论文部分内容阅读
随着科技的不断进步,人类能够使用的自然资源探测卫星数量越来越多、种类越来越丰富、性能越来越精良。特别是随着多颗同时搭载多重不同传感器的星载遥感平台的升空,星载遥感数据空前丰富起来。但是,各种传感器仍有其自身的缺陷与性能上的限制。因此,为了在现有条件下获取更丰富、更准确、更有利用价值的遥感信息,遥感图像融合成为了一个研究的热点。 本文首先回顾了遥感图像融合算法的发展历史,以及现阶段主要遥感图像融合算法的原理。对像素级融合、特征级融合以及决策级融合的算法的发展过程进行了概括。 其次,本文分析了所要采取的数据源-星载SAR图像及可见光图像的特性,并根据它们的特点及应用的需要确定了整个的预处理及融合流程。结合数据源的特性以及经典融合算法的思想,就能够确定所要采取的融合算法的性能要求及实现方法。 随后,本文介绍了NMF(非负矩阵分解)这一数据描述与分解算法。与传统的PCA、VQ等与它形似的数据描述工具相比,NMF具有不需监督的局部特征学习这一重要能力。根据前文总结的关于融合算法的要求以及数据源的特点,结合 NMF本身的特长,本文论证了 NMF是适合星载 SAR图像与可见光图像融合的方法。在某些数据有缺陷的情况下,比如光学图像受到天气条件影响无法提供某部分区域数据的时候,为了改善 NMF算法的性能,本文又提出了引入权重限制的改进NMF方法(WNMF),并根据应用需求设计了四个算子用来实现WNMF。 论文的最后给出了预处理以及融合结果。重点在于对传统方法、NMF算法、基于不同算子的WNMF方法的性能比较,并探讨了NMF算法及不同的WNMF算法各自适用的情况。文中的结果证明,NMF及 WNMF均是有效的遥感图像融合方法,在整合不同传感器所提供的独特信息方面表现尤其优秀。灵活运用NMF及基于不同权重算子的WNMF可以为星载遥感图像融合在多种情况下提供良好的性能。