一种多尺度高光谱影像小波分形维特征计算方法

提出了一种基于高光谱曲线小波分形测度的高光谱影像多尺度分形维特征分析方法。对高光谱影像的光谱响应曲线的小波域高频和低频系数统计特性、分形特征进行了分析,提出以小波低频分形维表征原始光谱曲线分形特征,以小波系数高频分形维表征高光谱细节特征方法,设计了基于高光谱曲线小波分形维的多尺度特征计算算法,实验结果表明,小波分形维值可有效表征丰富的光谱特征,可用于高光谱影像特征提取和分类。     

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。     

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。     

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。     

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。     

珠海一号高光谱遥感的表层土壤有机质含量反演方法

表层土壤有机质含量影响土壤光谱特性且在空间分布上呈异质性。采用光谱分辨率高、波段连续性强的高光谱遥感影像反演区域表层土壤有机质空间分布状况,可为精准农业提供科学管理依据。针对以往方法很少基于高光谱影像大尺度反演土壤表层有机质含量,以安徽省淮南市舜耕山以南的三和镇、曹庵镇为研究区,探索珠海一号高光谱遥感反演表层土壤有机质含量的方法。研究结果表明,研究区表层土壤有机质含量与珠海一号高光谱影像原始光谱反射率最大相关波段为656nm(r=-0.680);采用小波包分解原始光谱后,低频分量和高频分量与表层土壤有机质的最大相关性均有所提高,低频分量最大相关波段为656nm(r=-0.797),高频分量最大相关波段为700nm(r=-0.804)。采用多元线性回归对原始光谱、小波包分解低频分量、小波包分解高频分量建立土壤有机质预测模型取得了良好的效果,R2分别为0.747、0.770、0.789。依据小波包分解的低频分量、小波包分解的高频分量建立的基于高斯核变换的支持向量回归模型预测效果优于多元线性回归模型,预测值与实测值更接近。研究结果为开展大尺度遥感反演表层土壤有机质工作提供了新方法、新思路。     

一种小波变换融合的改进算法及其效果评价

在基于传统小波变换的遥感影像融合中,仅用到低分辨率影像经小波分解后的低频信息和高分辨率影像经小波分解后的高频信息,简单地对高分辨率影像的低频信息进行舍弃。文章提出一种对高分辨率影像的低频信息也加以充分利用的小波变换融合规则改进算法,并应用于SPOT5遥感影像的融合。通过以客观指标为标准进行效果评价表明,改进算法后,融合影像不仅清晰度提高,而且能最大程度地保留原多光谱影像的光谱信息。     

结合方向小波的多光谱与全色遥感图像融合算法

针对现有的遥感图像融合算法所得融合图像存在边缘清晰度不高与光谱保持能力较差等问题,根据方向小波变换的高效性与方向选择性,提出了一种结合方向小波的多光谱与全色遥感图像融合算法。该算法采用人眼的视觉特性首先对待融合图像进行预处理,并根据小波变换的分解特性,对低频子带小波系数采用基于能量比的图像融合规则,而对高频子带则采用基于纹理一致性的融合规则。实验结果表明:该算法能够在保留多光谱图像信息的基础上,得到清晰度较高的融合图像,其中对中等分辨率图像的融合处理效果最佳。     

角点测度在月球表面多光谱图像融合中的应用

根据Harris角点检测原理,提出角点测度的概念,并以角点测度响应值作为高频图像融合系数的选择依据,进而提出基于图像冗余小波域的角点测度重要中心系数算法。算法首先利用冗余小波变换把多光谱图像分解成小波平面和相似平面,然后利用角点测度响应函数来估计小波平面的角点测度,用基于角点测度响应值的重要中心系数融合规则融合小波平面。对相似平面则采取加权平均的融合规则,最后通过冗余小波逆变换得到融合图像。在实验中,用Clementine月球表面多光谱数据和SPOT5多光谱数据验证了算法的有效性,并和其他方法做了比较,除了基于视觉的主观比较以外,还引入了标准差、熵、清晰度和相关系数等客观评价指标对融合结果进行评价,结果表明,算法有效地保持了原图像的细节特征,如边缘、角点等。     

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。     

基于小波分形的图像分割算法

皮鞋内腔的自动测量是当今国内外都没有解决的难题。国外通常采用接触式测量,用传感器与皮鞋内腔接触获得数据。这种测量方法存在精度不高的缺点。重庆大学ICT中心在多年ICT研究的基础上提出了用工业CT来解决长期困扰皮鞋工业的难题。皮鞋内腔CT测量仪获得皮鞋的断面图像以后,由于工业CT通过断层扫描获得的图像通常会产生伪影见图1,它是图像中与被检物的物理参数分布没有对应关系的部分,因此图像质量不是非常理想,要对重建出来的图像进行准确的分割,才能够根据分割后的图像进行测量,进而根据多个断面的     

一种新的基于小波变换的多聚焦图像融合算法

提出了一种基于小波变换的多聚焦图像融合算法（简记为WMFFA）。首先综合源图像求得参照图像,并对源图像和参照图像分别做小波变换,将其分解成低频和高频图像,然后求出源图像的每个小波系数与参照图像中对应位置上的小波系数之间的距离,按照距离特征从源图像中选取小波系数,组成融合后的小波系数并进行小波反变换,得到融合图像。对提出的融合算法性能进行了评价与分析,结果表明提出的算法对多聚焦图像融合是有效的。     

粗定位和协同表示的高光谱图像异常检测

目的 由于在军事和民用应用中的重要作用,高光谱遥感影像异常检测在过去的20~30年里一直都是备受关注的研究热点。然而,考虑到异常点往往藏匿于大量的背景像元之中,且只占据很少的数量,给精确检测带来了不小的挑战。针对此问题,基于异常点往往表现在高频的细节区域这一前提,本文提出了一种基于异常点粗定位和协同表示的高光谱遥感影像异常检测算法。方法 对输入的原始高光谱遥感影像进行空间维的降质操作;通过衡量降质后影像与原始影像在空间维的差异,粗略定位可能的异常点位置;将粗定位的异常点位置用于指导像元间的协同表示以重构像元;通过衡量重构像元与原始像元的差异,从而进一步优化异常检测结果。结果 在4个数据集上与6种方法进行了实验对比。对于San Diego数据集,次优算法和本文算法分别取得的AUC （area under curve）值为0.978 6和0.994 0;对于HYDICE （hyperspectral digital image collection equipment）数据集,次优算法和本文算法的AUC值为0.993 6和0.998 5;对于Honghu数据集,次优算法和本文方法的AUC值分别为0.999 2和0.999 3;对Grand Isle数据集而言,尽管本文方法以0.001的差距略低于性能第1的算法,但从目视结果图中可见,本文方法所产生的虚警目标远少于性能第1的算法。结论 本文所提出的粗定位和协同表示的高光谱异常检测算法,综合考虑了高光谱遥感影像的谱间特性,同时还利用了其空间特性以及空间信息的先验分布,从而获得异常检测结果的提升。     

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。     

小波变换和稀疏表示相结合的遥感图像融合

针对多光谱图像与全色图像的融合,提出一种结合小波变换和稀疏表示的融合算法.该算法充分利用小波变换具有保持光谱信息这一优势,首先对多光谱图像进行IHS (intensity-hue-satuation)变换,然后对亮度分量和全色图像进行单层小波变换,得到对应的高低频系数.分析高低频系数的特征,对于不能认为是“稀疏”的低频系数采用稀疏表示进行融合;对于可以认为是“稀疏”的高频系数采用图像信息融合规则进行融合.最后进行小波逆变换和IHS逆变换得到融合结果.实验结果表明,该算法最大限度地保留了光谱信息,并提高了空间分辨率.