基于光谱曲线小波系数分维测度的高光谱影像高效分割方法

针对高光谱遥感影像处理效率的问题,提出了一种基于高光谱曲线小波分解低频系数分维特征影像和高频系数分维特征影像相结合的高光谱遥感影像分割方法。对高光谱响应曲线的分形测度进行了分析,提出基于光谱曲线小波分解高频系数的分维算法,得到多尺度高光谱分形特征影像。设计了低频系数分维特征影像和高频系数分维特征影像相结合的高光谱影像分割算法。高光谱曲线小波系数分维特征影像分割实验结果表明:该算法可取得与光谱曲线直接分形测度特征影像分割一致结果,但效率优于直接分维特征影像分割。     

一种基于非线性增益小波滤波的高光谱影像去噪技术研究

提出了一种光谱域非线性增益的高光谱影像小波滤波去噪方法。首先对高光谱曲线进行小波变换,计算低频部分的方差并以此设定噪声和特征之间阈值,对属于噪声的高频系数置零,对属于细节特征的高频系数非线性增益,实现对高光谱曲线的滤波去噪。通过与高光谱影像均值滤波平滑法、最小二乘平滑法对比分析结果表明,该方法在噪声抑制和细节保持方面取得了较好的效果。     

高光谱影像光谱响应曲线分维计算

高光谱影像光谱响应曲线包含丰富的光谱特征,分形维值可以表征复杂光谱响应曲线特征,提出了步长测量法光谱响应曲线分形维值计算算法及高光谱分形特征影像的生成流程,对OMIS影像上不同类型地物样本的光谱曲线分维特征计算结果表明,分维是一种有效表达像元光谱信息的特征值。讨论了光谱响应曲线分维值对于高光谱数据处理的意义。     

基于分形信号的高光谱影像增强方法

目前常用的高光谱影像增强方法大多继承了多光谱影像的增强处理方法,这类方法没有充分利用光谱信息,而基于混合像元分解的图像增强方法存在端元的选取问题。基于影像的自相似特征,探索运用分形信号进行遥感影像增强的可能性。以3景Hyperion高光谱影像数据为基础,把基于地毯的方法进行修正后用于计算高光谱影像中每一像元的分形信号。结果表明,与原始高光谱影像相比,分形信号影像可以更好地突出地物特征,从而达到影像增强的目的,原始曲线形态特征、初始尺度的选择以及采样点数目对分形信号和分形特征尺度均有影响。     

小波分形插值应用于遥感图像处理

鉴于自然物体图像具有分形特征,提出了小波分形插值应用于遥感图像处理的新方法．这种小波分形插值方法利用小波变换系数中低分辨率频带中的高频分量相似高分辨率频带中的高频分量的特点．将遥感图像在小波变换的基础上用分形做相似变换,进而通过反变换得到比原图像分辨率高的插值图像．实验证明,小波分形插值方法比现有的双线性插值、三次方B样条插值方法具有更好的性能．     

基于小波-Contourlet变换的遥感图像融合

给出了一种新的基于小渡-Contourlct变换的融合多传感全色和多光谱影像的算法.由于Contourlet变换具有良好的多方向性和多尺度,所以它比其它方法更适应于进行遥感图像融合.对于小波-Contourlet变换后得到的低频和高频分量系数,采用平均法选择低频区域系数,选择区域"能量"较大的高频系数作为融合影像的高频系数.实验结果表明,基于所提出的小波-Contourlct变换的融合结果优于其它常用的融合方法.     

基于ARSIS概念的遥感影像小波包融合

研究了基于ARSIS概念的遥感影像的小波包融合方法。利用小波包分解高分辨率影像和多光谱影像,在融合影像的低频小波包系数重构时采用波段间交互构建模式,即包含了多光谱影像低频小波包系数,也包含了高分辨率影像低频小波包系数。融合影像的高频小波包系数以局部方差为规则进行择优选取。融合实验结果证明,新方法在对原多光谱影像信息的保持上优于IHS方法,同时在保持高分辨率影像的细节信息上有所改善。     

一种基于区域分割的多尺度遥感图像融合方法

光谱保持和高分辨率保留是图像融合的重要问题,提出了一种区域分割和小波变换相结合的多尺度遥感图像融合方法。首先对经过配准的待融合图像进行小波变换,然后对变换后的低频系数进行基于区域标准差的分割,将低频系数分为目标信息和背景信息,接着对目标信息采取基于绝对值的融合,对背景信息采用基于灰度误差的融合。对小波变换后的高频系数采用基于清晰度的融合规则,最后进行小波逆变换得到融合图像。将该方法和几种常用融合方法进行对比分析,结果表明:该方法在有效地保持多光谱影像光谱信息的同时,可以有效地提高融合影像的空间细节信息,有利于后续进行信息提取和图像分类。     

基于多小波和分维的图像融合算法

多小波理论是小波理论的扩展,在图像处理方面具有单小波所不具有的优点。它能为图像提供一种比小波多分辨分析更精确的分析方法。在图像的多小波分解的不同尺度上的子图像间有自相似性,而自相似性又是分形分维的基础。于是,根据图像多小波分解的特点,提出了一种新的基于图像多小波分解的分维融合算法,将不同源图像经多小波变换分别分解成不同尺度的子图像,对高频子图像在相应的尺度上以分形分维作为权系数进行融合,对低频子图像在相应的尺度上以区域能量作为权系数进行融合,并分别采用多聚焦图像、可见光和红外图像作为源图像进行融合实验,实验结果表明该方法是可行的。     

混合多尺度分析和改进PCNN相结合的图像融合方法

为了更好地融合全色图像中的空间细节信息和多光谱图像中的光谱信息,提出一种基于混合多尺度分析和改进脉冲耦合神经网络(PCNN)的多光谱与全色图像融合方法.首先对全色图像和多光谱图像进行非下采样剪切波变换(NSST),并结合不同多尺度分析方法的互补特性,利用平稳小波变换(SWT)对低频分量部分进行二次分解,在混合多尺度域进行系数融合及SWT逆变换;然后采用基于PCNN的融合规则对高频分量部分进行融合;最后对融合后的高低频系数进行NSST逆变换,得到融合图像.在2组卫星拍摄的多光谱和全色图像上的实验结果表明,在主观视觉与客观评价指标的总体效果上,该方法优于其他8种经典以及流行方法.     

自适应对偶树复小波－Curvelet变换的遥感图像融合

Curvelet变换克服了小波变换在处理高维信号时的不足,比小波变换具有更好的方向性、较高的逼近精度和更好的稀疏表达性能。因此将Curvelet变换应用于图像融合领域,能更好地提取图像边缘特征,为融合提取更多的特征信息。利用对偶树复小波-Curvelett变换的多尺度和多方向性特征以及自适应融合规则在选取融合系数上的优势,提出了一种基于对偶树复小波-Curvelet变换的自适应遥感图像融合新算法。算法是将全色图像和多光谱图像进行对偶树复小波-Curvelet变换分解后,针对不同的频率域特点选择不同的融合规则,对低频系数选取区域能量的加权系数自适应融合规则,对高频系数特性选用了区域特征自适应的融合规则,最后通过重构得到融合图像。将其他的融合算法和所提算法进行主观和客观的对比,结果表明,基于对偶树复小波-Curvelet变换区域特征自适应的图像融合算法是一种有效可行的图像融合算法。     

谐波分析光谱角制图高光谱影像分类

目的 针对光谱角制图(SAM)分类算法对高光谱像元光谱曲线的局部特征和其辐射强度不敏感,而且易受噪声和维数灾难影响,致使分类效率低和精度较差等缺陷,将谐波分析(HA)技术引入到SAM高光谱影像分类中,提出一种基于谐波分析的光谱角制图(HA-SAM)高光谱影像分类算法.方法 利用HA技术将高光谱影像从光谱维变换到能量谱特征维空间,并提取低次谐波分量及特征系数(谐波余项、相位和振幅),用特征系数组成的向量代替光谱向量,对高光谱影像进行SAM分类.结果 将SAM和HA-SAM同时应用于EO-1卫星的Hyperion高光谱影像分类,通过对比和分析,验证了HA-SAM的优越性,再选择AVIRIS(airborne visible infrared imaging spectrometer)高光谱影像对HA-SAM进行验证,结果表明该算法具有较强的普适性.结论 HA-SAM提高了传统SAM高光谱影像分类的效率和精度,而且适用性较强具有良好的应用前景.     

一种新的多聚焦图像融合算法

提出了一种基于小波-Contourlet变换的多聚焦图像融合算法;该算法首先采用小波-Contourlet变换对源图像进行多尺度分解,得到高频和低频图像;接着根据高、低频分量各自的区域特性,采用不同的融合规则进行处理,得到小波-Contourlet变换域的融合系数,最后通过反变换得到融合图像;采用信息熵、标准差和互信息3个评价标准,将该算法和传统的小波算法和Contourlet算法的融合结果进行了比较;实验结果表明,该算法获得的评价指标都优于其它算法,且融合图像较好地从源图像中提取了有用信息,提高了融合质量.     

小波域中双稀疏的单幅图像超分辨

目的 过去几年,基于稀疏表示的单幅图像超分辨获得了广泛的研究,提出了一种小波域中双稀疏的图像超分辨方法。方法 由小波域中高频图像的稀疏性及高频图像块在空间冗余字典下表示系数的稀疏性,建立了双稀疏的超分辨模型,恢复出高分辨率图像的细节系数;然后利用小波的多尺度性及低分辨率图像可作为高分辨率图像低频系数的逼近的假设,超分辨图像由低分辨率图像的小波分解和估计的高分辨率图像的高频系数经过二层逆小波变换来重构。结果 通过大量的实验发现,双稀疏的方法不仅较好地恢复了图像的局部纹理与边缘,且在噪声图像的超分辨上也获得了不错的效果。结论 与现在流行的使用稀疏表示的超分辨方法相比,双稀疏的方法对噪声图像的超分辨效果更好,且计算复杂度减小。     

基于全卷积网络和自编码的高光谱图像分类

针对高光谱图像空间信息利用不足、标记样本数量较少的问题,提出一种基于全卷积网络和堆栈稀疏自编码的高光谱图像分类算法。基于迁移学习的思想,利用预训练好的全卷积网络FCN-8s,挖掘图像潜在的多尺度几何结构特征;选取其特征的像素邻域信息,采用拼接融合的方法与原光谱信息进行融合;利用堆栈稀疏自编码网络完成最终的多尺度空谱特征提取,并通过Softmax分类器实现分类。对三组遥感图像进行实验,结果显示,所提算法极大改善了边界区域的分类效果。     

基于局部熵的小波变换图像融合算法

研究基于小波变换的图像融合算法。首先对待融合图像进行小波多尺度分解,得到小波的分解系数,对高频分量和低频分量系数采取不同的融合规则。低频部分系数融合采用简单加权平均法,高频部分系数融合采用基于邻域熵值的方法。对融合后系数进行逆小波变换得到重构图像,融合后图像清晰、对比度好。与最大绝对值法、领域方差法作比较。最后通过熵、标准差、平均梯度值等参数对融合后的图像进行定量分析。实验数据表明提出的方法是切实可行的。     

基于随机森林的高光谱遥感图像分类

为了充分利用高光谱图像的光谱信息和空间结构信息,提出了一种新的基于随机森林的高光谱遥感图像分类方法,首先,利用主成分分析降低数据的维数,并对主成分进行独立成分分析提取其光谱特征,同时消除像元的空间相关性,再采用形态学分析提取像元的空间结构特征,然后,根据像元的谱域和空域特征分别构造随机森林,并引入空间连续性对像元点的预测结果进行约束修正,最后由投票机制决定最后的分类结果。在AVIRIS和ROSIS高光谱图像上的实验结果表明,所提方法的分类性能要优于传统的高光谱图像分类方法,且分类精度高于基于单一特征的方法。