一种新型基于利用全色锐化技术的插值高光谱图像亚像元定位

利用全色锐化技术提出了一种新型基于插值的高光谱图像亚像元定位方法。在该方法中,在现有的基于插值的亚像元定位方法处理路径中加入一条新的处理路径。首先,在新的处理路径中利用全色锐化技术对原始粗高光谱图像的空间分辨率进行改进,通过对改进后的图像进行光谱解混得到新型精细丰度图像。其次,将新路径下产生的新型精细丰度图像与现有路径下的精细丰度图像进行融合,得到具有更多空间-光谱信息的更精细丰度图像。最后,根据更细分数图像的预测值,类别分配方法给每个亚像元分配类标签,得到最终的定位结果。实验结果表明,该方法比现有的基于插值的亚像元定位方法产生具有更高的定位精度。     

基于不规则尺度区域光谱信息的高光谱图像亚像元定位（英文）

亚像元定位技术可以分析混合像元,并实现从丰度图像到亚像元级精细土地覆盖定位图像的转换。然而,传统的亚像元定位方法所使用的光谱信息通常在指定的矩形局部窗口中构造,并且很少使用所有波段的光谱信息,影响了亚像元定位的性能。为了解决这一问题,本文提出了一种基于不规则尺度区域光谱信息的高光谱图像亚像元定位方法 （SIISA）。在三幅遥感图像上的实验结果表明,所提出的SIISA优于现有的亚像元定位方法。     

考虑点扩散函数效应的光谱遥感图像超分辨率制图

由于硬件设备的限制和土地覆盖类别的多样性,采集得到的光谱遥感图像的空间分辨率有时较为粗糙,导致大量混合像元产生,严重影响了土地覆盖类型空间分布的制图精度。超分辨率制图技术可以有效地处理光谱遥感图像中的混合像元,获得准确的地物类别分布信息。在遥感大数据背景下,来自同一卫星采集同一区域的多位移图像可以作为辅助数据改进超分辨率制图结果。然而,目前多位移图像插值超分辨率制图方法很少有效地考虑点扩散函数效应影响,导致制图结果精度降低。为了解决这一问题,本文提出了一种考虑点扩散函数效应的多位移光谱遥感图像超分辨率制图方法,改善土地覆盖类别制图结果。在所提出的方法中,首先,对多位移图像进行光谱解混,以生成粗糙丰度图像。然后,在考虑点扩散函数效应的情况下,对粗糙丰度图像先采用面到点克里格法,然后进行理想方波滤波,得到改善的粗糙丰度图像。接下来,通过插值对改善的粗糙丰度图像进行上采样以获得上采样丰度图像,并对上采样的所有丰度图像进行整合以获得精细丰度图像。最后,根据精细丰度图像提供的类别比例信息,使用类别分配方法将类别标签分配给亚像元,以获得理想的制图结果。实验结果表明,通过减少点扩散函数效应影响,所提...     

基于端元字典稀疏解混的高光谱图像亚像元定位

针对高光谱图像中普遍存在的混合像元中各端元空间分布定位困难的问题,文中提出一种基于K-SVD的光谱解混算法,利用其解混结果进行亚像元定位。算法首先通过KNN分类来区分待处理图像中的混合像元和纯像元,然后借鉴基于冗余字典的稀疏分解相关理论,以标准光谱库为基础,通过基于K-SVD的字典训练算法训练产生最具代表性的地物光谱曲线,构建端元冗余字典,通过基于K-SVD的稀疏分解算法实现各端元丰度的求解。最后利用求得的丰度系数在两种空间性相关性约束下进行亚像元定位。实验结果表明,采用该算法进行模拟数据和真实数据的亚像元的定位可以取得不错的定位结果。     

基于约束空间光谱联合的亚像素定位方法北大核心CSCD

针对高光谱遥感图像,提出了一种约束空间光谱的亚像素定位方法。传统的亚像素定位方法以解混的结果作为输入,可能无法充分利用高光谱图像丰富的光谱信息。本文所提出的基于约束空间光谱联合的亚像素定位方法(constraint spatial-spectral subpixel mapping,CSSSM),利用下采样将像素丰度与亚像素丰度显式联系起来,代入线性解混模型得到亚像素丰度求解的新模型。在求解过程中,通过添加稀疏性约束与平滑性约束,以限制亚像素丰度的解空间,亚像素丰度求解更精确。其中,针对亚像素丰度稀疏性先验采用重加权1范数作为新的约束,并自适应地更新权重;针对亚像素丰度空间先验信息则采用全变分(total variational,TV)正则化作为约束,然后使用乘法迭代算法求解亚像素丰度,最后利用赢者通吃的策略进行类别确定。在两个合成数据集上进行了实验,结果表明,本方法能够进一步提高亚像素定位的精度。     

多偏移遥感图像的BP神经网络亚像元定位

提出了一种借助多偏移遥感图像来改进基于BP神经网络(BPNN)的亚像元定位新方法.不同于原BPNN方法使用单幅低空间分辨率观测图像,新方法利用多幅带有亚像元偏移的低空间分辨图像来确定亚像元属于各类的概率,然后根据概率值和地物覆盖比例确定亚像元类别,以降低BPNN定位模型中的不确定性和误差.实验表明,提出方法在视觉和定量评价上,均能获得更高精度的亚像元定位结果,验证了提出方法的有效性.     

基于两帧图像"亚像元"技术的插值方法研究

分析了两帧图像“亚像元”法的图像数据特征、插值处理的可行性以及提高图像空间分辨率的合理性。推导出三种插值方法——双线性插值、加权插值和线性代数插值的计算公式。在Matlab下进行模拟“亚像元”技术的插值计算,计算结果表明图像分辨率确能提高到“半个探测器像元”的空间分辨率。并对三种插值方法进行了比较。     

基于光谱相似度量的高光谱图像多任务联合稀疏光谱解混方法

基于图像中存在的邻域以及非局部相似等图像空间特征和联合稀疏解混思想,该文提出一种基于高光谱图像光谱相似性度量的多任务联合稀疏解混方法。通过高光谱图像的光谱特性统计值设定光谱度量阈值,对高光谱图像中相似的像元光谱进行光谱相似性度量分组,再对分组像元光谱数据进行多任务联合稀疏光谱解混模型的构建和求解,得到最终的丰度系数。模拟数据实验结果表明,该方法一定程度上提升了现有联合稀疏光谱解混方法的丰度估计精度,真实数据结果也验证了方法的有效性。     

一种大视场TDICCD相机的多传感器图像配准方法

某大视场TDICCD相机采用多片TDICCD拼接,多通道输出全色和多光谱遥感图像,为了获得良好的融合和拼接效果,本文提出了一种基于双线性插值的空域互相关配准方法。首先,应用双线性插值算法对多光谱各谱段图像进行放大,得到和全色图像相同大小的多光谱图像。然后,采用空域互相关配准方法对多光谱各谱段图像和全色图像进行配准,并对有重叠像元的两通道图像进行拼接。实验结果表明,本文方法快速,抗噪性和鲁棒性较高,使大视场TDICCD相机多通道遥感图像配准取得了良好的效果。     

双约束深度卷积网络的高光谱图像空谱解混方法

高光谱图像凭借其“图谱合一”的特点逐渐在军事、环境、农业等方面发挥出重要作用。但是，由于传感器空间分辨率的限制以及地物分布的复杂多样性，高光谱遥感图像中通常存在大量的混合像元，严重制约了高光谱遥感的应用范围。目前，处理混合像元问题最有效的分析方法是混合像元分解（解混）。近年来，深度学习的发展对高光谱遥感产生了重大影响，也催生出一系列基于深度学习的解混方法。现有基于深度学习的解混方法在隐藏信息挖掘方面表现出极大的潜力和优势，通常情况下能够取得更加准确的结果。然而，这些方法大多只考虑了地物的光谱信息而忽略空间分布规律，导致在复杂场景中估算结果可能并不理想，逐渐难以满足工程应用的实际需求。为进一步发掘和利用空间信息提升解混的准确性，本文构建了一种新的深度学习网络来实现高光谱图像解混。新提出的解混网络采用卷积层来获取先验信息，利用高斯核函数的特性来协助区分物质属性，并且通过分配中心像元与邻域像元间的权重来增进丰度平滑性。在新网络中，本文使用Softmax作为丰度对应层的激活函数来约束丰度的输出。此外，在Softmax中，本文采用了L1/2正则化来避免节点出现过拟合而影响最终结果，进一步强化了网...     

基于改进引导滤波和量子遗传算法的图像融合

为了有效解决图像融合中存在的光谱失真和空间细节信息缺失问题,提出一种基于改进引导滤波和量子遗传算法的图像融合方法。首先对多光谱图像进行上采样,并采用改进引导滤波对全色图像进行拟合处理,然后选用量子遗传算法对新的全色图像进行优化。依据小波变换法分别对多光谱图像和全色图像展开分解,选取高频部分进行加权平均融合,低频部分采用像素取大原则,最后通过小波逆变换得到融合图像。实验结果表明,改进方法能够有效提升图像的平均梯度、信息熵等指标,使得融合图像的光谱失真现象得到改善,边缘细节信息得到增强,视觉效果良好。     

一种结合结构与能量信息的全色与多光谱图像融合方法

分量替换是遥感图像融合中的一种经典方法，其具有良好的空间保真度，但容易产生光谱失真，为此本文提出一种结合结构与能量信息的全色与多光谱图像融合方法。方法首先通过超球面颜色空间变换分解多光谱图像的空间和光谱信息。其次，通过联合双边滤波引入了两层分解方案。然后，将全色图像和强度分量分解为结构层和能量层。最后，提出结构层通过邻域空间频率策略融合，强度分量的纯能量层用作预融合图像的能量层。强度分量定义颜色的强度，通过将预融合结构层与强度分量的能量层结合，可以有效地结合源图像的空间和光谱信息，从而减少全色锐化图像的光谱失真。本文在Pléiades和QuickBird数据集上进行大量实验，并对实验结果进行定性和定量分析，结果表明所提方法与现有先进方法相比具备一定优越性。     

基于多级引导滤波器的图像区域融合算法

为了提高多光谱图像与全色图像的融合质量,研究了多种滤波器和融合算法,提出了基于多级引导滤波器的区域融合方法。采用该方法对多光谱图像进行插值,利用改进的分水岭算法对全色图像进行区域划分,并将划分结果映射至每个多光谱图像,然后将多光谱图像与全色图像利用多级引导滤波器分别进行滤波,得到各自的细节信息,最后根据每个区域中全色图像和多光谱图像的关系指标局部相关系数与4阶相关系数的大小,对细节信息进行区域融合,得到融合后的多光谱图像。结果表明,该算法充分保留了多光谱图像的光谱信息,并尽可能多地注入了全色图像的细节信息,成功地提高了多光谱图像的融合效果。     

基于曲波变换的弱光照包装图像对比度设计增强方法

弱光照包装图像分辨率低的情况下,包装识别和检测的辨识度不高,需要进行对比度增强处理,提出基于曲波变换的弱光照包装图像对比度设计增强方法。构建图像空间特征信息检测模型,通过全色锐化方法多尺度分解图像,采用曲波变换方法重组全色锐化特征,结合字典集稀疏表示方法实现低维子空间表示,根据子空间细节表达结构构建弱光照包装图像对比度增强模型。结果表明,采用该方法进行弱光照包装图像对比度增强处理,提高了图像的辨识度水平和细节特征表达能力,辨识误差较低,平均为0.045,峰值信噪比较高,平均为42.134 dB,图像增强耗时平均为239.75 ms。     

最小体积约束的高光谱图像分辨率增强算法

针对现有的高光谱多光谱图像融合算法解空间较大、未考虑高光谱数据的物理意义以及存在局部最优的问题,提出了一种基于单形体最小体积约束的耦合非负矩阵分解的高光谱与多光谱图像融合算法(MVC-CNMF)。该算法在混合像元解混的过程中,考虑图像的物理意义,加入了端元单形体最小体积约束。由仿真结果可以看出,该算法能有效地克服现有融合算法中的缺陷,实现了高光谱与多光谱图像的端元与丰度的精确匹配,获得高空间分辨率的融合图像,尤其适用于端元数目较多的高光谱图像。     

两帧图像的"亚象元"技术提高探测图像的空间分辨率

给出两帧图像“亚象元”成像系统的调制传递函数 ,由此分析得出 ,这种技术将采样频率提高 1.4倍 ,适用于探测器占孔比接近 1,按照“亚象元”数字图像的特征 ,进行三种不同插值方法的研究。模拟“亚象元”成像证明 ,两帧图像“亚象元”技术能使图像的空间分辨率提高 1.3 3倍 ,再经过插值处理后 ,图像的空间分辨率进一步提高 ,接近于 2倍的理论值 ,图像质量略逊于四帧图像的亚象元级像。以一块分辨率板作为目标物的实验研究表明 ,两帧图像的“亚象元”成像 ,配合去卷积、图像增强以及插值等数字图像处理 ,空间分辨率得到提高     

基于高光谱解混的伪装目标识别技术研究

高光谱遥感图像识别技术在伪装目标识别方面具有很大的应用前景。针对高光谱遥感图像中的混合像元和光谱变异问题,提出基于高光谱解混技术的伪装目标识别方法。该方法采用扩展线性混合模型表征高光谱图像中的光谱变异问题,利用超像元分割技术将原始高光谱图像转换为粗细多尺度特征图,对超像元丰度矩阵附加8-邻域空间加权与行约束,以降低噪声和奇异点像元的影响。针对伪装目标空间分布稀疏的特点,在模型中增加丰度矩阵的截断加权核范数作为正则化项,以提高算法精度。实验结果表明提出的方法具有良好的抗噪性和较高的解混精度,可以有效提高伪装目标识别精度。     

高光谱解混方法研究

高光谱图像的空间分辨率较低,导致大量混合像元存在于高光谱图像中。混合像元的存在是使高光谱图像目标分类准确率降低的主要原因之一。高光谱像元解混在高光谱遥感图像处理中具有非常重要的意义。高光谱像元解混主要分为线性和非线性光谱解混两种方法,研究最广泛的是线性光谱解混。归纳了线性光谱解混的两个步骤:（1）提取纯净像元中地物的光谱信号,即提取端元,这是关键步骤;（2）利用端元的加权线性组合对混合像元进行光谱解混,即丰度反演。简述了端元提取及丰度反演研究的主要进展,介绍了端元提取的几种典型算法。通过归纳、对比和分析,总结了不同端元提取方法的特点,并对高光谱解混的研究前景进行了展望。     

一种多光谱图像和全色图像融合算法

文章提出了一种新的基于独立成分分析的多光谱图像和全色图像的融合算法:对于两幅图像的重叠区域,使用独立成分分析去除遥感图像中高阶数据冗余问题,通过独立成分分析使得所分离的各个分量进行叠加从而得到最终的融合结果,从而提高了融合后图像的信息量和信噪比,同时使融合图像兼具全色图像的高分辨率和多光谱图像中特有的对目标某些独特特征的精细描述,使融合图像包含更丰富更有效的信息.     

基于滤波器组的遥感图像融合方法及其性能分析研究

提出了一种基于滤波器组的图像融合方法,用以融合高空间分辨率全色图像和低空间分辨率的多光谱图像．在高空间分辨率全色图像经过多通道滤波器组分解的基础上,用多光谱图像直接替换全色图像低频子图像的方式进行融合处理;最后对替代后的子图像进行滤波器组重构得到融合后的图像．实验结果表明,通过调整滤波器组的通道个数,该方法能够使融合图像中空间信息和多光谱信息获得更好地折衷．