多源遥感图像融合的数据同化算法

为解决现有融合方法不能根据遥感图像的后续处理要求对融合规则进行自适应调整的问题, 本文结合模型算子和观测算子的优点构建数据同化系统, 提出了基于数据同化和遗传粒子群方法的遥感图像融合算法. 该算法将平移不变性小波变换作为模型算子, 将对比度金字塔作为观测算子. 由后续处理对图像属性指标的依赖程度确定属性指标的权重, 用评价指标的加权和构造目标函数, 并用遗传粒子群算法优化目标函数, 从而获取高清晰度的遥感图像. 本文通过遥感全色图像与多光谱图像、红外图像与可见光图像的融合证明了算法的优越性.     

基于数据同化和遗传退火的多聚焦图像融合

针对现有的融合方法不能根据融合图像的后续使用目的对融合规则进行调整的问题,提出一个基于数据同化和遗传退火算法的多聚焦图像融合框架.该框架将小波变换作为模型算子,把主成分分析法作为观测算子,根据后续处理对图像各个属性指标值的依赖程度确定各个属性指标的权重;再用各个评价指标的加权和来构造目标函数;利用遗传退火算法优化目标甬数,以获取更合适的图像.最后通过一组实验证明了该框架的有效性.     

基于HSV变换与àtrous变换的图像融合

分析了àtrous算法,在此基础上引入了HSV色彩空间变换,提出了一种新的基于HSV色彩空间变换与àtrous小渡变换的图像融合法.融合过程为:将多光谱图像通过HSV变换为H、S和V这3个分量,然后将V分量与全色图像分别进行àtrous分解,并对分解得到的两组小波平面和近似图像采用不同的融合策略进行融合,最后将融合得到的V'分量与H和S分量进行HSV逆变换得到融合图像.同时,提出了两种小波系数的融合策略,实验结果表明,两种融合方案分别改善了融合图像的纹理和色彩信息的质量.     

非下采样方向滤波器组在遥感图像融合中的应用

利用具有平移不变性的非下采样方向滤波器组(NSDFB),结合具有平移不变性的àtrous小波变换,提出了一种基于NSDFB的低分辨率多光谱图像和高分辨率全色图像的融合方法.将多光谱图像亮度、色度、饱和度(IHS)色彩空间的I分量和全色图像(PAN)分别进行àttrous小波变换,并对得到的高频系数分别进行NSDFB分解,从而得到多方向的高频信息,然后将高低频系数分别通过一定的融合算子进行融合、重构,得到I'分量,最后通过IHS逆变换得到融合图像.实验结果表明,在几种不同的客观评价标准下,该方法优于传统的IHS、主成分分析法(PCA)和小波变换方法的融合效果,能有效地改善主成分分析法(PCA)和小波变换所带来的虚假边缘和光谱扭曲现象.     

一种基于à trous小波和联合稀疏表示的遥感图像融合方法

采用训练字典的稀疏表示方法能反映信号的本质特征和内在结构。针对遥感多光谱图像和全色图像融合存在的光谱失真问题,提出了一种基于àtrous小波和联合稀疏表示的融合方法。首先对多光谱图像进行IHS变换,然后对全色图像和变换后的多光谱亮度分量进行àtrous小波变换,对其低频分量进行字典训练,采用联合稀疏表示模型进行分解得到公共成分和独特成分,最后对稀疏系数进行融合。通过对山区和城区不同场景的IKONOS遥感数据进行实验,融合结果不仅在空间分辨率得到了提高,并且光谱分辨率保持较好,目视判读和量化分析表明其多数性能优于目前常用的传统算法。     

基于多方向àtrous小波变换的多传感器图像融合

分析和研究了非下采样方向滤波器组及具有平移不变性的àtrous小波变换的图像变换的优点,提出了一种基于多方向àtrous小波变换的图像融合方法。首先利用àtrous小波变换将待融合源图像分解成不同尺度,不同分辨率的高低频分量,再对高频分量利用非下采样方向滤波器组进行方向分解,然后采取不同的融合方法对分解的高低频分量进行融合处理,低频系数采取平均加权法融合,高频系数则采取局部梯度优先的加权法融合,最后将融合的各频带进行逆非下采样方向滤波器组变换和逆àtrous小波变换得到融合图像。实验表明,在几种不同的客观评价标准下,该方法优于传统小波域中的融合效果,能有效地消除小波变换所带来的光谱扭曲和假边缘现象。     

遗传算法在医学图像自适应融合中的应用

为了解决现有融合方法间的优点不易综合,以及融合规则不易根据图像后续处理的要求自适应地调整的问题,提出一种基于遗传算法的医学图像融合方法。分别利用形态学金字塔和平移不变性小波变换方法产生初始图像,构造由图像评价组成的目标函数,再利用遗传算法来优化目标函数从而获取最终的结果图像。通过实验,从主观视觉和标准方差、平均梯度、熵、空间频率、均方交叉熵等定量指标两方面,证明了该方法的有效性。     

基于à trous-Contourlet变换的遥感图像融合算法

基于à trous-Contourlet变换,提出一种多光谱与高分辨率图像融合的算法.首先结合à trous小波变换和Contourlet变换的优点,提出一种à trous-Contourlet变换方法,将其与IHS变换相结合,对图像进行多分辨率分解.然后根据高频系数的方差与相关系数,利用一种新的加权融合规则对高频部分进行融合.最后用高频附加的方法得到融合图像.实验证明,此方法相对传统的变换法,取得更优的融合结果.     

基于非子采样Contourlet变换的图像融合方法

分析了非子采样Contourlet变换滤波器组的设计与实现方法,提出一种基于非子采样Contourlet变换的图像融合方法.首先将图像作非子采样拉普拉斯金字塔尺度分解,并在各尺度层使用非子采样方向滤波器组对高频子带作方向分解,构成非子采样Contourlet变换;然后,采用基于区域能量的融合规则得到融合图像的非子采样Contourlet系数;最后进行非子采样Contourlet逆变换得到融合图像.实验结果表明,该方法的融合效果优于à trous小波变换方法和Mallat小波变换方法.     

一种结合sobel算子和小波变换的图像边缘检测方法

提出了一种基于数据融合的边缘检测方法.该方法对原始图像分别采用sobel算子和基于离散小波变换两种方法提取边缘,然后将两种方法的检测结果进行数据融合,得到一幅新的边缘图像.实验证明,融合后的图像边缘集合了两种检测方法的优点,是一种有效的图像边缘检测方法.     

Comparison and improvement of wavelet‐based image fusion

The wavelets used in image fusion can be categorized into three general classes: orthogonal, biorthogonal, and non‐orthogonal. Although these wavelets share some common properties, each wavelet also has a unique image decomposition and reconstruction characteristic that leads to different fusion results. This paper focuses on the comparison of the image‐fusion methods that utilize the wavelet of the above three general classes, and theoretically analyses the factors that lead to different fusion results. Normally, when a wavelet transformation alone is used for image fusion, the fusion result is not good. However, if a wavelet transform and a traditional fusion method, such as an IHS transform or a PCA transform, are integrated, better fusion results may be achieved. Therefore, this paper also discusses methods to improve wavelet‐based fusion by integrating an IHS or a PCA transform. As the substitution in the IHS transform or the PCA transform is limited to only one component, the integration of the wavelet transform with the IHS or PCA to improve or modify the component, and the use of IHS or PCA transform to fuse the image, can make the fusion process simpler and faster. This integration can also better preserve colour information. IKONOS and QuickBird image data are used to evaluate the seven kinds of wavelet fusion methods (orthogonal wavelet fusion with decimation, orthogonal wavelet fusion without decimation, biorthogonal wavelet fusion with decimation, biorthogonal wavelet fusion without decimation, wavelet fusion based on the ‘à trous’, wavelet and IHS transformation integration, and wavelet and PCA transformation integration). The fusion results are compared graphically, visually, and statistically, and show that wavelet‐integrated methods can improve the fusion result, reduce the ringing or aliasing effects to some extent, and make the whole image smoother. Comparisons of the final results also show that the final result is affected by the type of wavelets (orthogonal, biorthogonal, and non‐orthogonal), decimation or undecimation, and wavelet‐decomposition levels.     

àtrous小波-NSCT遥感图像融合

在IHS空间变换基础上,利用非下采样Contourlet变换中具有多方向性、平移不变性的非下采样方向滤波器组,并结合àtrous小波变换,实现了一种基于àtrous小波-NSCT变换的遥感多光谱图像和全色图像融合方法。针对传统的细节注入法融合规则会引起较大光谱失真,对变换所得的高频分量采用特征量积表达局部图像细节特征,依据决策因子阈值抽取全色图像细节信息,将经反方向滤波得到的有效高频细节面附加给多光谱图像分量。实验结果表明,在多种不同性能指标评价下,该算法得到的光谱扭曲最小,相关系数最大,同时空间细节质量也得到很好改善。     

基于多尺度小波的Roberts边缘检测法

在Roberts交叉梯度算子边缘检测框架基础上,提出一种小波增强的多尺度边缘检测方法,对不同尺度下的小波变换子图像,通过Roberts梯度算子对各子图像进行空间一次微分,得到对应尺度上的边缘图像,各尺度下边缘图像通过小波重构、融合及差影运算得到最终的边缘图像。实验结果表明,该算法实现简单,能有效地抑制噪声,补偿弱边缘,可以有效获取多个尺度下的边缘信息,对边缘信息定位精度高,是一种可行、有效的图像边缘检测的方法。     

基于小波变换的自适应脉冲耦合神经网络图像融合

针对同一场景多聚焦图像的融合问题,提出了一种基于小波变换的自适应脉冲耦合神经网络（PCNN）图像融合方法。首先,对源图像进行小波分解,得到不同尺度下的子带图像;然后,在小波域中利用PCNN的同步脉冲激发特性,制定基于PCNN的融合规则;使用不同尺度下的小波系数的拉普拉斯能量（EOL）作为对应神经元的链接强度,经过PCNN点火得到源图像在小波域中的点火映射图;通过判决选择算子,选择点火次数多的小波系数作为对应的融合系数,然后进行区域一致性检验,获到最终的融合系数;最后,对融合后的系数进行小波逆变换得到融合图像。实验结果表明,该方法更有效地提取原始图像的特征信息,提高融合图像的视觉效果,在主观视觉效果与客观性能指标上均优于传统的图像融合方法。     

Edge‐Optimized À‐Trous Wavelets for Local Contrast Enhancement with Robust Denoising

In this paper we extend the edge‐avoiding à‐trous wavelet transform for local contrast enhancement while avoiding common artifacts such as halos and gradient reversals. We show that this algorithm is a highly efficient and robust tool for image manipulation based on multi‐scale decompositions. It can achieve comparable results to previous high‐quality methods while being orders of magnitude faster and simpler to implement. Our method is much more robust than previously known fast methods by avoiding aliasing and ringing which is achieved by introducing a data‐adaptive edge weight. Operating on multi‐scale, our algorithm can directly include the BayesShrink method for denoising. For moderate noise levels our edge‐optimized technique consistently improves separation of signal and noise.     

一种基于提升小波变换的图像融合改进算法

提出一种基于提升小波变换的图像融合算法.对小波分解后的图像低频子带采用平均融合算子处理,在高频子带的融合中依据小波系数树状结构特点提出了一种新的自适应融合方法,最后经过小波逆变换得到融合图像.仿真实验结果表明该算法能有效地减少融合图像的失真,是一种有效的图像融合算法.