基于成像机理的遥感图像融合

探讨了遥感多光谱与全色波段图像的融合问题．分析了多光谱与全色波段成像机理,提出了一种新的基于小波变换的遥感图像融合方法,实验结果表明,该方法可有效综合多光谱与全色波段图像的优点,从而获得具有较高空间分辨率的多谱图像．     

基于SVR和贝叶斯方法的全色与多光谱图像融合

将全色图像和多光谱图像进行融合,可以获得高空间分辨率和高光谱分辨率的融合图像.利用支持向量回归（SVR）模型构建的支持向量值轮廓波变换,对源图像进行多尺度、多方向、多分辨率分解;采用贝叶斯方法获得在不同分解水平上的全色图像和多光谱图像融合算法;利用支持向量回归的强大学习能力,通过全色图像和多光谱图像之间的相关关系,获得超分辨率的多光谱图像,解决贝叶斯方法中的待融合图像分辨率一致性问题.实验结果表明,采用该方法获得的融合图像既具有较高的空间细节表现能力,又保留了多光谱图像的光谱特征,融合效果优于传统的图像融合方法．     

基于穗帽变换的IKONOS多光谱和全色影像融合

将IKONOS多光谱影像进行穗帽变换,生成亮度、绿度、湿度等特征波段,然后对IKONOS全色波段与亮度波段进行直方图匹配,用匹配后生成的变量代替穗帽变换生成的亮度波段,再进行逆变换得到融合后的影像.比较了常规融合方法与穗帽融合方法对IKONOS多光谱波段和全色波段影像的融合效果.结果表明,穗帽融合方法较好地将多光谱影像的光谱信息与全色影像的纹理信息融入到融合后影像.目视及定量评价结果都表明,穗帽融合方法优于HIS、Brovey、主成分变换以及加权融合方法.平滑滤波亮度调节（SFIM）方法在光谱信息保真方面表现较好,而穗帽融合方法在纹理信息增加方面表现较好.     

多元遥感影像数据融合研究

由于遥感数据越来越丰富,不同传感器获取的影像数据在几何、光谱和空间分辨率等方面存在着一定的局限性和差异性。全色波段和多光谱影像融合得到的影像,兼有全色波段的高空间分辨率和多光谱影像的高光谱分辨率特性,可以满足影像解译的需求,而且融合后更能突出影像的某些特征：如土地利用变化和森林覆盖的变化等等。本文主要是介绍遥感影像融合的基本原理、融合后影像的评定和分析,并且将以主成份影像融合、IHS变换与直方图匹配法的遥感影像融合,进行以南昌市部分地区Quickbird全色影像和多光谱影像的融合实验分析。     

ALOS全色与多光谱影像融合方法的比较研究

以浙江省德清县ALOS影像为基础数据,探讨了利用乘积法、高通滤波法、小波变换、HIS变换、Brovey变换、PCA变换、Gram-Schmidt变换等七种影像融合方法,对ALOS全色与多光谱影像进行融合,对各方法的融合结果进行了定性和定量分析.实验结果表明,Gram-Schmidt变换在保持多光谱影像光谱信息的同时,显著提高了融合影像的空间分辨率,是最适合ALOS全色与多光谱影像的融合方法,为ALOS影像应用提供了参考.     

WorldView-2遥感图像融合新方法

新型高分辨率WorldView-2星载图像的出现给现有的图像融合技术带来了更大的挑战,该文提出了一种全色光和多光谱图像融合新方法。首先采用最近邻插值对多光谱图像重采样放大;然后结合WorldView-2各波段光谱响应特点利用多元线性回归构造出低分辨率全色光图像,通过对原始高分辨率全色光图像空间细节信息的提取并将其注入至多光谱图像的成分空间中;最后经对应分析反变换得到融合结果。实验结果表明,该方法在融合WorldView-2遥感图像时能够在提高空间分辨率和保持光谱信息两方面达到较好的平衡,优于现有的几种融合方法。     

基于IHS变换、小波变换与高通滤波 的遥感影像融合

基于IHS变换、小波变换与高通滤波的遥感影像融合方法。利用IHS变换法来增强结果影像的空间细节表现能力；利用小波变换法来保留多光谱影像的光谱特性；在使用小波变换法的同时，利用高通滤波法对小波变换的低频部分进行融合，以便尽量多保留全色影像的细节信息，避免融合后的影像出现细节模糊。新方法不仅很好地保留了多光谱影像的光谱信息，而且增强了结果影像的空间细节表现能力，提高了结果影像的信息量与清晰度。     

结合最优亮度分量的遥感图像融合方法

针对基于亮度色调饱和度变换的遥感图像融合方法中存在的光谱损失问题,提出了一种结合最优亮度分量的融合方法．根据全色图像的亮度分量,利用克隆选择算法给出每幅单光谱图像对应的全局优化权值,该权值可反映出每幅单光谱图像相对于全色图像亮度分量中所占的折中比例,从而减弱了单光谱图像间的相关性,可获得更加逼近全色图像的亮度分量;利用最优亮度分量在改进的空间分辨率增加(ARSIS)框架下获取具有高分辨率的多光谱图像．算法针对快鸟卫星图像数据的实验结果,验证了新方法在降低光谱损失和增强融合图像细节信息方面的有效性,所获得的融合后的高分辨率多光谱图像具有较小的光谱损失．     

Landsat7卫星多光谱图像与全色图像的数据融合

随着遥感技术的发展，遥感图像的数据融合备受关注．本论述利用小波变换和IHS相结合的方法对Landsat7多光谱图像与全色图像进行数据融合．选取徐州市南郊铜山新区的图像进行试验，并与颜色变换法融合图像进行对比分析，结果表明，无论是目视解译还是定量分析，该融合方法均优于颜色变换法．     

高分一号卫星影像的融合方法比较研究

高分一号卫星是国家高分辨率对地观测系统重大专项的首发星,它是由中国航天科技集团公司所属中国空间技术研究院航天东方红卫星有限公司研制,设计寿命5~8a。掌握和了解高分一号的影像融合质量情况对GF-1影像数据的应用和后继星的研制至关重要。以高分一号影像为研究对象,选取Brovey、HSV、PCA、Gram-Schmidt 4种融合方法进行对比实验,并对融合结果进行定性及定量评价。高分一号全色影像与多光谱影像融合既可以保留影像的多光谱信息,还可以提高影像的空间分辨率。结果表明,Brovey融合后较好地保留多光谱波段的光谱分辨率,但是空间信息的详细程度较低;HSV融合后融合效果处于中等位置;PCA法融合后光谱保持性最好,但是信息量损失较大;Gram-Schmidt法各项指标最优,不仅保持原来的光谱特性,且信息失真小,融合效果最为理想。     

基于小波包移频算法的遥感图像融合技术

为了对分类最小二乘支持向量机实施有效的稀疏化，以提高分类速率，采用分类相关分析算法，按序提取样本核矩阵的全部分类相关成分，并依据样本核矩阵各列与分类相关成分的相关性，对训练集所有个体按分类的重要性排序，进而可选取最重要的部分个体作为支持向量，并将其余非支持向量的信息转移至支持向量，以提高支持向量的分类表达能力.由此构建一种新的稀疏型最小二乘支持向量机CS LSSVM，并将其应用于多个模式分类的实际问题.测试结果表明，CS LSSVM稀疏性很强，且保持了标准LSSVM的分类性能，还可直接适用于多类问题.     

基于GF影像的不同融合方法对城市水体光谱保真度影响

为了评价融合后遥感影像上城市水体的光谱保真度,以GF1和GF2影像为数据源,应用经典的4种融合方法:Brovey、Gram-schmidt Pan Sharpening、NNDiffuse Pan Sharpening和主成分分析(principal component analysis,PCA),对GF1和GF2的全色影像和多光谱影像进行融合,并选取融合前后影像上的城市水体样本点,采用平均值、均方根误差(root mean square error,RMSE)、平均相对误差(mean relative error,MRE)来分析融合前后影像上城市水体波段偏差和波形保真度.结果表明:在波段偏差上,GF1和GF2影像均是采用NNDiffuse Pan Sharpening方法最好;在波形保真度上,GF1影像采用NNDiffuse Pan Sharpening方法最好,GF2影像采用Gram-schmidt Pan Sharpening方法最好.融合后的城市水体光谱保真度较好,可以进一步开展定量参数反演研究.     

基于小波变换的全色多光谱高空间图像数据双源融合算法处理技术研究

针对多光谱图像传感器数据与全色图像传感器数据进行了双源融合算法研究.在对现有的各种融合算法进行详细的归纳和总结的基础上,利用多光谱图像高光谱信息与全色图像高空间信息两者之间的互补性,研究了在尽可能保留原光谱信息的前提下,提高空间分辨率的像素级图像融合算法,并对多传感器遥感图像进行了仿真实验研究.     

非下采样Contourlet变换域多聚焦图像融合方法

针对同一场景的多聚焦图像融合问题,提出基于脉冲耦合神经网络(PCNN)的非下采样Contourlet变换(NSCT)域融合方法.将源图像经过NSCT变换生成的低通子带系数和带通方向子带系数输入PCNN,将各神经元迭代产生的点火频数构成点火映射图.采用接近度函数描述点火映射图邻域特性的关联程度,根据邻域接近度为融合图像选择相应的子带系数,通过NSCT逆变换得到融合结果.实验分析表明,新的融合方法在很大程度上保留了多聚焦图像的清晰区域和特征信息,具有比经典小波变换、Contourlet变换和常规NSCT方法更好的融合性能.     

Fusion of multi-spectral image and panchromatic image based on support vector regression

In our study,support vector value contourlet transform is constructed by using support vector regression model and directional filter banks.The transform is then used to decompose source images at multi-scale,multi-direction and multi-resolution.After that,the super-resolved multi-spectral image is reconstructed by utilizing the strong learning ability of support vector regression and the correlation between multi-spectral image and panchromatic image.Finally,the super-resolved multi-spectral image and the panchromatic image are fused based on regions at different levels.Our experiments show that,the learning method based on support vector regression can improve the effect of super-resolution of multi-spectral image.The fused image preserves both high space resolution and spectrum information of multi-spectral image.