遥感图象大气校正处理综述
摘要: 大气对遥感图象的处理有很大的影响，大气校正就是指消除大气影响的校正过程。本文介绍处理遥感图像的大气校正的概念及原理, 对目前常用的大气校正方法做简单概括介绍, 包括辐射传输模型法、黑暗像元法、不变目标法、直方图匹配法等, 分析了各种方法的优缺点, 以及它们各自的使用范围。
关键词: 大气校正 遥感图象 遥感影像 模型
1引言
航空、航天遥感平台上的传感器接收到的地物信息,由于地球大气的存在而得到衰减,因此,遥感器接收到的地物信息不能真实地反映地表。同时由于大气的吸收、散射等作用使得遥感器接收到的电磁信息复杂,因而遥感图像的大气辐射校正变得复杂。随着定量遥感技术迅速发展,特别是利用多传感器、多时相遥感数据进行土地利用和土地覆盖变化监测、全球资源环境分析、气候变化监测等的需要,使得遥感图像大气校正方法的研究越来越受到重视。[1]何海舰《基于辐射传输模型的遥感图像大气校正方法研究》
由于遥感图像成像过程的复杂性，传感器接收到的电磁波能量与目标本身辐射的能量是不一致的。传感器输出的能量还包含了由于太阳位置和角度条件、大气条件、地形影响和传感器本身的性能等所引起的各种失真，这些失真不是地面目标本身的辐射，因此对图像的使用和理解造成影响，必须加以校正或消除。而大气校正就是针对大气的散射和吸收引起的辐射误差的一种校正。大气对阳光和来自目标的辐射产生吸收和散射，消除大气的影响是非常重要的，在图像匹配和变化检测中消除大气影响尤为重要。消除大气影响的校正过程称为大气校正。[2]南京师范大学 专题《遥感数字图象处理》/dky/nb/page/2000-8-8/2000882012459413.htm
总的来说，遥感图像的大气校正方法很多。如果按照校正后的结果，这些校正方法可以分为2种,绝对大气校正方法和相对大气校正方法。绝对大气校正方法是将遥感图像的DN(digital number)值转换为地表反射率或地表反射辐亮度的方法。相对大气校正方法校正后得到的图像,相同的DN值表示相同的地物反射率,其结果不考虑地物的实际反射率。[3]
图像局部特征提取方法综述
引言：
图像是一种包含丰富信息的视觉表征形式，但如何从图像中提取有助于识别和描述图像内容的局部特征一直是计算机视觉领域的一个重要研究方向。图像局部特征提取方法的目标是在不受图像整体变化的影响下，提取出能够表征图像局部结构和纹理信息的特征点。本文将综述目前常用的图像局部特征提取方法，并对其优缺点进行评述。
一、经典的图像局部特征提取方法
1. 尺度不变特征变换(Scale-Invariant Feature Transform, SIFT)
SIFT是一种经典的图像局部特征提取算法，它通过检测极值点和描述关键区域的局部图像块的梯度分布来提取特征点。SIFT算法具有旋转、平移和尺度不变性，且对光照变化和噪声有一定的鲁棒性。然而，SIFT算法在计算时间和计算资源消耗方面存在一定的局限性。
2. 尺度空间极值法(Scale-Space Extrema, DoG)
DoG是尺度空间极值法的一种实现方式，通过在不同尺度下对图像进行高斯平滑和差分运算，从而检测出具有较大尺度极值的特征点。DoG算法具有尺度不变性，并且对图像的旋转、平移和仿射变换具有一定的鲁棒性。然而，DoG算法在计算速度和尺度空间选择方面存在一些问题。
3. 快速特征检测(Fast Feature Detector, FAST)
FAST算法是一种基于像素值比较的简单快速特征检测算法，它通过比较像素点和周围邻域像素点的灰度值大小来检测图像中的角点特征。FAST算法具有快速检测速度和低计算复杂度的优点，适用于实时应用。然而，FAST算法对旋转、尺度和光照变化较为敏感。
4. 加速稳健特征(Accelerated Robust Features, SURF)
SURF算法是基于Hessian矩阵的加速稳健特征提取算法，它通过检测图像中的兴趣点、计算兴趣点的主方向和提取描述子来提取特征点。SURF算法具有较快的计算速度和较好的尺度不变性。然而，SURF算法在处理图像模糊和噪声方面相对较弱。
龙源期刊网
图像超分辨率重建算法综述
作者：龙超
来源：《科技视界》2015年第13期
【摘 要】超分辨率图像重建是指由同一场景的低分辨率退化图像（或图像序列）重建出一幅（或多幅）清晰的高分辨率图像。该技术已经成为图像处理领域的研究热点，然而传统的方法已很难获得突破，今年来过完备稀疏表示为超分辨重建提供了一种新的思路，也成为了目前的热点。本文通过分析超分辨率技术的三个方面的算法，分析了其以往和最新的研究进展，并对未来超分辨率技术的发展重点作了一点展望。
【关键词】超分辨率；图像重建；过完备稀疏表示
0 引言
超分辨率图像重建[1]是指由同一场景的低分辨率退化图像重建出一幅清晰的高分辨率图像。它借助信号估计理论，很好地解决了固有的传感器阵列排列密度限制引起的图像分辨率低的问题，弥补了传感器硬件方面的不足。同时，超分辨率重建可以有效地克服图像获取过程中的模糊、噪声等退化因素的影响，在工业控制、医学成像、遥感、安全监控、视频信号传输等领域具有广阔的应用前景。超分辨率重建技术具有重要的理论意义和应用价值，成为图像处理、计算机视觉和应用数学等领域研究的国际热点问题。经过近 30年的研究与发展，出现了大量关于图像超分辨率技术的研究成果。一般说来，图像超分辨技术主要分为三种类型：基于插值的方法、基于重构的方法和基于学习的方法。
1 基于插值的超分辨率方法
基于多帧图像插值技术的方法是超分辨率研究中最直观的方法。这类方法首先估计各帧图像之间的相对运动信息，获得高分辨率图像在非均匀间距采样点上的像素值，接着通过非均匀插值得到高分辨率图像栅格上的像素值， 最后采用图像恢复技术来去除模糊和降低噪声。典型的方法包括： Rajan和 Chaudhuri[2]通过分解、插值和融合3个步骤实现的通用插值方法；Taohj等[3]提出的小波域的双线性插值；Lertrat-tanapanich和 Bose[4]提出的使用基于光滑性约束的Delaunay三角化插值算法等。
基于热核信号的3D图形的分层匹配方法
I. 引言
- 介绍3D图形的分层匹配方法以及其在热核信号中的应用
- 强调热核信号对于医学图像分析的重要性
II. 相关工作
- 对已有的基于热核信号的3D图形匹配方法进行综述和分析
- 总结不同方法的优缺点，并指出其在特定场景下的适用性
III. 基于热核信号的3D图形分层匹配方法
- 提出一种新的基于热核信号的3D图形分层匹配方法
- 详细说明该方法的工作原理，包括深度学习技术和梯度下降算法的应用
IV. 实验结果与分析
- 使用我们提出的方法对热核信号图像进行分层匹配
- 与其他方法进行比较，并说明提出方法的优势所在
- 分析实验结果，探讨该方法的局限性
V. 结论和展望
- 总结本论文主要内容，并指出下一步研究的方向
- 强调本研究对于医学图像分析的意义和应用前景
VI. 参考文献随着计算机技术的不断发展和医学影像学的广泛应用，3D图形匹配已成为医学图像处理领域的一个重要研究方向之一。3D图形匹配可以描述体素或点之间的相对位置及其之间的关系，是研究医学图像形态分析、特征分析、手术仿真等领域的基础。与2D图像相比，3D图形匹配具有更复杂的图形结构和更大的数据规模，因此需要更精确和高效的算法来进行匹配。
在医学图像处理中，热核信号是一种常见的图像信号，可用于对临床疾病进行诊断和治疗。热核信号具有很强的空间分辨率和时间分辨率，这为匹配和定位提供了可靠的信息来源。
基于热核信号的3D图形分层匹配方法是一种新兴的研究方向，在医学影像学中应用广泛。该方法利用热核信号图像的特征，结合深度学习技术和梯度下降算法来实现3D图形匹配。其主要思路是将3D图形拆分为多个层次，然后在每个层次中分别进行匹配，从而提高匹配速度和精度。
本文的主要研究目的是探讨基于热核信号的3D图形分层匹配方法的原理、实现和效果，并对该方法进行系统评估和对比实验。文章主要分为五个部分。
