简介:关于图像融合方面的论文题目、论文提纲、图像融合论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文。
(广东省林业调查规划院 广州 510520)
摘 要:多传感器遥感图像是应用非常广泛的一种地理信息载体,它在提高遥感精度和容量方面有着明显的优势.本文针对遥感图像的融合算法进行研究,使用小波分析和基于BP神经网络的图像分层技术解决尺度分解和梯度分层等问题.
关键词:多传感器 遥感图像 图像融合
中图分类号:TN919.8 文献标识码:A 文章编号:1672-3791(2012)03(b)-0018-02
随着传感器技术的快速发展,各种传感器信息系统也出现快速增加的趋势.同时,对于传感器信息的处理技术也随之提高,尤其是应用广泛的遥感图像处理技术,已经成为学科研究的热点.通过对多传感器遥感图像的修正、融合及提取等方法,使得遥感图像的应用范围得到极大地拓展.
1. 多传感器遥感图像融合的概述
多传感器遥感图像是一种多种信息源的载体,通过信息融合,可以将通过不同工具采集到的图像信息集成在一张遥感图像上.遥感图像的融合技术使用多层次、多级别的处理方法提高了信息的维度和容量,这些技术包括检测、关联、拼合、估算以及整合等精确的处理方法,使其得到的遥感图像能够达到抗干扰、稳定的科学数据载体.
图像融合算法:9-图像融合
遥感图像的融合使用的算法主要是将多张图像按照一定的规则进行整合,使得最终形成的图像可以从不同的层次提取相应的数据,一般包括了三个层次,即像素层次、特征层次和决策信息层次.针对每一个层次的处理都有很多算法,本文主要研究使用小波分解图像,并使用BP神经网络进行图像融合.
2. 基于小波分解的图像融合
小波变换方法是利用小波分析的特点对图像进行多种尺度的分解,可以扩展图像的分辨率范围,同时由于小波分解能够达到非冗余分解,因此将图像分解后不会产生爆炸性的容量增长,使其变化的范围不是太大.通过小波分解,可以借助小波的方向性特点将方向各异的高频分辨率图像分别提取出来,增强融合图像的视觉效果.
2.1 小波变换及图像的小波分解
由于小波分析可以很好地对有时域和频域特征的问题进行局部化分析,并且可以将高频数据进行精细化处理后提取比较完整的分量数据,因此小波分析被广泛地应用在图像处理和场量处理领域.
对于二维信息来说,小波分解可以用如图1所示的示意图来理解.
分解前的图像被定义为第一层图像LL0,被第一次分解为水平方向上的图像LH0,垂直方向上的图像HL0以及斜对角线上的图像HH0.继续分解第二层图像LL1,被分解为水平方向上的图像LH1,垂直方向上的图像HL1以及斜对角线上的图像HH1.以此类推,继续分解第二层图像LL2,被分解为水平方向上的图像LH2,垂直方向上的图像HL2以及斜对角线上的图像HH2.通过分解,原始图像在各个层次(频率)和方向特征都得到各自的子图像.最终形成小波金字塔形状的层次图像.
2.2 图像的融合算法及改进
由小波分解得到的图像进行融合时,按照如图2所示的方法进行.
对于图像A和图像B来说,融合得到图像为图像F,要融合这两幅图像的时候,要进行如下步骤的处理.
首先,按照小波塔形分解的方法对每一源图像进行小波变换,然后针对每一个分解层进行融合,融合的方法按照每层上的频域分量,使用小波算子进行融合,目标是得到该层的小波金字塔,其次对于最终的小波金字塔进行小波逆变换,变换后得到的图像就是重构的融合图像.
本文针对以上图像融合算法的思路,在BP神经网络算法的基础之上,结合变尺度算法(DFP)进行图像的融合实现,目的在于借助BP神经网络算法的收敛速度提高融和效率.通过研究可以知道,BP神经网络在进行图像融合处理时,采用的是负梯度方法,但是当梯度下降到一定程度时,寻找融合结点的边缘呈现锯齿状,并且跌代次数会大大增加,时间消耗也随之增长.因此,当使用BP神经网络算法融合图像后,在后期采用DFP算法,以提高融合收尾工作的效率.
在传统的DFP算法中,需要不断地进行权值修正,并且在图像融合初期采用BP神经网络方法,大大缩减了每次跌代的算法复杂度,因此在DFP算法中修正权值时仍然按照负梯度方向进行,即梯度递增公式为:
在公式中,为学习因子,为误差函数.
因此权值修正公式可以表示为:
其中使用矩阵[7]进行存储,并定义单位矩阵为的初始值,故可以计算:
将上述分解因子代入梯度递增公式,可以得到:
根据BP神经网络的性质,结合DFP算法的特点,在改进算法中,可以进行如下改进.
定义为算法的输入和输出项,其中取自然数集,对于第个样本来说,其输出为,并且在考虑到第个神经元的输出,神经元的总体输入可以表示为,,可以利用神经函数表示.其中使用BPF算法中的权值表示,即:
其中误差函数定义为:
神经网络的全局误差定义为:
改进融合算法迭代时,可以根据当前考虑待融合的像素区域,作为学习样本的输入,按照如下步骤进行处理.
第一步:初始化样本空间的权值,取之间的随机数为矩阵中初始化,即.
第二步:将样本作为神经元的输入,计算神经网络函数.
第三步:通过训练计算学习因子,当神经元为输出单元时, ,当神经元为隐层单元时, .
第四步:按照梯度递增公式计算梯度修正值,即.
第五步:判断输入是否结束,如果未结束,跳转到第二步,否则算法结束.
3. 实验及分析
由于BP神经网络的建立需要在实验中确定网络中的各个参数,因此为了能够得到较为合理的参数,本实验采用试探性的建模,将问题简单化,选取带有两个隐层的BP网,并且每个隐层包含三个神经元,其学习速率均为0.11,动量因子为0.062.结合遥感图像的特点,选取图像中六个光谱参数作为计算对象,因此网络采用论文范文矢量,即,初始化时,记,.由于神经网络的存在拒绝上限,本实验设置为0.86,是比较适合对图像处理的阈值.
本实验选用珠三角某地区多谱图像进行融合,试验结果如图3,图4,图5所示.
通过试验分析,对多光谱空间样本区域进行小波分解后,由于中心区域样本存在离散特点,使得使用BP神经网络融合后出现了部分空值的情况,主要是将BP网中心区域样本选取法对检验样本分类精度设置的不准确,但是总体效果较为合理,大大提高了融合的效率.
4. 结语
本文利用小波分析方法对遥感图像进行处理,并使用改进的BP神经网络对图像进行融合,在图像融合初期采用BP神经网络方法,大大缩减了每次跌代的算法复杂度,在后期利用改进的梯度修正方法调整权值,提高了图像融合的效率.
参考文献
[1] 宁书年,吕松棠,杨小琴,等．遥感图像处理与应用[M].地震出版社,2010:39,45．
[2] 郁文贤,雍少为,郭桂蓉．多传感器信息融合技术述评[J]．国防科技大学学报,2011,16(3):1～8．
[3] R．C．Luo,Michael G．Kay．Multisensor Integration and Fusion in Intelligen Systems．IEEE Trans on System and Cybernetics,2009,19(5):901～931．
[4] E．J．Kaminsky,H．Barad,W．Brown．Textural Neural Network and Version Space Classifier for Remote Sensing．2010,18(4):741．762．
[5] J．A．Benediktsson,P．H．Swain,O．K．Ersoy．Neural Network Approaches Versus Statistical Methods in Classification of Multisource Romote Sensing Data．IEEE Trans on Geoscience and Remote Sensing,2011,28(4):540～552．
[6] Sebastiano B．Serpico,Fabio Roli．Classification of Multisensor Remote Sensing Images by Structured Neural Networks．IEEE Trans on Woodcock ART Neural Networks for Remote Sensing:Vegetation Classification from Landsat TM and Terrain Data．IEEE Trans on Geoscience and Remote Sensing,2010,33(3):562．578．
[7] Justin D．Paola,Robert A．Schowengerdt．A Detailed Comparison of Backpropagation Neural Network and Maximum-Likelihood Classifiers for Urban Land Use Classification．IEEE Trans on Geoscience and Remote Sensing,2011,33(4):981～996．
总结：本论文是一篇免费优秀的关于图像融合论文范文资料，可用于相关论文写作参考。
图像融合算法引用文献:
[1] 图像融合和图像深度硕士论文开题报告范文 图像融合和图像深度相关毕业论文题目范文5000字
[2] 图像融合专科毕业论文范文 图像融合有关本科论文怎么写2万字
[3] 无人机和图像融合论文参考文献范文 无人机和图像融合类硕士学位论文范文2万字
