论文部分内容阅读
遥感图像是各种传感器获取信息的产物，提供了探测对象丰富的光谱信息和空间信息，已被广泛地应用于民用和军事领域。针对现有遥感图像处理方法的一些不足，研究适用于遥感图像特性并且更有效的处理方法，具有重要的理论意义和实际应用价值。本文深入研究了遥感图像处理的若干关键技术，包括匹配、融合、边缘检测、分类和变化检测，主要工作如下：首先，讨论了一种基于Contourlet变换和SURF的遥感图像匹配方法。通过Contourlet变换分解参考图像和待匹配图像，然后利用SURF算法对分解后的低频分量进行预匹配，再通过RANSAC算法剔除错误的匹配点对。实验结果表明，与SIFT算法和SURF算法相比，该算法具有更高的运算速率和匹配精度。然后，研究了一种结合非下采样Shearlet变换和动态WNMF的红外和可见光遥感图像融合方法。利用非下采样Shearlet变换分解红外和可见光图像，对低通子带系数采用动态WNMF融合算法，对带通子带系数采用绝对值取大的融合算法。实验结果表明，该方法均优于NSCT和PCNN方法、NSCT和NMF方法以及Shearlet变换和PCNN方法。其次，提出了一种基于NSCT、各向异性扩散和改进数学形态学的SAR图像边缘检测方法。利用NSCT对图像进行多尺度分解，对低频和高频分量采用不同扩散模型去噪，再利用改进的数学形态学算子提取低频图像的边缘轮廓，采用模极大值方法提取高频图像的细节特征，最后通过加权融合得到整个边缘图像。实验结果表明，该方法与Canny方法、Sobel方法、Prewitt方法和小波模极大值方法相比具有更好的边缘检测性能。随后，讨论了一种基于Log-gabor、Krawtchouk矩和支持向量机的遥感图像分类方法。首先对遥感图像进行Log-gabor变换，提取其纹理特征，再结合Krawtchouk矩提取遥感图像的边缘形状特征，最后利用支持向量机进行分类。实验结果表明，与基于Gabor、Log-gabor、Krawtchouk矩不变量等特征的分类方法相比，该方法具有更高的分类准确性。最后，给出了一种基于小波变换和KICA的遥感图像变化检测算法。利用小波变换分解遥感图像，再对分解后的数据进行KICA分析，分离出变化和未变化分量。再根据变化图像和背景图像在小波域中高频分量的差异，自动分辨出变化分量，解决了ICA方法本身具有的分离结果排序不确定问题，实现了变化检测的智能化。