基于种群增量学习的遥感图像多特征融合配准研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 图像配准的研究背景及意义 | 第14-16页 |
| 1.2 图像配准的研究历史及现状 | 第16-18页 |
| 1.3 本文的研究内容及文章结构 | 第18-20页 |
| 第二章 图像配准技术的概述 | 第20-36页 |
| 2.1 图像配准的定义 | 第20页 |
| 2.2 图像的空间变换模型 | 第20-22页 |
| 2.3 图像配准的步骤 | 第22-25页 |
| 2.3.1 特征提取 | 第22-23页 |
| 2.3.2 特征匹配 | 第23页 |
| 2.3.3 变换模型选取 | 第23页 |
| 2.3.4 图像重采样和插值 | 第23-25页 |
| 2.4 图像配准的相似性测度 | 第25-27页 |
| 2.5 图像配准的常见方法 | 第27-34页 |
| 2.5.1 图像配准方法的大体框架 | 第27-30页 |
| 2.5.2 基于灰度的图像配准方法 | 第30-31页 |
| 2.5.3 基于特征的图像配准方法 | 第31-32页 |
| 2.5.4 基于变换域的图像配准方法 | 第32-34页 |
| 2.6 本章小结 | 第34-36页 |
| 第三章 基于PBIL算法的图像配准 | 第36-56页 |
| 3.1 尺度不变特征 | 第36-42页 |
| 3.1.1 高斯模糊 | 第36-37页 |
| 3.1.2 尺度空间检测 | 第37-39页 |
| 3.1.3 关键点的定位 | 第39-40页 |
| 3.1.4 关键点方向的分配 | 第40-41页 |
| 3.1.5 关键点特征描述子生成 | 第41-42页 |
| 3.1.6 特征的匹配 | 第42页 |
| 3.2 误匹配的滤除 | 第42-44页 |
| 3.2.1 霍夫变换 | 第43页 |
| 3.2.2 紧密区域法 | 第43-44页 |
| 3.2.3 RANSAC | 第44页 |
| 3.3 互信息 | 第44-46页 |
| 3.3.1 信息熵 | 第45页 |
| 3.3.2 互信息的计算 | 第45-46页 |
| 3.4 基于PBIL算法的优化方案 | 第46-48页 |
| 3.4.1 PBIL算法 | 第46-47页 |
| 3.4.2 优化方案 | 第47-48页 |
| 3.5 实验结果分析 | 第48-54页 |
| 3.5.1 实验图像 | 第48-51页 |
| 3.5.2 实验数据分析 | 第51-54页 |
| 3.6 本章小结 | 第54-56页 |
| 第四章 基于PBIL算法的多特征融合图像配准 | 第56-66页 |
| 4.1 多尺度Harris角点检测算法 | 第56-57页 |
| 4.2 双向匹配 | 第57页 |
| 4.3 基于图像多特征融合的优化方案 | 第57-58页 |
| 4.4 实验结果分析 | 第58-65页 |
| 4.4.1 实验图像 | 第58-61页 |
| 4.4.2 实验数据分析 | 第61-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 论文总结 | 第66页 |
| 5.2 展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 作者简介 | 第74-75页 |
