR图像去噪 |
| 3.1.4 实验结果和分析 |
| 3.2 基于平移不变性K-SVD和向导滤波的SAR图像去噪 |
| 3.2.1 平移不变性的K-SVD |
| 3.2.2 向导滤波 |
| 3.2.3 实验结果和分析 |
| 3.3 本章小结 |
| 4 基于稀疏表示和向导滤波的SAR图像融合 |
| 4.1 基于改进的双曲正切函数和零范数取最大的融合规则 |
| 4.2 实验结果与分析 |
| 4.2.1 客观评价指标 |
| 4.2.2 SAR和光学图像的融合 |
| 4.2.3 SAR和红外图像融合 |
| 4.3 本章小结 |
| 5 基于联合稀疏表示和优化理论的图像融合 |
| 5.1 基于联合稀疏表示的图像融合 |
| 5.2 实验结果与分析 |
| 5.3 本章小结 |
| 6 基于联合稀疏表示和PCNN的噪声遥感图像融合 |
| 6.1 基于联合稀疏表示的噪声遥感图像融合 |
| 6.2 基于改进的PCNN的融合规则 |
| 6.3 实验结果与分析 |
| 6.3.1 无噪图像融合 |
| 6.3.2 噪声图像融合 |
| 6.3.2.1 Olso城市融合 |
| 6.3.2.2 SEN1-2数据库融合 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于推扫式星载相机的颤振估计和图像补偿（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 卫星平台颤振的理论研究 |
| 1.2.2 遥感图像的云检测 |
| 1.2.3 多光谱图像的颤振估计 |
| 1.2.4 单波段遥感图像颤振估计 |
| 1.2.5 基于模糊星点的颤振分析 |
| 1.3 本文的主要内容 |
| 第2章 颤振估计数据预处理 |
| 2.1 引言 |
| 2.2 数据集介绍和预处理 |
| 2.2.1 畸变检测数据集 |
| 2.2.2 云检测数据集 |
| 2.3 遥感图像云检测 |
| 2.3.1 轻量级U-net算法 |
| 2.3.2 离散小波变换算法 |
| 2.3.3 云检测结果和分析 |
| 2.4 本章小结 |
| 第3章 多光谱视差遥感图像颤振估计 |
| 3.1 引言 |
| 3.2 视差图像配准算法 |
| 3.2.1 多光谱推扫式相机的原理 |
| 3.2.2 视差图像配准模型 |
| 3.2.3 相位相关法 |
| 3.2.4 归一化互相关法 |
| 3.2.5 改进的Lucas-Kanade方法 |
| 3.3 相对像素位移反卷积 |
| 3.3.1 多项式优化方法 (POM) |
| 3.3.2 傅里叶变换方法 (FTM) |
| 3.4 基于SVR的预测模型 |
| 3.5 卫星平台光学载荷运动模型 |
| 3.6 仿真结果及误差分析 |
| 3.6.1 图像配准算法分析 |
| 3.6.2 反卷积转换仿真结果 |
| 3.6.3 SVR预测及模型转换仿真结果 |
| 3.6.4 吉林一号实验结果 |
| 3.7 本章小结 |
| 第4章 单波段遥感图像颤振估计 |
| 4.1 引言 |
| 4.2 基于卷积神经网络的畸变检测 |
| 4.2.1 损失函数分析 |
| 4.3 IJC-net实验结果和分析 |
| 4.3.1 Pattern Net数据集的测试结果 |
| 4.3.2 遥感26号数据集实验结果 |
| 4.4 基于对抗神经网络的畸变检测 |
| 4.4.1 生成对抗损失 |
| 4.4.2 图像内容损失 |
| 4.4.3 姿态损失 |
| 4.4.4 图像区域选择 |
| 4.5 Restore GAN实验结果和分析 |
| 4.5.1 不同频率和振幅下的恢复结果 |
| 4.5.2 图像恢复实验结果 |
| 4.6 本章小结 |
| 第5章 图像颤振信息融合分析 |
| 5.1 引言 |
| 5.2 颤振信息的图像恢复验证 |
| 5.3 图像颤振信息的融合 |
| 5.3.1 颤振估计信息融合 |
| 5.4 基于模糊星点图的颤振估计 |
| 5.4.1 星点质心运动模型 |
| 5.4.2 模糊星图处理 |
| 5.4.3 实验结果和分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（5）基于CLIT-FCNN的遥感图像融合算法（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 遥感图像融合研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文组织结构 |
| 第2章 相关理论基础介绍 |
| 2.1 遥感图像融合处理流程 |
| 2.1.1 图像预处理 |
| 2.1.2 图像配准和增强 |
| 2.1.3 遥感图像融合算法 |
| 2.1.4 融合图像质量评价 |
| 2.1.5 融合图像应用 |
| 2.2 遥感图像融合算法 |
| 2.1.1 IHS变换融合算法 |
| 2.1.2 PCA融合方法 |
| 2.1.3 Brovey变换融合方法 |
| 2.1.4 高通滤波器融合方法 |
| 2.1.5 拉普拉斯金字塔分解融合方法 |
| 2.1.6 小波变换融合方法 |
| 2.1.7 NSCT融合方法 |
| 2.3 卷积神经网络 |
| 2.4 U-NET |
| 2.5 本章小结 |
| 第3章 遥感图像融合算法CLIT-FCNN |
| 3.1 基于CLIT-FCNN的融合算法 |
| 3.1.1 总体思路 |
| 3.1.2 网络结构 |
| 3.2 CLIT-FCNN融合算法整体框架 |
| 3.3 本章小结 |
| 第4章 实验结果与分析 |
| 4.1 训练集构建 |
| 4.2 实验配置 |
| 4.2.1 实现细节 |
| 4.2.2 模型训练 |
| 4.3 CLIT-FCNN算法实验结果 |
| 4.3.1 DEIMOS-2 卫星融合结果 |
| 4.3.2 QuickBird卫星融合结果 |
| 4.3.3 高分二号卫星融合结果 |
| 4.3.4 实验结果总结 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（6）基于深度学习的高光谱图像融合分类技术研究（论文提纲范文）
| 学位论文数据集 |
| 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 高光谱图像分类技术的研究现状 |
| 1.2.1.1 高光谱图像特征提取 |
| 1.2.1.2 高光谱图像分类 |
| 1.2.2 多源遥感融合分类技术研究现状 |
| 1.2.2.1 多传感器协同与融合利用研究现状 |
| 1.2.2.2 基于高光谱的多源遥感融合分类研究现状 |
| 1.3 研究的主要内容 |
| 第二章 基于多形变体输入的卷积神经网络分类 |
| 2.1 引言 |
| 2.2 基于多形变体输入的卷积神经网络分类模型 |
| 2.2.1 DR-CNN整体结构 |
| 2.2.2 多形变体输入及特征提取 |
| 2.3 多形变体输入卷积神经网络模型训练 |
| 2.4 实验结果及分析 |
| 2.4.1 实验数据与评价指标 |
| 2.4.2 多形变体输入效果分析 |
| 2.4.3 DR-CNN分类效果评估 |
| 2.5 本章小结 |
| 第三章 基于多源特征的高光谱图像协同分类 |
| 3.1 引言 |
| 3.2 基于SLIC超像素分割的高光谱与可见光数据协同分类 |
| 3.2.1 高光谱与可见光数据初分类 |
| 3.2.1.1 基于CNN-PPF的高光谱图像分类 |
| 3.2.1.2 基于二进制统计特征的可见光图像分类 |
| 3.2.2 高光谱及可见光数据CLC协同分类模型 |
| 3.3 基于多源特征融合的高光谱与激光雷达数据协同分类 |
| 3.3.1 多源特征提取 |
| 3.3.2 基于复合核支持向量机的多源特征协同分类 |
| 3.4 实验结果及分析 |
| 3.4.1 实验数据与环境设置 |
| 3.4.2 高光谱与可见光数据协同分类实验结果 |
| 3.4.2.1 CLC决策融合方法参数设置 |
| 3.4.2.2 CLC决策融合方法分类效果评估 |
| 3.4.3 高光谱与激光雷达数据协同分类实验结果 |
| 3.5 本章小结 |
| 第四章 基于端到端跨域学习的高光谱及雷达数据融合分类 |
| 4.1 引言 |
| 4.2 端到端深度模型应用现状 |
| 4.2.1 基于自编码器的单源特征学习 |
| 4.2.2 基于端到端网络的图像分割 |
| 4.3 基于端到端跨域学习的融合分类方法 |
| 4.3.1 PToP跨域学习特征提取器 |
| 4.3.2 多尺度跨隐层特征融合及分类 |
| 4.3.3 端到端跨域学习及融合分类框架学习策略 |
| 4.4 实验结果及分析 |
| 4.4.1 实验数据与评价指标 |
| 4.4.2 端对端跨域学习融合分类法参数讨论 |
| 4.4.3 高光谱及激光雷达数据融合分类效果评估 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻博期间发表的论文与参加的科研项目 |
| 导师与作者简介 |
| 博士研究生学位论文答辩委员会决议书 |
（7）基于多元局部信息增强的复杂图像分类与目标检测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 深度学习 |
| 1.2 图像分类 |
| 1.2.1 多光谱遥感图像分类 |
| 1.2.2 高光谱遥感图像分类 |
| 1.3 目标检测 |
| 1.3.1 自然图像目标检测 |
| 1.3.2 光学遥感图像目标检测 |
| 1.4 本文主要工作与结构安排 |
| 第二章 基于超像素和多局部邻域卷积网络的多光谱图像分类 |
| 2.1 引言 |
| 2.2 基于超像素的多局部邻域卷积网络模型 |
| 2.2.1 超像素生成策略 |
| 2.2.2 多局部邻域联合表示CNN模型 |
| 2.2.3 多信息修正策略 |
| 2.3 实验结果与分析 |
| 2.3.1 实验数据 |
| 2.3.2 温哥华1B级图像的实验结果 |
| 2.3.3 温哥华1C级图像的实验结果 |
| 2.3.4 西安城郊图像的实验结果 |
| 2.3.5 西安城区图像的实验结果 |
| 2.4 本章小结 |
| 第三章 基于多邻域空间表示增强和多阶段空谱融合网络的高光谱图像分类 |
| 3.1 引言 |
| 3.2 基于空间表示增强的多阶段空谱融合网络 |
| 3.2.1 空间表示增强模块 |
| 3.2.2 多阶段空谱融合网络 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据和评价准则 |
| 3.3.2 参数设置 |
| 3.3.3 实验设置 |
| 3.3.4 空间表示增强策略分析 |
| 3.3.5 多阶段融合策略分析 |
| 3.3.6 与先进算法的对比分析 |
| 3.4 本章小结 |
| 第四章 基于多尺度图像块级全卷积网络的光学遥感图像目标检测 |
| 4.1 引言 |
| 4.2 多尺度图像块级全卷积网络 |
| 4.2.1 初始训练数据生成 |
| 4.2.2 数据扩充 |
| 4.2.3 多尺度图像块级全卷积网络 |
| 4.2.4 目标检测 |
| 4.3 实验和分析 |
| 4.3.1 实验数据和参数设置 |
| 4.3.2 评价准则 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 基于生成对抗网络和弱监督学习的光学遥感图像目标检测 |
| 5.1 引言 |
| 5.2 基于GW-MDN的多类目标检测 |
| 5.2.1 算法整体框架 |
| 5.2.2 基于GANs的弱监督学习框架 |
| 5.2.3 多尺度检测网络 |
| 5.3 实验和分析 |
| 5.3.1 数据集 |
| 5.3.2 参数设置和评价标准 |
| 5.3.3 实验结果和分析 |
| 5.4 本章小结 |
| 第六章 基于部件信息增强的自然图像目标检测 |
| 6.1 引言 |
| 6.2 部件信息增强网络 |
| 6.2.1 关键部件增强模块 |
| 6.2.2 部件关系模型 |
| 6.2.3 目标信息和部件信息融合检测 |
| 6.3 实验和分析 |
| 6.3.1 数据集和评价标准 |
| 6.3.2 实验细节 |
| 6.3.3 消融实验 |
| 6.3.4 整体性能 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于无人机低空遥感的油菜表型信息获取方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 无人机遥感系统概述 |
| 1.2.1 无人机平台 |
| 1.2.2 机载传感器 |
| 1.3 无人机遥感作物表型信息获取研究现状 |
| 1.3.1 无人机搭载RGB相机在作物表型信息获取中的应用 |
| 1.3.2 无人机搭载多光谱或高光谱相机在作物表型信息获取中的应用 |
| 1.4 无人机遥感作物表型信息获取存在的问题 |
| 1.5 研究内容和技术路线 |
| 1.6 本章小结 |
| 第二章 材料与方法 |
| 2.1 试验材料 |
| 2.1.1 试验品种 |
| 2.1.2 田间试验设计 |
| 2.2 实验仪器 |
| 2.2.1 基于RGB和多光谱成像融合的微小型无人机遥感系统 |
| 2.2.2 Cubert UHD185无人机高光谱遥感系统 |
| 2.2.3 Gaia Sky-mini无人机高光谱遥感系统 |
| 2.2.4 SPAD-502型叶绿素仪 |
| 2.2.5 LAI-2200C植物冠层分析仪 |
| 2.3 遥感图像的获取和处理 |
| 2.3.1 无人机飞行参数设置 |
| 2.3.2 低空多光谱遥感图像拼接 |
| 2.4 光谱预处理方法 |
| 2.4.1 平滑算法 |
| 2.4.2 变量标准化 |
| 2.4.3 多元散射校正 |
| 2.4.4 去趋势算法 |
| 2.4.5 导数处理 |
| 2.4.6 小波变换 |
| 2.5 特征变量选择算法 |
| 2.5.1 连续投影算法 |
| 2.5.2 加权回归系数 |
| 2.5.3 遗传算法 |
| 2.5.4 无信息变量消除算法 |
| 2.5.5 导数光谱 |
| 2.5.6 竞争性自适应加权采样法 |
| 2.5.7 随机蛙跳 |
| 2.6 机器学习算法 |
| 2.6.1 多元线性回归 |
| 2.6.2 偏最小二乘 |
| 2.6.3 径向基函数神经网络 |
| 2.6.4 极限学习机 |
| 2.6.5 最小二乘支持向量机 |
| 2.6.6 反向传播神经网络 |
| 2.6.7 支持向量机 |
| 2.6.8 K均值聚类 |
| 2.7 模型评价指标 |
| 2.8 数据处理软件 |
| 2.9 本章小结 |
| 第三章 基于RGB和多光谱成像融合的无人机遥感系统对油菜花数目估算 |
| 3.1 引言 |
| 3.2 遥感图像采集与处理 |
| 3.2.1 试验设计 |
| 3.2.2 RGB相机和多光谱相机融合的无人机低空遥感系统 |
| 3.2.3 数据采集 |
| 3.2.4 无人机低空遥感RGB图像拼接 |
| 3.2.5 无人机低空遥感多光谱图像拼接 |
| 3.2.6 辐射定标 |
| 3.2.7 基于CIELAB颜色空间的K-means算法分割RGB图像 |
| 3.2.8 植被指数的选取 |
| 3.3 结果和分析 |
| 3.3.1 基于RGB图像分割计算油菜花覆盖度 |
| 3.3.2 基于K-means算法三个时期油菜花分割结果 |
| 3.3.3 多光谱窄波段植被指数的选取 |
| 3.3.4 RGB植被指数相关性分析和方差分析 |
| 3.3.5 基于RGB和多光谱融合的油菜花数目预测 |
| 3.3.6 基于遗传算法的变量选择和模型简化 |
| 3.4 本章小结 |
| 第四章 基于无人机多光谱和高光谱遥感系统的油菜氮素诊断和叶面积指数预测 |
| 4.1 引言 |
| 4.2 遥感图像采集与处理 |
| 4.2.1 油菜田间试验设计 |
| 4.2.2 无人机低空遥感作业 |
| 4.2.3 无人机低空遥感多光谱图像处理 |
| 4.2.4 无人机低空遥感高光谱图像处理 |
| 4.2.5 辐射定标 |
| 4.2.6 地面数据的采集 |
| 4.2.7 多光谱窄波段植被指数 |
| 4.2.8 高光谱成像系统植被指数选取 |
| 4.3 油菜理化值统计分析及光谱特征 |
| 4.3.1 大田油菜的SPAD和LAI统计分析 |
| 4.3.2 不同氮梯度下油菜花期的光谱特征 |
| 4.4 基于无人机多光谱成像的油菜SPAD和LAI预测模型研究 |
| 4.4.1 基于全波段光谱的油菜SPAD和LAI预测 |
| 4.4.2 多光谱窄波段植被指数的选取 |
| 4.4.3 基于窄波段植被指数对油菜SPAD和LAI预测 |
| 4.5 基于UHD185无人机高光谱系统的油菜SPAD和LAI预测模型研究 |
| 4.5.1 特征波长的选择和比较 |
| 4.5.2 基于特征波长的回归分析模型 |
| 4.5.3 窄波段植被指数最优化 |
| 4.5.4 植被指数与油菜SPAD及LAI的相关性分析和方差分析 |
| 4.5.5 基于植被指数对油菜SPAD和LAI预测 |
| 4.6 本章小结 |
| 第五章 基于RGB和多光谱成像融合的无人机遥感系统对油菜田间产量预测 |
| 5.1 引言 |
| 5.2 遥感图像采集与处理 |
| 5.2.1 试验设计 |
| 5.2.2 无人机飞行作业 |
| 5.2.3 大田油菜产量测定 |
| 5.2.4 无人机低空遥感图像拼接 |
| 5.2.5 辐射定标 |
| 5.2.6 植被指数的选取 |
| 5.3 结果和分析 |
| 5.3.1 大田油菜实测产量统计分析 |
| 5.3.2 不同氮梯度下油菜角果期的光谱特征 |
| 5.3.3 基于全波段光谱的油菜产量预测 |
| 5.3.4 窄波段植被指数的选取 |
| 5.3.5 RGB植被指数相关性分析和方差分析 |
| 5.3.6 基于植被指数的油菜产量预测 |
| 5.3.7 基于遗传算法的变量选择和模型简化 |
| 5.4 本章小结 |
| 第六章 基于无人机高光谱遥感系统的油菜田间产量预测 |
| 6.1 引言 |
| 6.2 试验设计及地面数据采集 |
| 6.2.1 试验设计 |
| 6.2.2 大田油菜产量测定 |
| 6.3 无人机低空高光谱遥感图像获取 |
| 6.3.1 无人机高光谱遥感系统 |
| 6.3.2 试验参数选择 |
| 6.4 无人机低空高光谱遥感图像处理 |
| 6.4.1 图像拼接 |
| 6.4.2 辐射定标 |
| 6.4.3 植被指数选取 |
| 6.5 结果和分析 |
| 6.5.1 大田油菜实测产量统计分析 |
| 6.5.2 不同预处理方法对油菜产量预测的影响 |
| 6.5.3 光谱特征分析 |
| 6.5.4 特征波长选择和比较 |
| 6.5.5 基于特征波长对油菜产量预测 |
| 6.5.6 窄波段植被指数最优化 |
| 6.5.7 植被指数与油菜产量的相关性分析和方差分析 |
| 6.5.8 基于植被指数对油菜产量预测 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 主要结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简介 |
（9）面向信息溯源的遥感影像几何代数信息编码与特征标签方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 溯源技术研究综述 |
| 1.2.2 基于几何代数信息编码研究现状 |
| 1.2.3 溯源信息嵌入与提取研究 |
| 1.2.4 存在问题和本研究定位 |
| 1.3 研究内容、技术路线及论文组织 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 论文组织 |
| 第2章 遥感影像溯源信息组成与编码 |
| 2.1 遥感影像溯源信息采集范畴 |
| 2.1.1 溯源信息采集基本原则 |
| 2.1.2 遥感影像溯源信息组成 |
| 2.2 遥感影像数据溯源信息指标体系 |
| 2.2.1 元数据信息 |
| 2.2.2 路径信息 |
| 2.2.3 操作信息 |
| 2.3 溯源信息编码 |
| 2.3.1 信息编码的基本原则 |
| 2.3.2 元数据信息编码 |
| 2.3.3 路径信息编码 |
| 2.3.4 操作信息编码 |
| 2.4 本章小结 |
| 第3章 基于几何代数的溯源信息融合表达 |
| 3.1 几何代数基础及表达 |
| 3.1.1 几何代数基础 |
| 3.1.2 几何代数表达 |
| 3.2 基于几何代数的溯源信息编码表达 |
| 3.2.1 几何代数模型 |
| 3.2.2 基于几何代数的溯源信息表达 |
| 3.3 基于几何代数算子的溯源信息更新与校验 |
| 3.3.1 溯源信息动态更新与校验机制 |
| 3.3.2 溯源信息更新 |
| 3.3.3 溯源信息校验 |
| 3.4 本章小结 |
| 第4章 面向遥感影像数据溯源的特征标签方法 |
| 4.1 面向溯源的特征标签构建框架 |
| 4.1.1 溯源体系的分层结构 |
| 4.1.2 溯源体系的运行流程 |
| 4.2 面向溯源的特征标签嵌入与提取方法 |
| 4.2.1 溯源信息二维码生成与识别 |
| 4.2.2 溯源信息嵌入方法 |
| 4.2.3 溯源信息提取方法 |
| 4.3 特征标签的抗攻击能力分析 |
| 4.4 本章小结 |
| 第5章 面向溯源的遥感影像数据特征标签系统 |
| 5.1 溯源系统架构设计 |
| 5.1.1 设计思想 |
| 5.1.2 系统架构设计 |
| 5.2 面向溯源的遥感影像数据特征标签系统功能模块设计 |
| 5.2.1 总体功能结构 |
| 5.2.2 子系统功能结构 |
| 5.3 溯源系统功能实现验证 |
| 5.3.1 溯源信息嵌入与动态更新 |
| 5.3.2 溯源信息提取 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 主要研究成果 |
| 6.2 论文特色 |
| 6.3 未来研究展望 |
| 参考文献 |
| 致谢 |
（10）基于多尺度分解的图像融合算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 图像融合技术概况 |
| 1.4 本文的主要研究内容及基本框架 |
| 2 图像融合相关理论和方法以及评价体系 |
| 2.1 多尺度图像融合相关理论 |
| 2.1.1 多尺度融合的一般框架 |
| 2.1.2 多尺度分析 |
| 2.1.3 尺度函数与小波函数 |
| 2.1.4 分解与重构 |
| 2.2 图像融合经典方法 |
| 2.2.1 加权平均图像融合方法 |
| 2.2.2 IHS空间的图像融合方法 |
| 2.2.3 主成分分析的图像融合方法 |
| 2.2.4 基于拉普拉斯金字塔图像融合方法 |
| 2.2.5 基于小波变换的图像融合方法 |
| 2.3 图像融合质量评价方法 |
| 2.3.1 主观评价 |
| 2.3.2 客观评价 |
| 2.4 本章小结 |
| 3 基于导向滤波与显着性的多尺度分解的多聚焦图像融合 |
| 3.1 引言 |
| 3.2 小波分解与重构 |
| 3.3 导向滤波器 |
| 3.4 多聚焦图像融合过程 |
| 3.4.1 图像的小波分解 |
| 3.4.2 低频部分融合方法 |
| 3.4.3 高频部分融合方法 |
| 3.4.4 图像重构 |
| 3.5 实验结果分析 |
| 3.6 本章小结 |
| 4 基于IHS与显着性的多尺度分解的遥感图像融合 |
| 4.1 引言 |
| 4.2 IHS变换 |
| 4.2.1 IHS与 RGB之间的变换 |
| 4.3 多尺度分解 |
| 4.4 遥感图像融合过程 |
| 4.4.1 图像的多尺度分解 |
| 4.4.2 低频信息融合 |
| 4.4.3 高频信息融合 |
| 4.4.4 多尺度重构 |
| 4.4.5 IHS逆变换 |
| 4.5 实验结果分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简介 |
| 学位论文数据集 |
四、基于信息融合的遥感图像处理方法研究（论文参考文献）
- [1]基于深度信息融合的遥感图像多类目标辨识技术[D]. 韩健鸿. 北方工业大学, 2021(11)
- [2]高光谱遥感图像高精度分类方法研究[D]. 黄良. 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), 2021(01)
- [3]基于稀疏表示的去噪声遥感图像融合算法优化[D]. 马晓乐. 北京交通大学, 2020(03)
- [4]基于推扫式星载相机的颤振估计和图像补偿[D]. 张兆祥. 哈尔滨工业大学, 2020(01)
- [5]基于CLIT-FCNN的遥感图像融合算法[D]. 王明丽. 吉林大学, 2020(08)
- [6]基于深度学习的高光谱图像融合分类技术研究[D]. 张蒙蒙. 北京化工大学, 2019(01)
- [7]基于多元局部信息增强的复杂图像分类与目标检测[D]. 赵暐. 西安电子科技大学, 2019(07)
- [8]基于无人机低空遥感的油菜表型信息获取方法研究[D]. 朱红艳. 浙江大学, 2019
- [9]面向信息溯源的遥感影像几何代数信息编码与特征标签方法[D]. 胡靖瑶. 南京师范大学, 2019(02)
- [10]基于多尺度分解的图像融合算法研究[D]. 瞿佩云. 河南理工大学, 2019(07)