导读:本文包含了遥感图像预处理论文开题报告文献综述及选题提纲参考文献，主要关键词:无人机遥感图像,预处理,畸变校正,直方图匹配
遥感图像预处理论文文献综述
么鸿原,林雪原,王海鹏,李雪腾[1]（2019）在《基于优化导向滤波算法的遥感图像预处理仿真》一文中研究指出针对无人机遥感影像拼接中因图像噪声大、光照差异大、视野中景物存在畸变、图像不清晰等因素影响而导致的图像特征点提取数量少、特征点误匹配率高、拼接效果不理想甚至拼接错误等问题,提出了一种基于优化导向滤波算法的遥感图像预处理算法。上述优化算法包括对原始图像的几何校正、辐射校正、噪声平滑与细节增强等步骤。在仿真阶段,应用上述算法对优化SIFT匹配算法进行改进后发现,改进后的匹配算法在特征提取数目上比起为原算法平均增加了约16%,且图像细节明显增强。实验表明,所提出的优化算法,能够有效减小图像噪声、校正畸变、增强图像细节,使后续的配准拼接工作更加高效准确。(本文来源于《计算机仿真》期刊2019年09期）
李晓峰[2]（2019）在《航空遥感光电图像预处理与目标特征提取技术研究》一文中研究指出遥感技术在近几十年来得到了高速的发展,遥感光电图像资源正成为宝贵的财富。如何科学、高效地处理遥感图像,使之多维度、多信息的优势得到充分发挥,是当前研究的重点。一方面,对于遥感图像预处理的需求依然旺盛。飞行器在高空采集的图像常常受到云雾的干扰,图像质量下降,目标模糊不清晰,不利于测绘、侦察等任务的开展。另一方面,传统的先验特征提取法的目标识别准确率不高,在实际应用场景中起到的作用十分有限。深度学习神经网络的出现给问题的解决提供了新思路。本文基于图像去雾算法和卷积神经网络方法,围绕遥感图像预处理和特征提取技术中存在的问题,开展相关研究,并提出创新:(1)目前基于模型的去雾算法虽然能够从大气散射原理上出发去除云雾,但对于天空等大面积的高亮度区域表现不佳,容易出现亮度过大等失真问题,且图像整体对比度难以调控;基于非模型的方法计算量较小,处理速度更快,但方法适用性不足,无法满足多场景下的效果需求。针对这两种算法的特点,本文提出了基于灰度损失函数的图像去雾算法,改进并设计灰度损失函数模型,将图像去雾前后的灰度进行量化对比,对图像去雾的程度和效果实现定量评价。该算法将模型法与非模型法的特点结合起来,充分发挥图像复原和图像增强方法各自的优势。通过实验数据对比,能够证明本算法对图像去雾具有实际意义。(2)在传统图像特征提取领域,通常基于先验的知识提取图像目标特征,例如纹理、边缘、颜色特征。基于先验的方法占用的计算资源较少,已经能够在部分飞行器等部分机载平台上使用。随着应用需求的不断提高和应用场景的扩大,传统方法已显得不从心。近年来,深度学习神经网络正成为图像特征提取的主流。本文在卷积神经网络现有的研究基础上,提出了轻量化的遥感图像特征提取网络,将图像的深层特征与浅层特征相融合,降低了特征在网络传输中的风险损失。同时,应用传统图像特征提取方法,对图像进行多尺度、多方向Gabor变换,得到Gabor纹理特征向量。将先验特征与卷积神经网络特征有机融合,减轻深层网络带来的计算负担,并有效提升提取到特征的可靠性。通过大量数据集的测试验证,本算法对图像特征提取具有优化提升效果。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
李艺健[3]（2019）在《无人机低空遥感多光谱图像预处理与拼接技术研究》一文中研究指出无人机低空遥感是农田作物长势和生理状况监测的重要手段,但是由于轻小型无人机自身载荷及作业环境的限制,无人机载多光谱相机采集的图像存在失真、画幅小等问题。本论文针对农田遥感多光谱图像存在的失真现象提出了几何畸变校正、渐晕校正和辐射一致性校正方法。论文也对农田无人机遥感多光谱图像的拼接影响因素进行了分析,提出了对应的图像配准、融合以及多图拼接及其累积误差控制方法。具体地,本论文主要研究内容和成果如下:1)使用张正友相机标定法对图像的镜头畸变进行校正,校正后图像角点位置x方向和y方向误差均小于0.070个像素,平均误差仅为0.044个像素,畸变校正效果较好,有助于降低由于畸变造成的图像配准误差。2)将Retinex理论运用于遥感图像的渐晕校正,并针对函数逼近法及多尺度Retinex算法存在的光晕、泛灰和光谱数据失真问题,提出了带光谱恢复的多尺度Retinex算法。该方法通过对遥感图像全局亮度的估计以及光谱恢复因子的引入实现低光谱失真的多光谱图像渐晕校正。将该方法与基于高斯曲面的函数逼近法和多尺度Retinex算法进行对比,结果表明:该方法处理结果不存在光晕、泛灰现象,且在图像清晰度、对比度以及光谱质量上均优于函数逼近法和多尺度Retinex算法,方法具有较好的渐晕校正能力和鲁棒性。3)为了降低遥感图像之间的亮度差异,提出了基于实时照度信息的多光谱图像辐射一致性校正方法。对环境照度与图像DN值之间的关系进行实验分析,提出了辐射一致性线性校正模型和非线性校正模型,并进行实验比较。实验结果表明,非线性校正模型的校正精度优于线性校正模型,但是由于非线性校正效率较低,提出了根据环境照度变化剧烈程度选择线性或非线性模型的策略。4)针对农田遥感多光谱图像分辨率低,对比度低,图像特征点数量少且分布不均匀的问题,结合图像的光谱信息提出了基于主成分图像的SIFT特征检测方法。该方法利用主成分分析法提取多光谱图像中方差最大的主成分图像作为SIFT检测的目标图像,能有效提高农田多光谱图像特征点检测的数量、均匀度和有效性,提高特征点检测的鲁棒性,有助于提高多光谱图像拼接的稳定性。此外,研究了最近邻次近邻比值法的阈值对多光谱图像特征点粗匹配的影响,确定最佳阈值为0.85;对拉普拉斯金字塔融合算法中四种高频和低频规则组合效果进行研究,确定了最佳组合为高频取大规则和低频帽子函数加权平均规则的组合。5)为了消除无人机因素和拼接方法误差因素带来的累积误差,提出了自动优化路径的基于拼接图到拼接图的拼接方法。为了消除空间变换模型带来的累积误差,提出了基于同步采集的高分辨率可见光图像外参对变换模型误差进行修正的累积误差控制方法。针对基于拼接图到拼接图的拼接方法缺陷,使用相位相关法优化图像的特征点检测区域,提高特征点检测和匹配的效率和准确性,进一步减小拼接误差。(本文来源于《浙江大学》期刊2019-04-01）
吴诗婳[4]（2017）在《遥感图像预处理与分析方法研究》一文中研究指出随着遥感技术的飞速发展,利用卫星遥感和航空遥感等方式实时获取的地物图像为人类认识整个地球表面的地貌、地况提供了可靠、高效的数据保障。因此,对遥感图像预处理与分析方法进行研究具有重要的理论意义和实际应用价值。本文在前人工作的基础上,深入研究了目前遥感图像预处理与分析领域中涉及的若干关键技术,包括遥感图像增强、遥感图像分割与边缘提取、遥感图像匹配以及遥感图像融合,主要工作如下:首先,研究了一种基于人工蜂群优化的无下采样Shearlet变换(Non-subsampled Shearlet Transform,NSST)域引导滤波遥感图像增强方法。先利用NSST将遥感图像分解成高频分量与低频分量,对遥感图像的高频分量进行非线性增益函数变换,在增强边缘及细节的同时抑制噪声;再通过引导滤波增强低频分量,避免引导滤波在增强过程中易造成噪声放大的问题;最后,由处理后的高频分量和低频分量重构出增强后的遥感图像。考虑到引导滤波中的盒滤波半径与正则化参数对增强结果有较大影响,采用了人工蜂群优化算法搜索其最佳值,确保增强结果达到最优。大量实验结果表明,该方法在改善遥感图像主观视觉效果以及提高遥感图像清晰度、对比度等方面表现出色,与近年来提出的4种增强方法相比有明显优势。然后,提出了一种基于人工蜂群优化的倒数灰度熵多阈值选取与改进Chan-Vese(CV)模型相结合的合成孔径雷达(Synthetic Aperture Radar,SAR)图像河流分割方法。考虑SAR图像中河流目标和背景类内灰度的均匀性,提出基于人工蜂群优化的倒数灰度熵多阈值选取方法,以此对河流图像进行粗分割;针对基本CV模型收敛速度低、对初始条件敏感的问题,利用图像边缘强度取代Dirac函数,将粗分割结果作为改进CV模型的初始条件,对河流图像进行细分割。大量实验结果表明,所提出的分割方法无需设置初始条件,运行速度快,分割精度高。其次,实现了一种基于NSST模极大值和改进数学形态学的遥感图像目标边缘提取方法。首先采用NSST将遥感图像分解成边缘细节丰富的高频分量和边缘细节较少的低频分量;然后结合不同分解程度下边缘像素点处的系数关系,对高频分量的各个子带进行模极大值检测,再经过双层掩膜筛选后得到高频边缘提取结果;对低频分量采用改进的数学形态学方法得到低频边缘提取结果;最后将上述两部分进行融合,使用区域连通方法去除孤立点,得到最终的目标边缘图像。大量实验结果表明,与Canny方法以及近年来提出的同类边缘提取方法相比,该方法所得边缘定位准确、完整清晰、细节丰富,且抗噪能力强。再次,提出了一种基于小波域布谷鸟搜索和Krawtchouk矩不变量的遥感图像匹配方法。先分别对基准图像和待匹配图像进行小波变换;再对两幅遥感图像分解后高尺度下的低频分量进行粗匹配;最后根据粗匹配结果反演至低尺度下的低频分量,逐层求精,完成遥感图像的精匹配。在匹配过程中,以Krawtchouk矩不变量作为匹配特征,以布谷鸟算法作为智能优化策略搜寻最佳匹配点,最终实现遥感图像的匹配。大量实验结果表明,与其它4种常见的图像匹配方法相比,该方法表现出在匹配精度和速度上的优势,且可以抵抗噪声和一定旋转角度的变化。最后,提出了一种利用基于图的视觉显着(Graph Based Visual Saliency,GBVS)模型和引导滤波的遥感图像融合方法。首先对多光谱图像进行亮度-色度-饱和度(Intensity Hue Saturation,IHS)变换,得到I分量,并利用均值滤波提取I分量、全色图像的平滑图像和细节图像;然后,利用简化GBVS模型对I分量和全色图像进行显着图比较,分别得到两种图像的初始权重图;再采用引导滤波优化初始权重图,获取两种图像的平滑权重图和细节权重图,并依据上述权重图分别融合两种图像的平滑信息和细节信息;最后对融合后的平滑图像和细节图像进行加权融合得到新的亮度分量,经IHS逆变换后得到最终的融合结果。大量实验结果表明,与基于IHS变换以及4种近年提出的遥感图像融合方法相比,该方法所得到的融合结果同时具有最丰富的空间信息和最优的光谱质量,在主观视觉效果及空间频率、相关系数等客观定量评价指标上均优于其它方法,且运行时间大大减少。(本文来源于《南京航空航天大学》期刊2017-03-01）
孙彦子[5]（2017）在《基于Zynq的多光谱遥感图像的预处理》一文中研究指出静止气象卫星属于一种专门的遥感卫星,负责全天候的气象观测工作。根据它拍摄的卫星云图,可以对灾害性天气进行监测与预警,保障人民群众的生命及财产安全。由于多光谱遥感图像数据量巨大,因此对多波段的红外图像进行分类前的压缩、融合预处理,对于提高云图的分辨率,缓解传输压力,增强夜间探测能力,具有现实意义。通过对多光谱遥感图像的特性分析,发现各波段的红外云图具有一定的相关性,且分辨率低、边缘模糊。从数据的压缩、融合角度考虑,本文选择K-L变换及小波变换两种方法进行预处理研究。通过Matlab编程实现两种变换算法,综合图像的视觉效果和定量指标,比较得出K-L变换能够有效地提取相关性较低的云朵信息,且与同时段可见光云图最接近;小波变换则更多地保留源图像细节信息,适用于预处理后的云图结构分析。因此,K-L变换更适合于红外云图的预处理。本文是在Xilinx公司的Zynq平台上,采用软硬件协同设计的方法实现多通道图像数据的K-L变换。在K-L IP核的设计过程中,采用C语言编程实现K-L变换算法,经VivadoHLS工具综合后,优化生成相应的IP核。经过C/RTL协同仿真验证可知,由C语言转化的RTL级代码准确无误,最后完成IP核的封装工作。完成K-L IP核的设计后,在Zedboard开发板上进行测试。基于Zynq的多光谱遥感图像预处理系统包含图像的采集、数据的缓存、算法的处理以及预处理后数据的传输四部分。经过实验验证,采用K-L变换对叁幅分辨率为640×480的图像进行一次预处理操作,PC纯软件大约需要5000毫秒,而Zynq软硬件协同实现仅需要91毫秒,速度大幅提升。基于Zynq的多光谱遥感图像的预处理技术,具有实时、高效、便利的优点,在航空航天领域的研究和应用中具有广阔的前景。(本文来源于《东华大学》期刊2017-02-25）
马冰冰,李宏超[6]（2015）在《基于ERDAS的遥感图像预处理》一文中研究指出卫星遥感数据是地理信息系统数据库的重要组成部分,以此为基本数据源,根据其属性信息建立数据解译标志,在地理空间数据的获取与更新中发挥着重要作用。该文在介绍Erdas软件的基础上,重点研究了其作业过程当中的几个主要的技术环节,包括影像几何校正、影像镶嵌、影像裁切。(本文来源于《安徽农学通报》期刊2015年20期）
沈雪冰[7]（2015）在《高光谱遥感图像的预处理和分割关键技术研究》一文中研究指出高光谱图像分割技术是高光谱图像分析和理解的基础,准确的图像分割有利于后续的分类、识别、感兴趣区域的提取等操作。此外,由于高光谱图像的高维特性使得传统的图像分割技术不能够用于高光谱图像的分割,因此高光谱分割技术的研究具有实际的价值。直接对高光谱原始图像进行处理,存在数据量庞大,信息冗余度高、计算效率低等问题,需要对高光谱图像进行降维预处理。高光谱图像存在条带噪声,在特征提取降维后会变得更突出,严重影响了后续高光谱图像的分析与理解,所以在降维前需要消除条带噪声。本文针对高光谱遥感图像,在条带噪声的去除、降维和图像分割叁个方向进行了研究。在高光谱图像去噪方面,应用传统矩匹配法虽然可以有效去除条带噪声,但是对于非平坦区域,图像存在“带状效应”,即图像从整体上表现出一种时暗时明的不连续性。本文提出了基于改进S-G滤波的矩匹配方法,有效去除条带噪声的同时,解决了传统矩匹配法的“带状效应”。对于地物均匀分布和地物非均匀分布状况下的高光谱图像,都能够有效地去除条带噪声,较好地保持了原始图像信息,提高了图像质量。在高光谱图像降维方面,提出了分段金字塔融合的降维方法。首先,通过计算波段间相关系数将其划分为若干个波段组。在波段分组的基础上,采用金字塔图像融合的策略实现高光谱图像的降维,减少高光谱数据之间的冗余,合并不同波段的互补信息,利于后续的分割处理。基于金字塔分解的图像融合过程,通过低频图像的波段指数加权融合和高频图像的局部能量取最大值融合,使得不同波段组降维结果相关系数较小的同时,避免了直接加权融合造成图像模糊的问题。针对高光谱图像的分割问题,提出一种基于分数阶粒子群算法(FODPSO)和区域合并的图像分割方法。在上述分组降维的基础上,采用FODPSO算法计算各波段组降维图像的最佳分割阈值,实现高光谱图像的分组分割。然而根据分组分割得到的高光谱图像初始分割结果往往存在过分割现象,区域之间仍然存在许多相似性,且分组分割时仅考虑了像素的光谱值,使得光谱值相近但空间上不相邻的区域被划分为同一区域中。为了得到更准确的分割区域,结合高光谱图像的光谱特性和区域邻接关系提出一种新的区域合并策略,对初始分割结果进行区域合并,得到图像最终的分割结果。经过上述步骤,有效实现了高光谱图像的分割。(本文来源于《南京邮电大学》期刊2015-04-01）
董明,贺景峰[8]（2014）在《遥感图像预处理方法在阿拉善右旗地区的应用》一文中研究指出本文讨论了阿拉善右旗ETM数据的特点。应用大气校正方法对阿拉善右旗ETM数据进行了数据校正和配准,通过对校正方法和矫正过程中遇到的问题进行讨论,总结出对阿拉善地区ETM遥感影像图进行校正时如何准确进行矫正的方法及经验。(本文来源于《内蒙古煤炭经济》期刊2014年10期）
曹玲玲[9]（2011）在《遥感图像快速预处理方法的研究与实现》一文中研究指出随着人类科技的发展,人类进入了一个全新的数字化时代,遥感技术也随之兴起。目前遥感技术已经广泛地应用到了国家和社会的方方面面,同时它所带来的数据的海量程度和复杂程度也是空前的,这些应用对数据的可靠性要求也越来越高。图像是人类认识世界和自身的重要源泉,其包含了很多重要信息,遥感图像处理是数字图像处理的一个重要分支。遥感图像在成像过程中受到诸多外界因素的干扰,从而造成几何畸变,影响了图像的使用质量,因此要对其进行几何精校正,同时对遥感图像的快速处理也是急待解决的问题,并行技术是解决图像快速处理的有效途径。本文首先将遥感图像分割成若干块,利用进程模拟并行算法进行几何精校正,并且在每个进程所处理的图像块的边缘处冗余若干行,以避免进程间的通信,在图像像元重采样时采用行列分离方法,经过试验验证了该方法能够实现在保证几何校正精度的同时加快了图像的处理速度。特征是相当于某个或某些像元的邻域表现出的一种结果性质,可以保持平移、旋转不变性。基于特征的匹配具有较高的可靠性和稳定性。由于SIFT特征点检测方法提取遥感图像的特征,传统的16×16高斯加权范围特征点描述子形成128维SIFT特征向量,加大了特征匹配时的计算量,本文使用圆环有效地使特征向量的维数减少到36维,然后使用欧氏距离进行特征的匹配,最后采用RANSAC剔除误匹配对,用最小二乘法拟合两待匹配图像间的变换关系,像元重采样时同样采用行列分离方法,经过试验验证了该方法能够有效地提高配准的效率。(本文来源于《中北大学》期刊2011-05-20）
任瑞治[10]（2011）在《MODIS卫星遥感图像预处理方法研究》一文中研究指出本文在研究MODIS传感器特点的基础上,对MODIS图像预处理过程中常见的问题：条带噪声,图像弯弓效应,云干扰等问题进行了深入研究,探讨了问题存在的原因,在总结现有研究的基础上提出了相应的解决方法。主要研究内容与成果如下：1.针对图像中的条带噪声,提出了一种基于分块最佳线性预测器的条带噪声去除方法,该方法优于目前常用的去条带方法,不仅能有效地去除条带噪声,而且保存了图像原有的大部分信息。2.针对图像弯弓效应(Bowtie效应),本文提出了一种快速的基于星历表数据去除Bowtie效应的高效算法,该方法在消除图像Bowtie效应的同时完成了对重迭的经纬度数据的纠正。3.针对薄云对图像的影响,本文提出了一种对MODIS遥感图像薄云检测和消除的有效方法,该方法在检测薄云位置的基础上,仅对有云的区域进行薄云去除,而不改变无云区域的图像。4.为了消除厚云对遥感图像的影响,本文提出了一种自动、有效的厚云去除方法。该方法能够有效的去除厚云对光谱图像的影响,较好地恢复厚云遮挡的地物的光谱信息。(本文来源于《吉林大学》期刊2011-04-01）
遥感图像预处理论文开题报告
（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：
遥感技术在近几十年来得到了高速的发展,遥感光电图像资源正成为宝贵的财富。如何科学、高效地处理遥感图像,使之多维度、多信息的优势得到充分发挥,是当前研究的重点。一方面,对于遥感图像预处理的需求依然旺盛。飞行器在高空采集的图像常常受到云雾的干扰,图像质量下降,目标模糊不清晰,不利于测绘、侦察等任务的开展。另一方面,传统的先验特征提取法的目标识别准确率不高,在实际应用场景中起到的作用十分有限。深度学习神经网络的出现给问题的解决提供了新思路。本文基于图像去雾算法和卷积神经网络方法,围绕遥感图像预处理和特征提取技术中存在的问题,开展相关研究,并提出创新:(1)目前基于模型的去雾算法虽然能够从大气散射原理上出发去除云雾,但对于天空等大面积的高亮度区域表现不佳,容易出现亮度过大等失真问题,且图像整体对比度难以调控;基于非模型的方法计算量较小,处理速度更快,但方法适用性不足,无法满足多场景下的效果需求。针对这两种算法的特点,本文提出了基于灰度损失函数的图像去雾算法,改进并设计灰度损失函数模型,将图像去雾前后的灰度进行量化对比,对图像去雾的程度和效果实现定量评价。该算法将模型法与非模型法的特点结合起来,充分发挥图像复原和图像增强方法各自的优势。通过实验数据对比,能够证明本算法对图像去雾具有实际意义。(2)在传统图像特征提取领域,通常基于先验的知识提取图像目标特征,例如纹理、边缘、颜色特征。基于先验的方法占用的计算资源较少,已经能够在部分飞行器等部分机载平台上使用。随着应用需求的不断提高和应用场景的扩大,传统方法已显得不从心。近年来,深度学习神经网络正成为图像特征提取的主流。本文在卷积神经网络现有的研究基础上,提出了轻量化的遥感图像特征提取网络,将图像的深层特征与浅层特征相融合,降低了特征在网络传输中的风险损失。同时,应用传统图像特征提取方法,对图像进行多尺度、多方向Gabor变换,得到Gabor纹理特征向量。将先验特征与卷积神经网络特征有机融合,减轻深层网络带来的计算负担,并有效提升提取到特征的可靠性。通过大量数据集的测试验证,本算法对图像特征提取具有优化提升效果。
（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。
遥感图像预处理论文参考文献
[1].么鸿原,林雪原,王海鹏,李雪腾.基于优化导向滤波算法的遥感图像预处理仿真[J].计算机仿真.2019
[2].李晓峰.航空遥感光电图像预处理与目标特征提取技术研究[D].哈尔滨工业大学.2019
[3].李艺健.无人机低空遥感多光谱图像预处理与拼接技术研究[D].浙江大学.2019
[4].吴诗婳.遥感图像预处理与分析方法研究[D].南京航空航天大学.2017
[5].孙彦子.基于Zynq的多光谱遥感图像的预处理[D].东华大学.2017
[6].马冰冰,李宏超.基于ERDAS的遥感图像预处理[J].安徽农学通报.2015
[7].沈雪冰.高光谱遥感图像的预处理和分割关键技术研究[D].南京邮电大学.2015
[8].董明,贺景峰.遥感图像预处理方法在阿拉善右旗地区的应用[J].内蒙古煤炭经济.2014
[9].曹玲玲.遥感图像快速预处理方法的研究与实现[D].中北大学.2011
[10].任瑞治.MODIS卫星遥感图像预处理方法研究[D].吉林大学.2011