基于图非负矩阵分解变分约束的遥感图像配准方法研究

Graph spectral theory has become one of the hot research spots in image registration due to its elegant geometric, structure and topological description. However, there are still some urgent problems such as robustness and high computational complexity to solve. This project intends to use the graph spectral theory, variation principle and non-negative matrix factorization as mathematical tools to study fast and robust remote sensing image registration based on graph non-negative matrix factorization total variation-constrained as well as its applications. Firstly, the graph non-negative matrix factorization total variation-constrained method is proposed, which can remove effectively noise and protect image edge features, so as to enhance robust image registration. Secondly, the graph non-negative matrix factorization generalized total variation-constrained method is proposed, which can enhance effectively the details of the edge features, avoid false edges, improve the discrimination ability of the data, and achieve robust image registration. Finally, the graph non-negative matrix factorization adaptive total variation-constrained method is proposed, which can adjust adaptively constraint term according to image feature information, so as to remove effectively noise and enhance edge features, avoid parameter selection, enhance discrimination ability, improve the stability and reliability of image registration. The research results of this project will provide a new technical method for image fusion, change detection and target tracking.

基于图谱理论的方法由于其良好的几何、结构和拓扑描述能力，成为当前图像配准研究的热点之一，但仍存在着配准的稳健性、计算复杂度高等问题。本项目借助图谱理论、变法原理和非负矩阵分解等数学工具，研究基于图非负矩阵分解变分约束的遥感图像快速稳健配准方法及应用问题。主要研究内容为：(1) 给出基于图非负矩阵分解变分约束方法，有效去除噪声，较好保护图像边缘特征，增强图像配准的稳健性；(2) 给出图非负矩阵分解广义变分约束方法，有效增强边缘特征细节，避免虚假边缘，提高数据鉴别能力，实现图像的稳健配准；(3) 给出基于图非负矩阵分解自适应变分约束方法，根据图像特征信息自适应调整约束项，能有效去除噪声并增强边缘特征，避免参数选取，增强鉴别能力，提高配准的稳定性和可靠性。本项目的研究将为图像融合、变化检测和目标跟踪等提供一种新的技术方法。

基于图谱理论的方法由于其良好的几何、结构和拓扑描述能力，成为当前图像配准研究的热点之一，但仍存在着配准的稳健性、计算复杂度高等问题。本项目借助图谱理论、变法原理和非负矩阵分解等数学工具，主要围绕基于图非负矩阵分解变分约束的遥感图像配准方法研究。针对图像配准的局部显著特征提取描述、图非负矩阵分解变分约束、广义变分约束和自适应变分约束以及可扩展性问题开展了研究。研究内容主要包括图像局部显著特征提取描述研究、图非负矩阵分解变分约束方法研究、广义变分约束和自适应变分约束方法研究以及可扩展的稀疏表示的聚类、分割和重建等问题研究。. 图像局部显著特征提取描述研究：局部特征在图像配准中起到非常重要的角色，如何特征提取和如何描述特征将直接影响图像配准的准确性和稳健性。本项目提出了基于不同局部特征描述的图像匹配；提出了基于图像局部的多块显著特征提取检测方法；提出了基于公理模糊集的可解释的语义特征提取；提出了基于局部仿射约束圆描述的遥感图像配准方法研究。. 图非负矩阵分解变分约束的方法研究：为了有效去除噪声干扰，增强边缘特征细节和数据鉴别能力，提出了基于全变分约束图规则化非负矩阵分解的图像配准方法研究；提出了基于全变分约束图规则化凸非负矩阵分解的数据表示方法研究。. 图非负矩阵分解广义变分约束的方法研究：为了能更好地揭示原数据内在几何结构信息以及产生光滑稳定的解，提出了基于图非负矩阵分解光滑约束的数据聚类方法；提出了基于图非负矩阵分解Lp光滑约束的数据表示方法。. 图非负矩阵分解自适应变分约束的方法研究：提出了一种基于自适应变分约束的稀疏图非负矩阵分解聚类方法，该方法将自适应变分约束嵌入到非负矩阵分解中，较好保护图像边缘特征等细节，有效降低噪声的干扰和正则化参数的选取问题，增强了数据的鉴别能力，提高了图像稀疏表示的快速聚类及配准。. 基于图模型稀疏表示的扩展方法研究：估计同一场景的两幅图像之间的变换是图像配准的重要步骤，为了解决变换估计这问题，提出了基于残差分析的稳健变换估计器的无人机航空图像的应用；提出了基于快速特征增量谱聚类及其在图像分割中的应用；提出了基于合成孔径成像的遮挡目标三维重建；提出了基于三维上下文卷积神经网络的医学图像融合方法。