论文部分内容阅读
进入航天时代以来,卫星遥感在测绘、基建、交通、农林牧业等领域拥有越来越大的市场份额。基于主动微波成像机理的合成孔径雷达(Synthetic Aperture Radar,SAR)传感器全天候成像,图像对土壤和水体的穿透性以及无视气候条件干扰的特性使得对SAR数据的处理越来越受到重视。基于光反射的光学卫星图像则具有丰富的光谱信息,在各种常规监测领域中占据主流地位,但是很容易受到外界条件的干扰。本文以SAR和可见光影像为研究对象,从多源图像融合领域出发进行研究,总结出SAR和可见光融合算法仍旧存在不足,融合图像存在光谱失真和细节信息丢失的问题。对多源图像融合算法进行了深入研究,主要研究内容分为以下几个方面。(1)总结现阶段多源图像融合算法的不足和改进的方向,归纳卷积神经网络用于多源图像融合上的优势;对SAR和可见光融合图像的性能要求进行分析,选择主观视觉和适合的客观指标联合评价的方式对融合后图像进行全面评价;针对SAR和可见光图像的特性,总结归纳出SAR和可见光图像的融合预处理过程。(2)将图像超分辨率重建算法代替插值法用于可见光图像的重采样,通过比较不同模型的超分辨率重建算法,选择结合优化模型和判别式学习的卷积神经网络图像超分辨率重建(Convolutional Neural Network Image Reconstruction,IRCNN)模型用于可见光图像的超分辨率影像增强。基于遥感图像信息量大、细节信息多的特性,对IRCNN模型进行了改进。图像增强结果显示,基于改进的IRCNN模型的输出图像在边缘保持度和图像整体清晰度上要优于其他超分辨率模型。(3)提出一种基于卷积神经网络的SAR和可见光图像融合算法。该算法利用卷积神经网络强大的特征提取能力充分提取SAR和可见光影像上的有效信息,然后使用区域能量最大的融合策略将SAR和可见光影像中有效信息进行了融合。将本文算法与另外6种融合算法输出图像进行比较,通过客观指标和主观视觉对各个融合算法的输出图像进行分析。结果显示,本文算法在图像的光谱保持以及细节和纹理的信息量上有较好的表现。