基于图像变换和迁移学习的薄云覆盖遥感图像地物信息恢复算法研究

摘要

卫星成像装置拍摄的遥感图像常常被云覆盖。利用信息恢复技术获取云覆盖下遥感图像的地物信息，能有效增强遥感图像的清晰度，提高对云覆盖区域地物信息的解译能力。本文针对陆地卫星系列和环境一号卫星获取的薄云覆盖遥感图像，提出了基于图像变换和迁移学习的地物信息恢复算法，主要研究内容与创新如下:
　　1.介绍了陆地系列卫星和环境一号卫星及其图像传感器的基本参数和各波段的主要作用，阐述了遥感图像薄云覆盖区域地物信息恢复的目的和意义，并分析了遥感图像地物信息恢复的国内外现状。
　　2.介绍了遥感图像预处理的相关理论知识，包括遥感图像的大气校正、几何校正以及图像配准，以便于遥感图像的后续处理。
　　3.提出一种基于改进的NSCT和T-SVR的薄云覆盖下遥感图像地物信息恢复算法。首先，利用改进的非抽样Contourlet变换(NSCT)对多源多时相遥感图像进行多分辨率分解;然后对图像分解后的高频部分进行变化检测。对变化的区域，结合目标图像其它波段合成图的低频系数，利用迁移支持向量回归(T-SVR)预测该区域中的低频系数。对于无变化的区域，结合无云参考图像的低频系数，利用T-SVR预测其低频系数。最后重构得到地物信息恢复图像。实验结果表明，所提算法充分利用了遥感图像各个波段的有效信息，地物信息恢复准确度较高。
　　4.提出一种结合M-NDTCWT与T-LSSVR的薄云覆盖遥感图像地物信息恢复算法。首先，利用多方向非抽样对偶数复小波变换(M-NDTCWT)对多源多时相遥感图像进行多分辨率分解，对薄云图像分解后的高频系数进行贝叶斯地物初分类;然后，对每类地物的低频系数通过迁移最小方差支持向量回归模型进行域自适应学习，获取模型参数;最后，利用所获得的迁移回归模型，用无云参考图像的低频系数来预测薄云覆盖图像的低频系数，以去除薄云，恢复薄云覆盖图像的地物信息。实验结果表明，所提算法恢复的地物细节清楚，光谱失真较小。特别对地物季节性变化的薄云覆盖遥感图像，该算法能有效恢复薄云覆盖区域的地物信息。

目录

声明

摘要

第一章 绪论

1．1 研究背景、目的与意义

1．1．1 研究背景

1．1．2 研究目的与意义

1．2 国内外研究现状

1．3 主要研究内容及组织结构

第二章 薄云覆盖遥感图像及其预处理

2．1 薄云覆盖遥感图像

2．2 遥感图像预处理

2．2．1 几何校正

2．2．2 大气校正

2．2．3 图像配准

2．3 本章小结

第三章 基于NSCT和T-SVR的薄云覆盖遥感图像地物信息恢复

3．1 改进的非抽样Contourlet变换

3．1．1 非抽样Contourlet变换

3．1．2 自适应阈值非抽样Contourlet变换

3．2 变化检测算法

3．3 迁移支持向量回归

3．3．1 支持向量机

3．3．2 迁移支持向量回归

3．4 地物信息恢复算法流程

3．4 实验结果与分析

3．5 本章小结

第四章 结合M-NDTCWT与T-LSSVR的薄云覆盖遥感图像地物信息恢复

4．1 多方向非抽样对偶数复小波变换

4．1．1 小波变换

4．1．2 对偶数复小波变换

4．1．3 多方向非抽样对偶数复小波变换

4．2 迁移最小方差支持向量机回归

4．3 遥感图像地物特征提取

4．3．1 颜色特征

4．3．2 纹理特征

4．3．3 形状特征

4．4 基于贝叶斯推理的遥感图像地物分类算法

4．5 地物信息恢复算法流程

4．6 实验结果与分析

4．6．1 模拟数据实验

4．6．2 真实数据实验

4．7 本章小结

第五章 总结与展望

5．1 全文总结

5．2 展望

参考文献

致谢

攻读硕士期间发表的论文

攻读硕士期间参与的科研项目