一、一种高分辨力遥感图像星上压缩方案（论文文献综述）
于野[1]（2020）在《基于人工智能的光学遥感在轨船舶检测技术研究》文中研究指明近年来,遥感对地观测技术发展迅猛,涌现出大量高分辨率的光学遥感卫星,促进了空间遥感技术在军事、国民经济、世界环保等诸多领域的应用。舰船作为重要的海上交通运输工具装备,对其进行智能检测和识别显得尤为重要,能否在短时间内迅速确定遥感影像中船舶数量以及其位置等信息,对于海上交通监管和我国对外贸易发展有着极其重要的意义。然而,随着航天器的空间、时间、光谱等分辨率及对地观测幅宽的提升,遥感数据量呈指数级增长,但相应的遥感数据处理技术却进步缓慢,对遥感图像船舶目标的检测与识别还滞留在简单的数据处理甚至是人眼观测的方式,处理效率十分缓慢,这也是现今制约空间遥感技术应用的主要矛盾。因此,研究快速且有效的遥感图像在轨船舶检测技术对我国航天航空领域具有重要的价值。基于以上分析,本文提出了光学遥感卫星在轨船舶检测模式,利用基于深度学习的人工智能技术,在轨对遥感图像进行快速处理,获取船舶目标信息后,可通过卫星组网或中继卫星,快速将结果发送到地面接收端。处理后的数据量大大降低,可将原始的数十GB量级降低至KB,甚至B量级,地面可采用小型化的接收装置,即可实现数据接收。在此背景下,本文开展了基于人工智能的光学遥感图像在轨船舶检测技术的研究,研究主要归纳如下:1.显着目标是图像中最能引起人们兴趣、最能表现图像内容的区域。视觉显着性已经广泛应用于目标检测、跟踪等计算机视觉任务,但对于背景复杂度极高的遥感图像,传统显着算法难以提取有效目标。本文分别从视觉显着性的研究意义、方法原理、基本模型架构及其在光学遥感图像目标智能检测的应用展开深入研究,提出了一种基于显着性特征的神经网络模型（A-FPN）,利用显着性机制引导卷积神经网络模型的学习路径,增益有效区域特征,抑制背景信息,提高网络性能。此外,考虑到实际在轨应用对算法计算量的要求,本文对A-FPN网络展开了模型轻量化裁剪与优化设计,提高了算法的实际应用价值。实验结果证明,该模型能够从复杂背景下,准确且快速提取有效目标信息,十分适用于遥感图像船舶目标检测。2.光学遥感卫星在轨船舶检测技术需要考虑卫星平台计算能力和功耗使用情况,因此卫星在轨船舶检测算法需同时具备稳定性、准确性与计算的简易性。然而遥感图像尺寸极大,现有的基于神经网络的目标检测模型难以直接检测遥感目标,需要对遥感图像进行冗余的裁剪,然后分块处理,这样会导致算法时间复杂度受到图像尺寸的严重制约,尽管可以对网络进行裁剪或通过设计技巧来降低模型复杂度,也无法从本质上解决图像尺度带来的问题。因此,本文提出一种基于人工智能的船舶检测方法,首先利用集成学习方法实现无尺度限制的船舶快速搜索,解决了遥感图像尺寸受限的问题,然后设计了一种深度卷积神经网络的船舶鉴别算法,对船舶搜索得到的目标切片进行筛选,确认真实的船舶目标,最后为降低算法的计算时间复杂度,采用模型优化方法,在MobileNet的基础上,对模型进行裁剪与优化,在保证船舶检测精度的情况下,降低了算法的复杂度,提高了模型的可用性。3.在船舶目标搜索阶段,本文提出一种改进的AdaBoost算法,为提取出全部船舶目标区域切片,本文调整了AdaBoost算法的样本权重更新规则,新AdaBoost模型不在只关注错误分类样本,而是根据正样本即船舶目标的分类情况实时调整模型训练方向,降低在船舶搜索阶段的漏检率。另外,对于港口区域船舶检测,考虑到人工建筑对机器学习算法具有较大干扰,本文针对港口的建筑特点,提出一种基于Harris角点的快速海陆分割方法,无需手工标记和辅助信息,具有较高的鲁棒性。4.考虑到船舶搜索后,仍会存在与船舶相似的干扰物,需设计船舶鉴别算法,降低船舶检测的虚警率。本文针对遥感图像船舶目标的成像特点,提出一种基于卷积神经网络的局部特征提取方法,再利用多特征融合技术,设计出一种高识别精度的神经网络模型,实现由粗到精的光学遥感图像船舶快速检测与识别。5.光学遥感图像在轨船舶检测具有重要的实际应用价值,在算法设计过后,需要通过实际工程验证其可行性。本文根据光学遥感卫星在轨处理算法和整星平台设计,提出了基于高性能商业FPGA和GPU的星载船舶检测处理架构,并对卫星在轨船舶检测算法进行嵌入式部署,FPGA负责接收相机前端数据并将其传入后端处理,后端处理器的核心模块为多核GPU,加速了船舶检测算法中的卷积操作。最后将本文的船舶智能检测系统搭载于吉林一号高分03A星进行在轨验证,测试结果表明,本文算法与所设计的硬件平台均可满足光学遥感卫星在轨船舶检测要求。综上所述:本文对光学遥感图像在轨船舶自动检测与识别所涉及的理论知识展开了深入研究,分析了星上在轨船舶检测面临的主要问题与挑战,提出了相应的基于人工智能技术的解决方法,本文的研究成果大幅提升了光学遥感卫星在国民经济、灾害预警及国防建设等诸多能力,对航天航空领域具有重要的借鉴意义。
吴凌云[2]（2020）在《基于空谱联合的高光谱目标检测算法研究》文中研究说明高光谱遥感图像在获取地物丰富精细的光谱信息的同时也包含物体的空间结构信息,能发现很多在全色图像和多光谱图像中难以检测到的地物目标,在军用和民用领域发挥着重要的作用。但由于成像环境和采集平台等原因,高光谱图像存在先验信息欠缺、高维小样本、同物异谱以及噪声干扰强等问题,难以达到检测性能和样本数量之间的自适应平衡。针对上述问题,本文面向对地观测中的像元级小目标探测需求,设计了一种联合语义分割、迁移学习、多尺度和级联结构的高光谱目标检测技术,可以充分利用高光谱图像目标和背景在空间域和光谱维上的相对关系,克服单一空间域或光谱维上进行目标检测的缺陷,并缓解样本稀缺、背景复杂等带来的目标检测精度低的问题。本文主要研究内容和创新点如下:（1）为了提高空间域目标检测精度,缓解高光谱遥感图像空间信息缺失问题,提出了一种基于语义分割的空间域检测方法。该方法通过构造空间分布近似同源的AIAS数据集,并利用基于空间特征不变的迁移学习方式训练神经网络参数,提取到目标物体的深层次特征,改善了高光谱图像训练样本不足的问题。此外,该方法建立基于编解码结构的HSN网络,并融合残差结构和通道空间注意力机制,从而增强网络间的信息流动并突出图像中目标的空间特征和位置信息,解决了目标物体先验信息不足和细节纹理边缘信息提取困难问题。实验结果表明HSN网络的提出能够提升7.93%的ACC值,基于深度空间特征检测方法的引入较传统方法能提高1.26%的AUC值。（2）为了增强检测器对光谱变化的稳定性,解决高光谱图像高维冗余且同物异谱现象导致检测复杂度高且精度低的问题,提出了一种基于多尺度的光谱维特征提取方法。该方法利用多尺度技术提取到不同谱段范围的光谱信息特征,并通过串联细粒度不同的谱间特征,一方面能克服原始像元中由于大气干扰引起的光谱失真问题,增强检测结构的鲁棒性。另一方面提取到的特征能够达到9.33倍的谱间降维效果且保留目标和背景具有区分性的光谱特征,从而提高目标检测效率。（3）为了突出目标像元的同时抑制背景信息,解决噪声干扰问题,提出了一种基于空谱联合的级联检测方法。该方法结合了空间域中相邻像素点的空间位置关联性和谱间单个像素点的光谱特性,通过泛化检测器和非线性抑制函数级联形成五级检测结构,增强模型的非线性判别能力。在五组真实高光谱图像数据中,本文提出的算法平均耗时为0.1793s,能够达到99.55%的检测精度和1.42%的虚警率。
余意[3]（2017）在《高分辨率卫星资料同化关键技术研究》文中指出随着对地观测技术的飞速发展,高分辨率卫星遥感探测已经成为获得气象水文状态信息的最主要手段,提供了全球范围内的高分辨率大气、海洋和地表等气象水文观测信息。从观测资料的数量上来讲,高分辨率卫星遥感资料已经在目前的气象水文探测资料中占据支配地位,仅AIRS和IASI两种高分辨卫星资料使用量已经占到了欧洲中期天气预报中心（ECMWF）数值预报业务系统中可用观测资料总量的60%以上。另外,从观测资料对预报效果的贡献来看,高分辨卫星观测资料也已超过了探空报、飞机报与地面报等常规观测资料,成为目前最能影响数值天气预报效果的观测资料。通过同化越来越多的高分辨率卫星观测资料从而带来数值预报初始场的不断改进是近十几年来数值天气预报质量不断提高的最主要原因。经过多年的发展,尽管高分辨率观测资料同化等技术已经取得了巨大成就并对数值预报的改进做出了明显的贡献,但目前能够引入到同化系统的高分辨率遥感资料只占现有卫星观测资料总量的很小一部分。目前,高分辨率卫星资料的使用仍然存在很多困难。例如,同化红外高光谱资料时,资料本身容易受云影响导致云区资料难以同化,而且其数据维度空间过大,不利于使用;同化风场时,现有风场资料同化方法不能很好适应合成孔径雷达（SAR）海面风场资料的同化,等等这些方面问题仍然没有解决。因此需要进一步研究和发展高分辨率卫星资料同化为代表的气象水文定量化处理技术。本文以红外高光谱和SAR为代表,介绍了这两种类型高分辨率卫星资料同化的原理、方法及其发展现状,针对高分辨率卫星资料同化的关键技术难点,展开了相应的研究并取得了以下几个方面的研究成果:（1）针对云水影响的红外高光谱资料同化应用问题,提出了云水影响的红外高光谱资料在区域资料同化中的应用方法。基于WRFDA同化系统,设计了IASI晴空通道云检测方法,将云顶以上的IASI观测资料引入WRFDA系统,以“红霞”和“莫兰蒂”两个超强台风为实验个例,展开了多种云检测同化对比实验。两个台风个例中,MW云检测方案对于高层通道299保留的观测数目仅为大阈值LMW云检测的16.2%和MMR云检测的9.2%,对于底层通道921分别为3.3%和2.6%。但是MW云检测同化实验分析场强度最强,获得的72 h台风路径预报最接近真实路径,路径误差最小。两个台风个例实验结果一致,表明晴空通道云检测过程能有效将云顶以上的IASI观测资料引入同化系统,改进IASI资料同化分析场并提高后期台风预报技巧。（2）针对星载高分辨率红外高光谱通道数目多、资料量大,耗费大量的传输带宽和计算开销等问题,提出在星上进行红外高光谱信息压缩的方法。提出用精确的信息熵测量主成分降维的主分量,并与相同数目的通道集合进行对比,以AIRS资料为例,得出对于温度、湿度信息,主分量信息量明显大于通道集合,对于O3信息,主分量包含的信息量并无明显优势。结合主成分的应用,从计算算法、代码实现和计算机硬件技术多个层面系统分析设计了星上高效PC降维模块,并以IASI为例测试了压缩比和传输效率,以及重构辐射率的精度,促进了红外高光谱资料的高效存储、传输和数据应用。（3）针对IASI主成分降维压缩信息的同化应用问题,设计并实现了重构辐射率资料的同化应用方法。系统分析了红外高光谱观测信息在数值模式变量空间、光谱辐射率空间和主成分空间的几种转换关系。针对红外高光谱重构辐射率的资料同化,论证了一定前提条件下,同化重构辐射率和主成分分量的等价关系,并分析了重构辐射率空间的误差源。提出了最优化同化重构辐射率同化框架与次优H-R的同化重构辐射率框架,并在WRFDA系统中实现了次优H-R框架下同化重构辐射率系统。以2015年台风“红霞”区域的红外高光谱IASI重构辐射率为研究对象,对台风区域的重构辐射率进行了初步的数值模拟实验,分析了重构辐射率同化应用效果。（4）针对SAR高分辨率海面风场资料的同化应用,提出基于风速、风向观测算子同化SAR海面风场资料的方法。将风速、风向的同化方法实现和应用于同化哨兵1号海面风场观测资料,并与传统的同化u、v风方法对比,以2016年台风“狮子山”为个例,证明了在数值模式中同化高分辨率SAR观测资料的有效性。针对SAR海面风场资料控制,提出了QCco联合质量控制方案,并于独立质量控制方案QCal对比,对SAR海面风场资料进行有效的质量控制,提高了SAR海面风场观测资料同化分析场精度,改善SAR海面风场数值模拟预报效果。本文瞄准高分辨卫星观测资料同化中的前沿技术难点,从云水影响红外高光谱资料在区域同化中的应用、高分辨率观测资料降维、降维信息的同化方法设计,以及高分辨SAR海面风场同化方法和质量控制为研究切入点,提出了具有创新性的解决方法以促进我国高分辨卫星观测资料的业务化应用。
宋海鹰[4]（2015）在《基于谱间和帧内协同稀疏的高光谱图像压缩感知模型》文中进行了进一步梳理高光谱遥感作为上世纪八十年代发展起来的一门新兴技术,借助成像光谱技术的发展,使得其能够在电磁波很宽的波长范围内,记录更多、更窄的连续光谱数据,这些丰富的数据信息,使得高光谱遥感影像在农业、林业、大气和环境监测等各个领域发挥着重要的作用。但是成像光谱仪所获数据的激增,给星载压缩系统设备对数据的存储和实时传输带来了巨大的负担,因此,对高光谱遥感影像压缩技术的研究成为遥感领域比较关注的问题。传统的压缩过程是对高光谱影像进行奈奎斯特采样,其步骤是先经过某种变换方法,然后获得较大幅值的系数,并舍去较小幅值系数,以达到采样目的。这种采样压缩方式不能满足星载设备的需求,而压缩感知理论很好地解决了这个问题,以CS理论为指导的基于最优化方法的求解算法,实现了编码端将采样、压缩同时进行的高效压缩,且解码端能够实现利用这些较少的观测值进行高概率的高光谱影像重构。本文对高光谱遥感影像的压缩感知模型进行研究,创新点表现在以下两个方面:一、首先采用压缩感知理论,在编码端采用随机高斯矩阵对高光谱遥感数据进行压缩、采样,然后将采样值经过信道传输到地面解码设备进行影像重构,在对针对自然图像的基于局部平滑稀疏性和非局部自相似性的RCoS恢复算法研究的基础上,本文提出一种基于谱间和帧内的协同稀疏的高光谱图像压缩感知模型,该模型考虑了高光谱遥感影像的三方面的稀疏性作为先验来对目标函数进行约束,即高光谱影像的局部平滑相似性、非局部自相似性和谱间相似性。大量实验表明,利用本文所提出的HICoSM模型的重构算法,在对高光谱影像进行重构时,其重构图像质量明显高于由现有的GPSR算法、改进的GPSR算法和RCoS算法进行重构的结果。二、利用三维TV模型对HICoSM模型进行改进,在进行优化求解的过程中利用三维TV模型将求解局部平滑稀疏性和谱间相似性的部分进行整合,再结合非局部自相似性的先验条件,利用分离Bregman迭代算法求出最后的优化重构结果。在对高光谱遥感影像进行有效的恢复的同时起到修复、去噪的效果。通过实验验证了基于HICoSM协同稀疏模型及三维TV模型联合压缩感知编码方法的有效性,与经典的稀疏梯度投影算法、基于谱间线性滤波的稀疏梯度投影算法和协同稀疏恢复算法的比较结果可以看出,该算法对图像恢复质量有一定程度的提高。本文对高光谱遥感影像一系列先验知识进行挖掘与分析,提出了一种新的模型HICoSM,并利用三维TV对该模型进行改进,取得了较目前一些经典算法更好的重构结果,大量实验结果验证了本文算法对提高高光谱图像重构质量的有效性。
张智迪[5]（2015）在《高光谱遥感图像分布式编码技术研究》文中研究表明随着遥感图像应用对空间和谱间分辨率越来越高的要求,使高光谱遥感图像的信息含量大幅度增加。而空间通信,特别是深空通信的传输信道存在异构、时变、带宽有限、误码率高的特征,使得高光谱遥感影像在压缩和传输方面存在很大的困难。这些困难在很大程度上影响和限制了高光谱图像的实际应用。基于此,近年来高光谱图像的压缩编码技术受到特别关注,并成为高光谱遥感图像处理领域的一个重要的前沿问题。本文对基于分布式信源编码的高光谱图像压缩编码技术进行研究,试图为提高高光谱遥感图像的压缩和传输效率提供一种新的途径。本文首先对遥感成像技术进行了概述,着重对多光谱和高光谱影像的研究现状和发展动态进行了分析,同时对基于预测技术、基于变换和基于矢量量化的编码算法等三类常见的编码技术进行了介绍。然后详细阐述了分布式信源编码的理论背景、发展现状、Slepian-Wolf理论（无损压缩）、Wyner-Ziv理论（有损压缩）以及三种经典方法。并以此为理论根据提出了两种高光谱遥感图像编码方案:（1）针对无损压缩提出一种基于四叉树分块的高光谱遥感图像分布式无损压缩编码方案。该方案通过自适应四叉树分块,增强了所形成陪集码的自适应性,很好地实现了编码效率和压缩效果的折中,具有一定的实用性。（2）针对有损压缩提出一种基于感兴趣区域（Region of Intrest,ROI）的高光谱图像分布式有损编码方案。该方案首先对关键帧（K帧）进行ROI提取,然后对提取的ROI进行JPEG-LS无损编码,对背景部分进行基于SPIHT的编码方法。同时对普通帧（WZ帧）进行基于压缩感知（Compressive Sensing,CS）的压缩编码。本文所提出的两种算法在很好保留分布式编码优势的基础上,分别取得了具有一定特色的研究成果,其中第一种算法通过自适应的对图像进行分块处理,能够较好的适应低复杂度环境下对高光谱图像的无损编码需求。第二种算法通过对关键帧和普通帧进行适当的处理,有效地实现了编码复杂度低、较强的抗误码性以及码流具有质量可分级等的特性。
许志涛[6]（2014）在《基于CCSDS的遥感图像感兴趣区域压缩研究》文中研究表明随着空间遥感技术的发展，光学遥感图像分辨率越来越高，单位时间内获得的图像数据量越来越大。然而，空间遥感图像的传输和存储技术发展相对迟缓。因此，获得图像后，有必要对图像进行压缩编码处理。对于一幅图像而言，我们通常只关注其中的一部分区域或目标，即感兴趣区域，而其他区域称为背景区域。所以，在对图像进行压缩处理时，可以采用感兴趣区域压缩算法：对感兴趣区域进行无损压缩或低压缩比压缩，而对背景区域采用大压缩比压缩，从而既降低了图像传输对带宽的要求，又减少了感兴趣区域细节信息的丢失。论文主要研究一种基于CCSDS的空间遥感图像感兴趣区域压缩算法，并尝试采用基于视觉注意机制的itti模型来检测图像的感兴趣区域。论文以海洋监视卫星图像为研究对象，尝试采用itti模型来检测图像内的舰船目标等感兴趣区域。首先，研究了itti模型的算法处理过程：分析图像的多种特征，并将其融合生成特征显着图；然后采用胜者为王和返回抑制机制提取出视觉注意点；最后以该点为圆心，设置固定值为半径，划定圆形区域为显着区域。本文将视觉注意点的提取转移过程建立为电容阵列充电模型，并在算法中引入了离散矩变换，增强了图像纹理特征响应；由视觉注意点提取显着目标时，本文采用了阈值分割算法。实验结果表明，改进算法所提取的显着区域形状大小基本与目标一致，且显着区域包含背景少。与itti模型相比，改进算法更适合应用于海洋监视卫星图像舰船目标检测提取。本文探讨了SPIHT、JPEG2000以及CCSDS等图像压缩算法，并重点研究了CCSDS压缩标准。CCSDS将图像分为若干个不同的段，段与段之间独立编码，每段的纹理复杂度不同，所包含的信息量不同。本文采用梯度来衡量图像的纹理复杂度，并据此提出了一种基于梯度的压缩码流控制算法，纹理越复杂的段，所分配的码流容量越大，纹理越简单的段，所分配的码流容量越小。实验结果表明，采用该码流控制算法以后，恢复图像的信噪比有所改进。本文根据CCSDS的压缩特点，提出了一种新的感兴趣区域压缩算法，将感兴趣区域和背景区域进行分割，分别作为两幅独立的图像进行压缩。在压缩前，首先将感兴趣区域掩膜编码，然后将码流按一定比例分配给感兴趣区域和背景区域。之后引入基于梯度的码流分配算法，依次对感兴趣区域和背景区域编码，从而实现基于CCSDS的感兴趣区域图像压缩。实验结果表明，该算法能够提高图像感兴趣区域的恢复效果。
王譞[7]（2013）在《星载多光谱遥感图像压缩技术研究》文中提出随着遥感对地观测向高分辨力、宽覆盖和多时相的方向发展,遥感图像的数据生成量正迅速增长,而卫星信道下行带宽和星上的存储资源十分有限,因此研究如何利用图像信号存在的各种天然冗余,使采样图像压缩算法减少传输数据率和存储数据量是十分必要的。目前高分辨率的对地观测卫星多采用多光谱传感器,而多光谱／高光谱遥感图像压缩技术在星上受限环境下的应用,一直是图像压缩领域十分重要的理论研究课题。本文从多个方向对其进行了深入理论分析和应用研究,提出了自己的方法,主要完成了以下几项工作：研究并综述了星载遥感图像压缩的国内外研究现状,分析了多光谱和高光谱遥感图像的空间谱间数据特性,并针对星载MHDC有损压缩要求改进了3D-SPECK算法的排序和链表结构使其更快速和易于硬件实现,提出了联合KLT和组合SPECK的算法,相比同类型的算法,在压缩比超过2：1时,其图像其解码质量提高1到2dB。对2012年最新的CCSDS MHDC无损压缩标准的内容进行了研究,探讨了FL预测器同LMS自适应滤波的关系,并对其多光谱压缩的参数设置及性能影响进行了实验和探讨。根据多光谱遥感CCD推扫成像的特点,提出了V字扫描预测法,使MHDC无损算法对空间变化不剧烈的图像压缩比提高可达19.98%首次将MHDC的FL预测器应用到多光谱压缩感知的图像重建上,提出了一种多谱段遥感的压缩感知可实现应用框架,对分块压缩感知的多光谱信号,用多谱段FL预测残差在多方向双树复小波基下,联合SPL重构实现了遥感多光谱图像的高质量快速重构,在大大减少了压缩采样的内存消耗和重构的计算量的同时,比单独进行重构的快速算法和BP算法图像重建质量提高了2个dB左右。在上述工作的基础上,通过算法理论研究,根据遥感图像场景特点,优化FL预测器的LMS收敛控制参数和双树复小波下双阈值收缩SPL迭代的收敛控制参数设置,并提出了一种在CS测量域预测残差的2范数最小约束下,自适应迭代的残差重构方法,使多光谱图像重构质量相对未经联合优化和约束迭代时,比前述算法再次平均提高了0.3-1个dB左右,减少了计算时间,迭代自适应停止。本文的研究内容受“高分辨率对地观测系统工程重大专项”支持,该项目属“十二五”规划和《国家中长期科学和技术发展规划纲要（2006-2020年）》确定的16个重大专项之一,文中相应的工作已于2012年7月交付验收。
王振国[8]（2010）在《遥感影像中大气模糊消除恢复算法研究》文中研究表明现在,经过地球大气对兴趣目标进行成像,是所有运行在地球大气层中的成像设备所不可避免的问题。而大气中由于湍流等大气结构的存在,往往会使得这些设备所获取的图像存在不同程度的模糊,所以,就需要对这些受到大气模糊的图像进行恢复。而大气模糊退化图像的恢复与重建问题是一个跨学科、领域的前沿课题和世界性难题,是国内外相关领域的研究人员正在努力解决的问题。由大气干扰所导致的退化图像的恢复,困难在于其退化模型是未知的和随机变化的,且难以用准确的数学解析式或模型来表达,再加上模糊图像中往往含有噪声,就更进一步增加了这类图像恢复的难度。传统的图像恢复算法都属于退化模型已知的范畴,而退化模型未知情况下的图像恢复算法研究是图像恢复领域中具有挑战性的研究方向,具有广阔的应用市场和前景。特别是随着深空探测技术的发展和空间对地观测系统分辨力的提高,大气干扰逐渐成为制约遥感器系统分辨力进一步提高的瓶颈,所以,对解决该问题的需求也就越来越广泛。因此,针对该问题,本文在总结现有国内外关于大气湍流效应图像恢复算法的研究成果的基础上,在国家高技术研究发展计划（863计划,编号:2006AA12Z110）项目的支持下,对大气模糊遥感影像的高清晰恢复与重建问题进行了研究和探讨。通过对现有湍流消除算法的改进和把天文观测领域常用的湍流恢复技术跟遥感影像相结合的方式,开辟了根据遥感影像成像时刻局部地区的气象数据估计大气MTF的新思路,并利用多幅国内外遥感卫星所观测的遥感数据对该思路进行了验证。文中的研究成果和贡献主要体现在:1)基于气象数据的湍流MTF、气溶胶MTF以及大气MTF的估计算法设计。大气整体调制传递函数MTF主要由大气湍流MTF和气溶胶MTF的乘积构成,而大气MTF和气溶胶MTF分别可用气象参数C n2（折射率结构系数）和气溶胶的尺寸分布来描述。根据成像时刻所记录的相同区域的气象数据,利用这两个参数来估计湍流MTF、气溶胶MTF和大气整体MTF;2)基于影像数据的成像系统MTF估计方法。结合MTF的物理意义,对目前获取光学成像系统MTF的两种方法进行了介绍和实验,利用MTF的频率域下降特性,实现对光学成像系统所观测图像的恢复和对光学成像系统性能的评价;3)结合大气MTF估计的改进Wiener滤波算法。利用估计的大气MTF,对经典Wiener滤波算法进行改进,得到了更适合遥感影像恢复的改进型Wiener滤波算法;4)结合大气MTF估计的改进直接解卷积算法。利用估计的大气MTF,对直接解卷积算法进行改进,得到了更适合遥感影像恢复的改进型直接解卷积算法;5)基于“近视”解卷积算法的自适应遥感影像恢复算法。把天文和微观观测图像处理领域中常用的“近视”解卷积思想,应用于大气模糊遥感影像的恢复与重建。在实现原有“近视”解卷积算法的基础上,又根据遥感影像自身的特点,提出了一种自适应的遥感影像解卷积算法。算法采用约束共轭梯度优化方法,包含一种平衡极大似然估计和目标正则化的自适应方案,使得算法在得到满意结果的同时,运行时间和效率上也有了明显地提高;6)基于Bayessian原理的遥感影像解卷积算法。通过由关键变量模型和全局能量项所决定的尺度不变随机过程,来对未知的场景进行建模,然后基于概率统计理论,给出了一种估计模型中模糊和噪声参数的贝叶斯方法。根据估计的参数值和退化模型,就可以得到整个成像系统的模糊退化函数MTF,然后采用传统的恢复方法对影像进行恢复。7)基于梯度域动态压缩的高辐射分辨率遥感影像增强算法。针对高辐射分辨率遥感影像在普通显示设备上的显示问题,给出了一种适用于高辐射分辨率遥感影像显示的新算法。结果表明,该算法在实现大幅度的动态范围压缩的同时,能够较好的保留影像的细节信息和抑制一般的边缘效应。算法理论简单,计算高效,使用方便。并通过对真实高辐射分辨率遥感影像的动态压缩处理,验证了该算法的有效性。
王文华[9]（2010）在《大视场遥感相机成像均匀性研究》文中认为我国幅员辽阔,地理环境复杂,能够及时准确地获取广大地域的地质地貌以及农林渔牧的概况详情对经济发展起着极为重要的作用,发展大视场宽覆盖的遥感相机势在必行。作为前期工程性研究,成像均匀性问题直接影响着图像质量和主观判图效果,因此对大视场遥感相机的研制具有一定的指导意义。本论文就如何保证宽幅图像的成像质量展开探讨,从整个相机的各个研制环节到遥感图像的均匀化处理,提取与成像均匀性有关的工程要素,研究过程体现了“一致性设计是基础,硬件实时校正是保障”的设计思想,在FPGA上实现了成像、校正、自检等控制功能的一体化设计。论文主要内容包括以下几个方面:1.介绍了CCD器件的结构和工作原理,分析了CCD偏置电压、驱动时序相位延时等几个影响CCD成像响应特性的因素,简要说明了TDICCD的推扫成像原理,通过介绍CCD遥感相机成像系统的各个组成部分,总结出影响多通道成像均匀性的几个关键环节。2.设计一致性是大视场遥感相机多通道CCD成像均匀性的基本前提,首先从系统硬件设计的角度,对成像系统主要环节的一致性设计进行了详细探讨,包括CCD焦平面前端驱动电路的一致性设计、分布式电源一致性设计、成像系统时钟同步设计等方面。尤其在驱动时序主备模块切换问题上,着重介绍了反熔丝FPGA芯片对驱动时序延时的影响,一步一步对一次性烧写芯片的延时特性进行了详细分析,指出了环境温度、工作电压以及引脚排列规则对主备切换性能的影响规律。指出硬件标识FPGA身份号是硬件设计一致性的重要前提。然后从FPGA软件设计的角度,对CCD时序延时一致性进行了细致分析,包含了内部时钟网络设计、同步复位与异步复位的优化、FPGA上电同时启动等设计细节。最后探讨如何在行频满足像速匹配要求的前提下,提高行频的调节精度,以尽可能减少CCD传函在行频匹配上的损失。3.经过硬件设计的努力,成像系统中仍残留的非均匀性必须通过校正才能改善。首先介绍了两点非均匀性校正算法,确立了校正因子的数据结构,通过MATLAB仿真校正过程,取得了很好的图像校正效果。针对FPGA的硬件并行计算优势,定义了校正数据的定点乘法,并分析了最终计算误差,在均匀辐照度下,实时校正取得了均匀的图像。然后探讨了如何在遥感相机上实现CCD成像非均匀性的实时校正,以提高遥感信息获取的实时性。论文研究了FPGA内部存储校正因子的合理方案、退化校正因子的再注入、星上定标与校正成像之间的切换、视频AD饱和等实际工程问题,并在实验室对动态目标的推扫成像实时校正试验中取得了非常理想的效果。4.论文对成像系统中的关键模块提取出可量化的物理参数,设计出适合遥感相机应用的自检电路,包括对CCD供电模块的电压状态监测、针对视频AD芯片的模拟自校图形以及数字鉴别率自校图形等设计。对CCD成像过程可能遇到的“过饱和”现象进行了探讨,通过大量的试验和分析,实现了在FPGA采集数字图像的同时,判断“过饱和”并给出标志性自校图形信号的功能。自检电路的设计,为地面联试和在轨工作状态分析提供了有力的参考依据。
曲宏松,金光,张叶[10]（2009）在《“NextView计划”与光学遥感卫星的发展趋势》文中研究表明美国国家地理空间情报局（NGA）发起的"NextView计划"是在"未来成像体系"（Future Imagery Archtecture,FIA）计划失败的背景下提出的。"NextView计划"由WorldView-1和GeoEye-1两颗商业光学遥感卫星组成。卫星的地面像元分辨力分别为0.5m和0.41m,是目前世界商业卫星中分辨力最高的两颗卫星。本文介绍了"NextView计划"项目实施的依据,描述了WorldView-1和GeoEye-1两颗卫星的技术指标、工作模式和特点,并对未来光学遥感卫星的发展趋势做出了预测,认为未来光学遥感卫星将向"更高、更快、更小、更准、更艳"的方向发展。
二、一种高分辨力遥感图像星上压缩方案（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种高分辨力遥感图像星上压缩方案（论文提纲范文）
（1）基于人工智能的光学遥感在轨船舶检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 遥感图像船舶目标检测分类 |
| 1.2.1 基于SAR图像的船舶检测 |
| 1.2.2 基于红外图像的船舶检测 |
| 1.2.3 基于可见光图像的船舶检测 |
| 1.3 研究现状 |
| 1.3.1 光学遥感图像中船舶检测技术的研究现状 |
| 1.3.2 光学遥感卫星在轨处理的国内外研究现状 |
| 1.4 本文主要研究内容 |
| 1.5 章节安排 |
| 第2章 遥感船舶检测中常用的神经网络基础与算法评价指标 |
| 2.1 引言 |
| 2.2 卷积神经网络的基本原理 |
| 2.3 深度卷积神经网络结构的发展 |
| 2.4 基于深度学习的目标检测方法 |
| 2.4.1 双阶目标检测算法 |
| 2.4.2 单阶目标检测算法 |
| 2.4.3 基于Anchor-Free的目标检测方法 |
| 2.5 目标检测方法的常用评价指标 |
| 2.6 本章小结 |
| 第3章 基于多层级显着性神经网络特征融合的船舶检测方法 |
| 3.1 引言 |
| 3.2 基于卷积神经网络的船舶检测流程简介 |
| 3.3 基于显着性特征的神经网络模型 |
| 3.3.1 模型方法 |
| 3.3.2 显着性掩码设计 |
| 3.3.3 网络结构 |
| 3.3.4 损失函数设计 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据构建及增强处理 |
| 3.4.2 实验设计与结果分析 |
| 3.5 本章小结 |
| 第4章 基于AdaBoost与Haar-like的船舶搜索方法 |
| 4.1 引言 |
| 4.2 Haar-like特征分析 |
| 4.3 船舶搜索方法 |
| 4.4 基于RGB谱段插值的遥感图像预处理方法 |
| 4.5 港口区域提取方法 |
| 4.6 实验结果与分析 |
| 4.6.1 特征提取方法对比 |
| 4.6.2 分类器的训练与对比测试 |
| 4.7 本章小结 |
| 第5章 基于深度可分离卷积网络的船舶虚警鉴别方法 |
| 5.1 引言 |
| 5.2 一种改进的残差网络模型 |
| 5.3 基于“船头船尾”的特征提取方法 |
| 5.4 船舶鉴别 |
| 5.4.1 网络优化分析 |
| 5.4.2 网络结构设计 |
| 5.5 实验结果与分析 |
| 5.5.1 C-H残差结构测试 |
| 5.5.2 船舶局部特征提取的方法对比 |
| 5.5.3 多种目标检测方法的对比 |
| 5.5.4 算法处理速度的分析与测试 |
| 5.6 本章小结 |
| 第6章 星载船舶检测系统的地面测试与在轨验证 |
| 6.1 引言 |
| 6.2 硬件系统介绍 |
| 6.3 船舶检测系统的地面仿真实验 |
| 6.4 基于吉林一号高分03星的在轨船舶检测验证 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文的工作总结 |
| 7.2 论文的创新点总结 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（2）基于空谱联合的高光谱目标检测算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容和章节安排 |
| 1.3.1 本文研究内容 |
| 1.3.2 本文章节安排 |
| 第二章 基础理论和方法 |
| 2.1 引言 |
| 2.2 深度学习基础理论 |
| 2.2.1 深度学习技术 |
| 2.2.2 基本神经网络结构 |
| 2.3 基于语义分割的空间检测基本理论 |
| 2.3.1 语义分割技术 |
| 2.3.2 经典语义分割网络结构 |
| 2.4 高光谱图像与目标检测 |
| 2.4.1 高光谱图像特点 |
| 2.4.2 高光谱图像目标检测流程 |
| 2.4.3 高光谱图像目标检测难点 |
| 2.4.4 高光谱目标检测算法 |
| 2.5 目标检测评价指标 |
| 2.6 本章小结 |
| 第三章 基于语义分割的空间域检测方法 |
| 3.1 引言 |
| 3.2 算法设计思想与整体框架 |
| 3.2.1 算法必要性分析 |
| 3.2.2 算法整体框架 |
| 3.3 基于语义分割的空间检测 |
| 3.3.1 迁移学习 |
| 3.3.2 AIAS数据集 |
| 3.3.3 基于残差的注意力机制模块 |
| 3.3.4 空间检测网络结构 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集介绍 |
| 3.4.2 网络训练环境及基本参数配置 |
| 3.4.3 网络结构设计的影响 |
| 3.4.4 网络性能分析 |
| 3.5 本章小结 |
| 第四章 基于空谱联合的高光谱目标检测算法 |
| 4.1 引言 |
| 4.2 算法设计思路与整体框架 |
| 4.2.1 算法设计思路 |
| 4.2.2 算法整体框架 |
| 4.3 基于多尺度的谱间特征提取方法 |
| 4.3.1 谱间信息的多尺度处理 |
| 4.3.2 不同尺度的信息组合 |
| 4.4 基于空谱联合的级联检测方法 |
| 4.4.1 目标检测器 |
| 4.4.2 级联检测结构 |
| 4.5 实验结果与分析 |
| 4.5.1 实验参数设置的影响 |
| 4.5.2 空间谱间和级联结构的重要性分析 |
| 4.5.3 级联检测效果 |
| 4.5.4 目标检测性能对比 |
| 4.6 本章小结 |
| 第五章 总结和展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）高分辨率卫星资料同化关键技术研究（论文提纲范文）
| 缩略词 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 高分辨率卫星观测与资料同化方法 |
| 1.1.2 高分辨卫星观测资料同化研究意义 |
| 1.2 高分辨卫星观测仪器及应用现状 |
| 1.2.1 高分辨卫星红外遥感仪器及应用现状 |
| 1.2.2 高分辨率合成孔径雷达反演风场观测及应用 |
| 1.3 研究内容 |
| 1.4 本文主要工作及创新 |
| 1.5 论文结构 |
| 第二章 高分辨IASI辐射率观测在区域模式中的同化方法 |
| 2.1 红外高光谱IASI仪器与资料特征 |
| 2.1.1 Metop卫星与红外高光谱IASI仪器 |
| 2.1.2 红外高光谱IASI资料特征 |
| 2.2 红外高光谱IASI观测辐射率同化方法 |
| 2.2.1 红外高光谱IASI观测辐射率同化研究进展 |
| 2.2.2 红外高光谱IASI资料变分同化方法 |
| 2.2.3 辐射传输模式 |
| 2.2.4 IASI资料质量控制 |
| 2.2.5 IASI观测偏差订正 |
| 2.3 红外高光谱IASI资料云检测 |
| 2.3.1 红外高光谱云检测研究进展 |
| 2.3.2 红外高光谱传统云检测方法 |
| 2.3.3 IASI晴空通道云检测方法 |
| 2.3.4 基于成像仪视场判定的晴空通道云检测 |
| 2.3.5 IASI晴空通道云检测实现 |
| 2.3.6 IASI晴空通道云检测效果 |
| 2.4 台风简介和数值实验设置 |
| 2.4.1 台风“红霞”和“莫兰蒂”简介 |
| 2.4.2IASI同化和数值模拟实验 |
| 2.4.3 IASI同化要素场对比 |
| 2.4.4 IASI数值模拟分析 |
| 2.5 本章小结 |
| 第三章 高分辨率数据高效降维方法及应用 |
| 3.1 高分辨观测压缩降维的必要性 |
| 3.2 高分辨观测数据降维概述 |
| 3.2.1 高光谱数据基础降维方法 |
| 3.2.2 高光谱数据降维先进方法 |
| 3.3 高光谱PCA降维方法与信息量评估 |
| 3.3.1 高光谱PCA降维方法 |
| 3.3.2 主分量的信息量评估 |
| 3.4 高分辨率卫星观测星上降维设计与实现 |
| 3.4.1 高分辨率卫星观测星上降维设计 |
| 3.4.2 高分辨率卫星观测星上降维实现 |
| 3.5 高光谱IASI资料PC方法降维 |
| 3.5.1 IASI降维的主分量 |
| 3.5.2 IASI重构辐射率效果比对 |
| 3.6 小结 |
| 第四章 高分辨IASI重构辐射率同化方法 |
| 4.1 IASI主成分空间同化方法 |
| 4.1.1 红外高光谱多参数空间的转换 |
| 4.1.2 红外高光谱主成分和重构辐射率空间的研究进展 |
| 4.2 IASI主成分同化方法论证 |
| 4.2.1 直接同化IASI主成分分量的困难 |
| 4.3 重构辐射率同化方法 |
| 4.3.1 最优化框架下同化重构辐射率 |
| 4.3.2 同化重构辐射率与主成分分量的等价性 |
| 4.3.3 次优H-R重构辐射率同化原理 |
| 4.4 重构辐射率同化实验 |
| 4.4.1 重构辐射率同化实验设置 |
| 4.4.2 重构辐射率同化实验结果对比 |
| 4.4.3 重构辐射率同化要素场对比 |
| 4.5 重构误差源分析 |
| 4.6 关于重构辐射率的讨论 |
| 4.6.1 重构辐射率通道数目的确定 |
| 4.6.2 重构辐射率的云信息 |
| 4.7 本章小结 |
| 第五章 SAR高分辨率海面风场资料同化 |
| 5.1 SAR海面风场及同化方法 |
| 5.1.1 SAR仪器即风场观测资料简介 |
| 5.1.2 SAR海面风场反演方法 |
| 5.1.3 SAR海面风场资料同化方法 |
| 5.2 风场观测质量控制 |
| 5.2.1 SAR海面风场质量控制方法 |
| 5.2.2 SAR海面风场质量控制结果 |
| 5.3 台风研究—2016 狮子山个例 |
| 5.3.1 台风“狮子山”简介 |
| 5.3.2 实验设计 |
| 5.3.3 模式设置 |
| 5.4 实验结果 |
| 5.4.1 10米风分析场 |
| 5.4.2 不同高度层的分析偏差 |
| 5.4.3 不同分析要素的分析增量 |
| 5.4.4 预报影响 |
| 5.5 高分辨率资料之间的对比研究 |
| 5.6 总结和讨论 |
| 第六章 结论与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 作者在学期间参加的科研项目 |
| 附录A |
| 附录B |
（4）基于谱间和帧内协同稀疏的高光谱图像压缩感知模型（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 本文的研究内容及结构 |
| 1.2.1 本文的研究内容 |
| 1.2.2 本文的结构 |
| 2 高光谱遥感图像编解码概述 |
| 2.1 高光谱遥感图像概述 |
| 2.1.1 高光谱遥感影像的成像原理 |
| 2.1.2 高光谱遥感概念及其数学表示 |
| 2.2 高光谱遥感影像空间和谱间相关性分析 |
| 2.3 高光谱遥感图像压缩的研究现状 |
| 2.3.1 基于预测的方法 |
| 2.3.2 基于变换的方法 |
| 2.3.3 基于矢量量化的压缩方法 |
| 2.4 压缩感知国内外研究现状 |
| 2.4.1 图像稀疏表示的研究现状 |
| 2.4.2 随机投影的研究现状 |
| 2.4.3 压缩感知恢复算法的研究现状 |
| 2.5 图像编码质量的评价 |
| 2.6 本章小结 |
| 3 压缩感知的基本理论 |
| 3.1 压缩感知含义 |
| 3.2 信号的稀疏表示 |
| 3.3 观测矩阵的设计 |
| 3.4 信号恢复算法 |
| 3.5 本章小结 |
| 4 基于谱间和帧内协同稀疏的高光谱图像压缩感知模型 |
| 4.1 引言 |
| 4.2 压缩感知理论及协同稀疏测量模型 |
| 4.2.1 压缩感知的基本数学模型 |
| 4.2.2 协同稀疏测量模型 |
| 4.3 基于谱间和帧内高光谱图像协同稀疏模型 |
| 4.3.1 观测向量初始化高光谱图像的分组 |
| 4.3.2 模型的提出 |
| 4.3.3 模型的数值计算 |
| 4.3.4 权重系数的自适应计算方法 |
| 4.4 基于HICoSM模型的高光谱影像CS算法实现 |
| 4.5 实验与分析 |
| 4.6 总结 |
| 5 基于HICoSM和 3DTV模型的高光谱影像压缩感知恢复算法 |
| 5.1 引言 |
| 5.2 压缩感知数学模型及高光谱影像谱间相关性分析 |
| 5.2.1 压缩感知数学模型 |
| 5.2.2 高光谱遥感影像谱间相关性分析 |
| 5.3 协同稀疏模型和三维TV模型 |
| 5.3.1 协同稀疏模型 |
| 5.3.2 三维TV模型 |
| 5.4 基于HICoSM和 3DTV模型的高光谱影像压缩感知模型 |
| 5.4.1 模型的提出 |
| 5.4.2 模型的数值分析 |
| 5.4.3 算法的实现过程 |
| 5.5 实验与分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（5）高光谱遥感图像分布式编码技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的选题背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 本文的研究内容及结构 |
| 1.2.1 本文的研究内容 |
| 1.2.2 本文的结构安排 |
| 2 高光谱遥感图像压缩编码 |
| 2.1 遥感图像概述 |
| 2.2 遥感图像编码技术分析 |
| 2.3 高光谱图像压缩编码技术分析 |
| 2.3.1 高光谱遥感概况 |
| 2.3.2 高光谱图像编码的现状及发展 |
| 2.4 本章小结 |
| 3 分布式信源编码概述 |
| 3.1 分布式信源编码技术背景 |
| 3.2 分布式信源编码技术在遥感图像中的应用分析 |
| 3.3 分布式编码技术的理论基础 |
| 3.3.1 Slepian-Wolf编码信息理论 |
| 3.3.2 Wyner-Ziv编码信息理论 |
| 3.4 分布式高光谱图像编码的经典方法 |
| 3.4.1 DISCUS编码方案 |
| 3.4.2 基于Turbo码的分布式信源编码方案 |
| 3.4.3 基于LDPC码的分布式信源编码方案 |
| 3.5 本章小结 |
| 4 基于四叉树分块的高光谱图像分布式无损编码研究 |
| 4.1 引言 |
| 4.2 陪集划分及编码应用 |
| 4.3 s-DSC算法及分析 |
| 4.4 本文的编码方案 |
| 4.4.1 第一波段帧的自适应四叉树分块 |
| 4.4.2 基于树型层次标注的分块信息记载 |
| 4.4.3 最佳线性预测 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 5 基于感兴趣区域的海岸带高光谱图像分布式有损编码 |
| 5.1 引言 |
| 5.2 本文编码方案的总体架构 |
| 5.3 关键帧编解码方法 |
| 5.3.1 基于边缘检测的感兴趣区域提取 |
| 5.3.2 感兴趣区域及背景区域编码 |
| 5.4 线性预测 |
| 5.5 WZ帧编码 |
| 5.5.1 压缩感知编码 |
| 5.5.2 协同稀疏性 |
| 5.5.3 分离Bregman迭代算法 |
| 5.6 实验与分析 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（6）基于CCSDS的遥感图像感兴趣区域压缩研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.1.1 星上遥感技术介绍 |
| 1.1.2 星上图像压缩研究背景及意义 |
| 1.2 星上图像压缩及 ROI 压缩的研究现状 |
| 1.2.1 星上图像压缩现状 |
| 1.2.2 ROI 压缩的国内外研究现状 |
| 1.3 论文结构安排 |
| 第2章 SPIHT 及 JPEG2000 压缩算法 |
| 2.1 引言 |
| 2.2 SPIHT 算法介绍 |
| 2.3 JPEG2000 算法介绍 |
| 2.3.1 图像预处理及变换研究 |
| 2.3.2 EBCOT 编码技术研究 |
| 2.3.3 基于 JPEG2000 的图像 ROI 压缩技术研究 |
| 2.4 恢复图像质量评价 |
| 2.5 SPIHT 与 JPEG2000 比较 |
| 2.6 本章小结 |
| 第3章 基于 CCSDS 的图像压缩算法研究 |
| 3.1 引言 |
| 3.2 小波变换研究 |
| 3.2.1 小波变换及复杂度研究 |
| 3.2.2 小波逆变换 |
| 3.3 CCSDS 编码技术研究 |
| 3.3.1 小波系数结构及存储容量研究 |
| 3.3.2 CCSDS 位平面编码技术研究 |
| 3.4 CCSDS 码率控制算法研究 |
| 3.4.1 质量限制和码流限制算法研究 |
| 3.4.2 基于梯度的 CCSDS 码率控制算法研究 |
| 3.4.3 实验结果 |
| 3.4.4 结论 |
| 3.5 本章小结 |
| 第4章 基于 itti 模型的舰船目标提取研究 |
| 4.1 引言 |
| 4.2 itti 模型研究 |
| 4.2.1 显着图生成 |
| 4.2.2 胜者为王及返回抑制机制 |
| 4.3 itti 模型改进算法研究 |
| 4.3.1 离散矩变换 |
| 4.3.2 阈值分割 |
| 4.4 实验结果及分析 |
| 4.5 小结 |
| 第5章 基于 CCSDS 的 ROI 压缩算法研究 |
| 5.1 引言 |
| 5.2 基于 CCSDS 的 ROI 压缩算法研究 |
| 5.2.1 ROI 区域无损压缩 |
| 5.2.2 ROI 区域有损压缩 |
| 5.3 结果及分析 |
| 5.3.1 ROI 区域无损压缩结果及分析 |
| 5.3.2 ROI 区域有损压缩分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间学术成果情况 |
| 指导教师及作者简介 |
| 致谢 |
（7）星载多光谱遥感图像压缩技术研究（论文提纲范文）
| 论文创新点 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 多谱段遥感成像发展及压缩要求 |
| 1.2.1 多谱段遥感成像技术的发展 |
| 1.2.2 遥感图像星上压缩的要求 |
| 1.3 星载遥感图像压缩的研究现状 |
| 1.3.1 传统图像压缩编码国内外研究现状 |
| 1.3.2 多谱段图像编码技术及星载图像压缩研究现状 |
| 1.3.3 遥感图像压缩的非传统方法研究现状 |
| 1.4 本文的内容安排 |
| 1.5 本章小结 |
| 2 经典遥感图像压缩的基本理论及方法研究 |
| 2.1 引言 |
| 2.2 多谱段遥感图像特点分析 |
| 2.3 遥感图像压缩方法分类概述 |
| 2.3.1 预测编码 |
| 2.3.2 变换域编码 |
| 2.3.3 矢量量化编码 |
| 2.4 基于小波变换的遥感图像压缩 |
| 2.4.1 提升小波与图像处理 |
| 2.4.2 小波变换与位平面编码 |
| 2.4.3 基于零树结构的图像压缩算法 |
| 2.4.4 基于零块的图像压缩算法 |
| 2.4.5 多阶自适应算术编码 |
| 2.4.6 3维图像的小波变换算法 |
| 2.5 多谱段遥感有损压缩方案研究 |
| 2.5.1 应用3维扩展变换的改进压缩方案 |
| 2.5.2 应用组合变换的多光谱压缩方案 |
| 2.5.3 适合硬件实现的位平面编码改进 |
| 2.6 仿真与实验 |
| 2.7 本章小结 |
| 3 CCSDS MHDC多谱段遥感图像无损压缩技术研究 |
| 3.1 引言 |
| 3.2 基于多谱段预测的CCSDS MHDC无损压缩 |
| 3.2.1 CCSDS MHDC概述 |
| 3.2.2 CCSDS MHDC 123.b推荐标准 |
| 3.3 CCSDS MHDC预测器的性能研究 |
| 3.3.1 LMS自适应滤波与FL可调参数 |
| 3.3.2 多光谱FL预测器可调参数的测试 |
| 3.3.3 无损MHDC方案其它可设置参数 |
| 3.3.4 无损MHDC多光谱压缩性能测试 |
| 3.4 预测方式的改进及实验结果 |
| 3.4.1 无损MHDC各配置与参数的选取 |
| 3.4.2 基于V扫描的无损MHDC方法及效果 |
| 3.5 本章小结 |
| 4 压缩感知理论下的遥感图像重构 |
| 4.1 引言 |
| 4.2 信号的稀疏表达与压缩感知 |
| 4.2.1 K稀疏信号 |
| 4.2.2 压缩感知基本理论 |
| 4.2.3 测量矩阵 |
| 4.2.4 信号的稀疏表达与冗余字典 |
| 4.3 稀疏约束下的信号重构 |
| 4.3.1 l_1范数的凸优化算法 |
| 4.3.2 阈值迭代方法 |
| 4.3.3 投影Landweber迭代 |
| 4.3.4 其它优化算法 |
| 4.4 压缩感知在成像中的应用 |
| 4.5 压缩感知应用于多谱段遥感的探讨 |
| 4.5.1 CS图像获取与重构的应用方案与不足 |
| 4.5.2 多谱段遥感的压缩感知应用框架 |
| 4.6 基于分块CS和多谱段预测的遥感图像获取与重构 |
| 4.6.1 分块压缩感知的SPL算法流程 |
| 4.6.2 双树复小波 |
| 4.6.3 联合FL预测的多光谱分块压缩感知重构过程 |
| 4.7 仿真和实验 |
| 4.8 MFL预测残差与感知重建的联合优化 |
| 4.8.1 2 范数约束下的预测残差重建研究 |
| 4.8.2 不同条件下收敛约束的参数选择 |
| 4.8.3 优化预测残差的多谱段迭代感知重构方案 |
| 4.9 进一步实验及分析 |
| 4.10 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 进一步展望 |
| 参考文献 |
| 攻读博士期间发表的论文及科研项目情况 |
| 致谢 |
（8）遥感影像中大气模糊消除恢复算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 大气对遥感成像系统分辨力的影响分析[2] |
| 1.2.1 基本原理 |
| 1.2.2 结论 |
| 1.3 遥感影像去大气模糊的研究意义 |
| 1.4 数字图像恢复算法概述 |
| 1.4.1 图像恢复问题的数学描述 |
| 1.4.2 图像恢复问题中所需的先验信息 |
| 1.4.3 直接恢复算法 |
| 1.4.4 正则化算法 |
| 1.4.5 自适应恢复算法 |
| 1.4.6 图像盲恢复算法 |
| 1.4.7 超分辨率恢复算法 |
| 1.4.8 神经网络法 |
| 1.4.9 基于支持向量机的图像恢复算法 |
| 1.5 大气退化图像恢复的研究现状 |
| 1.6 论文主要研究内容及章节安排 |
| 1.6.1 主要研究内容 |
| 1.6.2 章节安排 |
| 第二章 MTF的物理意义及其应用 |
| 2.1 MTF 的概念与物理意义 |
| 2.1.1 MTF 的概念 |
| 2.1.2 MTF 的物理意义 |
| 2.2 MTF 的计算方法 |
| 2.2.1 理论基础 |
| 2.2.2 卫星遥感系统MTF 的常用计算方法 |
| 2.3 基于MTF 的遥感影像质量评价方法与常用评价指标 |
| 2.3.1 基于MTF 的遥感影像质量评价 |
| 2.3.2 常用的遥感影像质量评价指标 |
| 2.4 遥感影像的MTF 补偿 |
| 2.5 本章小结 |
| 第三章 基于气象数据的大气MTF估计 |
| 3.1 简介 |
| 3.2 大气湍流MTF 估计模型 |
| 3.3 大气气溶胶MTF 估计模型 |
| 3.4 大气整体MTF 估计模型 |
| 3.5 试验结果与分析 |
| 3.6 本章小结 |
| 第四章 利用估计大气MTF改进的维纳滤波和直接解卷积算法 |
| 4.1 经典维纳滤波算法 |
| 4.2 改进的维纳滤波算法及其试验结果 |
| 4.2.1 算法改进思路与实现步骤 |
| 4.2.2 试验结果与对比分析 |
| 4.3 直接解卷积算法 |
| 4.3.1 算法简介 |
| 4.3.2 Lévy 点扩散函数 |
| 4.3.3 中心极限定理与直接解卷积算法 |
| 4.3.4 影像傅里叶变换与直接解卷积算法 |
| 4.3.5 SECB 图像恢复方法与扩散方程 |
| 4.3.6 慢动作盲解卷积(Slow Motion Blind Deconvolution) |
| 4.3.7 算法实现步骤 |
| 4.4 改进的直接解卷积算法及其试验结果 |
| 4.4.1 算法改进思路与实现流程 |
| 4.4.2 试验结果与对比分析 |
| 4.5 本章小结 |
| 第五章 基于“近视”解卷积算法的自适应遥感影像恢复 |
| 5.1 简介 |
| 5.2 自适应解卷积算法 |
| 5.2.1 成像模型 |
| 5.2.2 基于Bayesian 原理的解卷积框架 |
| 5.2.3 基于边缘保护的“近视”解卷积 |
| 5.2.4 扩展到多帧数据 |
| 5.3 算法实现步骤 |
| 5.3.1 算法综述 |
| 5.3.2 约束共轭梯度最小化 |
| 5.3.3 代价函数偏导数的计算 |
| 5.3.4 正则化参数的自适应估计 |
| 5.4 基于遥感影像的实验结果 |
| 5.5 本章小结 |
| 第六章 基于Bayesian原理的遥感影像解卷积算法 |
| 6.1 算法简介与贝叶斯原理 |
| 6.1.1 盲解卷积的发展现状 |
| 6.1.2 复杂问题的约束 |
| 6.1.3 贝叶斯原理 |
| 6.2 正向模型 |
| 6.2.1 利用关键变量模型对自然场景进行建模 |
| 6.2.2 对图像形成过程的理解 |
| 6.3 贝叶斯估计：正向模型的逆过程 |
| 6.3.1 多余变量的边际化和相关近似 |
| 6.3.2 一种参数估计的盲算法 |
| 6.3.3 对模型进行简化 |
| 6.3.4 简化的优化算法 |
| 6.4 实验结果 |
| 6.4.1 对两种模糊参数识别算法的验证 |
| 6.4.2 利用识别的模糊参数对退化影像进行恢复 |
| 6.5 进一步的发展与改进 |
| 6.5.1 计算的不确定性 |
| 6.5.2 模型估计和检测 |
| 6.5.3 增强算法的鲁棒性 |
| 6.6 本章小结 |
| 第七章 基于梯度域动态压缩的高辐射分辨率遥感影像增强算法 |
| 7.1 简介 |
| 7.1.1 高辐射分辨率遥感影像及其特性 |
| 7.1.2 梯度域高动态范围图像压缩 |
| 7.2 研究现状 |
| 7.3 梯度域动态压缩 |
| 7.4 梯度衰减函数 |
| 7.5 应用 |
| 7.6 实验结果与分析 |
| 7.7 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 作者简历 攻读博士学位期间完成的主要工作 |
| 致谢 |
（9）大视场遥感相机成像均匀性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 空间光学概述 |
| 1.1.1 空间遥感简介 |
| 1.1.2 空间特殊环境 |
| 1.1.3 CCD 在遥感相机中的应用 |
| 1.2 CCD 空间遥感相机的成像原理 |
| 1.3 国内外CCD 遥感相机的发展现状 |
| 1.4 大视场宽覆盖遥感相机的研究意义 |
| 1.5 本论文的研究内容概要 |
| 第2章 CCD 结构与工作原理 |
| 2.1 CCD 基本工作原理 |
| 2.2 CCD 关键生产工艺 |
| 2.3 TDICCD 工作原理及特性 |
| 2.3.1 TDICCD 的结构与工作原理 |
| 2.3.2 TDICCD 推扫成像的动态传函分析 |
| 2.4 小结 |
| 第3章 多通道设计一致性 |
| 3.1 多通道硬件一致性设计 |
| 3.1.1 CCD 器件的固有非均匀性 |
| 3.1.2 CCD 焦平面前端驱动电路一致性 |
| 3.1.3 CCD 分布式供电一致性 |
| 3.1.4 系统时钟同步设计 |
| 3.1.5 FPGA 时序主备切换一致性 |
| 3.1.6 通道间PCB 特性一致性 |
| 3.1.7 影响成像均匀性的其他因素 |
| 3.2 多通道软件一致性设计 |
| 3.2.1 主处理器FPGA 软件设计 |
| 3.2.2 相机机动情况下行频可调设计 |
| 3.3 相机成像一致性测量与计算 |
| 3.4 本章小结 |
| 第4章 CCD 成像非均匀性校正 |
| 4.1 辐射定标 |
| 4.1.1 辐射定标种类及意义 |
| 4.1.2 相机辐射定标原理与方法 |
| 4.1.3 大视场遥感相机定标实施方案 |
| 4.2 非均匀性软件校正 |
| 4.2.1 非均匀性校正原理 |
| 4.2.2 校正算法简介 |
| 4.2.3 基于MATLAB 的软件校正效果仿真 |
| 4.3 硬件实时校正 |
| 4.3.1 基于DSP+FPGA 的实时校正设计 |
| 4.3.2 基于FPGA 的实时校正一体化设计 |
| 4.3.3 硬件实时校正试验与结果分析 |
| 4.4 本章小结 |
| 第5章 成像系统自检电路设计 |
| 5.1 电压检测电路的设计 |
| 5.2 自校图形设计 |
| 5.2.1 线阵CCD 推扫成像原理 |
| 5.2.2 自校图形设计实现 |
| 5.2.3 设计仿真验证 |
| 5.2.4 自校图形的检测功能实现 |
| 5.3 视频AD 模块的自检设计 |
| 5.4 CCD 过饱和检测设计 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文研究工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 在学期间学术成果情况 |
| 指导教师及作者简介 |
| 致谢 |
（10）“NextView计划”与光学遥感卫星的发展趋势（论文提纲范文）
| 1 引 言 |
| 2 “NextView计划”的提出 |
| 2.1 FIA计划的失败 |
| 2.2 “NextView计划” |
| 3 “NextView计划”的两颗卫星 |
| 3.1 WorldView-1 |
| 3.1.1 从WorldView 110到WorldView 60 |
| 3.1.2 WorldView-1卫星介绍 |
| 3.1.3 WorldView-1卫星指标 |
| 3.1.4 WorldView-1卫星工作模式 |
| 3.2 GeoEye-1 |
| 3.2.1 GeoEye-1简介 |
| 3.2.2 GeoEye -1卫星指标 |
| 3.2.3 GeoEye -1卫星构型 |
| 3.2.4 GeoEye-1卫星工作模式 |
| 3.2.5 GeoEye -1卫星相机的光学系统 |
| 4 未来光学遥感卫星的发展趋势 |
| 5 结束语 |
四、一种高分辨力遥感图像星上压缩方案（论文参考文献）
- [1]基于人工智能的光学遥感在轨船舶检测技术研究[D]. 于野. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(08)
- [2]基于空谱联合的高光谱目标检测算法研究[D]. 吴凌云. 西安电子科技大学, 2020(05)
- [3]高分辨率卫星资料同化关键技术研究[D]. 余意. 国防科技大学, 2017(02)
- [4]基于谱间和帧内协同稀疏的高光谱图像压缩感知模型[D]. 宋海鹰. 辽宁师范大学, 2015(07)
- [5]高光谱遥感图像分布式编码技术研究[D]. 张智迪. 辽宁师范大学, 2015(07)
- [6]基于CCSDS的遥感图像感兴趣区域压缩研究[D]. 许志涛. 中国科学院研究生院(长春光学精密机械与物理研究所), 2014(09)
- [7]星载多光谱遥感图像压缩技术研究[D]. 王譞. 武汉大学, 2013(06)
- [8]遥感影像中大气模糊消除恢复算法研究[D]. 王振国. 解放军信息工程大学, 2010(07)
- [9]大视场遥感相机成像均匀性研究[D]. 王文华. 中国科学院研究生院（长春光学精密机械与物理研究所）, 2010(10)
- [10]“NextView计划”与光学遥感卫星的发展趋势[J]. 曲宏松,金光,张叶. 中国光学与应用光学, 2009(06)