论文部分内容阅读
遥感图像融合技术旨在将含有互补信息的多源图像进行结合,从而得到内容更丰富、光谱质量更高的单幅图像,这有利于提高目标分类和地物识别的精度,因此具有非常重要的现实意义和应用价值。目前国内外研究者针对多光谱图像融合问题从多个角度设计了多种算法模型,并取得了不错的效果,但这些方法也存在着重模型轻优化、适用范围不明确等问题。基于此,本文设计了三种遥感图像融合模型,并采用了四种优化方法对其优化,以试图为不同实际应用问题设计针对性算法。具体工作如下:(1)本文首先提出了一种基于ADMM优化的变分pan-sharpening方法(PADMM)。该方法将光谱一致性、空间信息保持、图像低秩性三个假设合并到一个能量框架中,设计了一种新的融合模型,然后采用非智能优化算法ADMM对其进行快速求解。实验表明该方法不仅可以提高融合图像的质量,而且效率高,适合为灾后紧急救援等时效性工作提供可靠的数据服务。(2)针对PADMM方法存在着参数需人工设置等问题,本文将IHS空间变换与导向滤波和粒子群等算法相结合,提出了IHS演化方法(EIHS)和全色自适应方法(PAIHS)。EIHS方法通过设计简洁的染色体、合理的适应度函数,将问题统计特性作为启发式信息加入到进化算子的设计中,并采用组合差分进化算法(Co DE)对其进行优化,实验表明EIHS能获得较为理想的融合效果。PAIHS方法在EIHS的基础上,利用导向滤波技术对图像的边缘和纹理等信息进行边缘保持和增强处理,然后采用计算效率更高的粒子群算法(PSO)进行优化。实验结果表明PAIHS方法获得的融合图像质量比EIHS方法更好。(3)前述三种方法(PADMM、EIHS、PAIHS)都获得了不错的融合质量,但都基于单一模型优化来获得融合图像,并没有考虑多个模型相结合的优势。基于此,本文最后提出了一种基于多目标优化的pan-sharpening方法(MIHS)。在MIHS方法中,首先提出了两个优势互补的融合模型,然后采用改进的NSGAII算法对其进行优化。实验结果表明MIHS比EIHS、PAIHS和其它主流融合方法具有更为可观的融合质量,但它的平均运行时间也是这些方法中最长的。因此,MIHS方法不适合为灾后紧急救援等时效性要求高的工作提供数据服务,但适合为要求计算智能化的灾后分析、灾后评估和灾后重建等非时效性工作提供更为精准、更为可靠的数据服务。本文研究内容可为遥感图像融合提供新的模型和技术支持,为灾后紧急救援、灾情分析和灾后重建等工作提供新的理论和数据支撑,同时也为遥感图像融合技术在地质灾害中的应用打下基础。