论文部分内容阅读
随着遥感技术和传感器技术的发展,多平台、多种传感器、多时相、多光谱、多角度和多种分辨率遥感影像数据正以惊人的数量快速涌来。然而由于各种遥感影像的成像原理和应用目的不同,任何单一传感器获取的影像数据在几何、光谱和空间分辨率等方面存在一定的局限和差异,图像中包含的信息量都是有限的,很难满足实际应用需要。为解决这一问题,多传感器影像数据融合技术应运而生。经过图像融合处理,可以把多种图像传感器对同一场景成像的多个图像融合成一个新的图像,融合图像有效地提高了图像的可信度、可理解性,减少了图像的模糊性,更有利于人的视觉或者计算机进行检测、分类、识别、理解等处理。图像融合技术包含三个融合层次：像素级、特征级和决策级,本文主要针对像素级的图像融合算法进行了研究。文中首先分析了传统融合算法的理论基础,结合实验结果分析了各种算法的优势和局限,在此基础上重点研究了基于IHS变换和小波变换的图像融合方法,并且提出了一种结合小波变换和IHS变换的改进融合算法；其次研究了融合图像的质量评价方法,并对文中实现的各种算法实验结果进行质量评价,实验证明,文中提出的改进方法有效地减少了融合结果的光谱扭曲程度,在提高了图像空间分辨率的同时,更好的保留了多光谱图像的光谱信息。海量遥感数据的方便、快速的获取,使得图像处理显得日益重要,同时对图像处理的精度及速度的要求也越来越高,.这给图像处理技术带来了新的挑战。遥感图像处理是一个数据密集、计算密集的操作,传统的单机模式已经很难满足图像处理所需的数据存储、传输、处理等能力,分布式并行处理系统的出现为解决这一问题带来了希望。该计算系统以其强大的计算能力,独特的灵活性和低廉的成本,成为解决海量数据存储、传输、分析和管理的有力保障。文中分析了传统分布式并行系统存在的问题以及该系统在遥感数据处理领域的应用现状,提出了以Globus网格为分布式并行处理系统平台,构建适合遥感图像数据处理的分布式并行系统。利用网格中间件实现资源动态监测、屏蔽节点异构、优化资源选择以及多机协同计算等功能。本文根据Globus Toolkit的体系结构,安装配置Globus网格开发环境,设计适合的并行模式,实现系统的任务分发和接收等功能模块。最后对单机模式和分布式并行系统模式的实验效率进行比较。实验结果表明,分布式并行系统大大缩短了处理时间,提高了处理效率。因而,基于网格的分布式并行系统是一种能够有效解决适合海量数据存储、传输、快速处理等问题的较好选择。