基于训练字典的遥感图像融合

为了提高多光谱图像与全色图像的融合质量,利用稀疏表示理论,提出了一种基于训练字典的融合算法。该算法对多光谱图像的亮度分量进行亮度平滑滤波（SFIM）得到新的亮度分量,利用图像块随机采样学习得到的训练字典对全色图像和新的亮度分量进行稀疏表示,采用空间频率取大的融合规则对稀疏系数进行融合,通过重构和IHS逆变换得到融合结果。对不同场景、不同卫星的多光谱图像和全色图像进行实验,结果表明,该方法能在提高空间分辨率的同时更好地保持光谱特性。     

基于Bayesian压缩感知的融合算法

根据压缩感知理论中的采样模式,提出了一种基于改进采样模式的压缩域图像融合算法.该算法首先通过双星型采样模式获得待融合图像的稀疏域压缩测量值,然后利用一种简单的绝对值最大融合规则直接在压缩感知域进行融合,最后通过贝叶斯的方法重构融合图像.在图像重建的过程中采用了贝叶斯方法.由于考虑了误差以及噪声的影响,使得融合图像的质量进一步提高.仿真结果表明,该算法具有良好的融合效果.     

基于DCT的遥感图像融合算法

提出一种结合离散余弦变换(DCT)与GIHS变换的遥感影像融合方法.该方法根据DCT的性质直接在DCT域进行遥感图像融合,适合于实时系统.对现有算法的融合实验结果进行比较,通过主观和客观评价,该方法能在提高空间分辨率与保持光谱特性之间得到更好的折中.     

基于快速清晰度估计的多聚焦图像融合

为了准确地估计源图像的清晰区域,提高多聚焦图像融合的效率,本文提出了一种新的基于清晰度估计的图像融合方法。首先,利用基于离散小波的清晰度估计方法获取源图像的聚焦区域,然后使用均值滤波和空洞填充进一步优化该聚焦区域,最后结合清晰度估计和相似性特性,将不同聚焦区域合并生成融合图像。该方法获得的融合图像在客观评价和主观质量上都优于以往基于清晰度的图像融合方法。     

基于边缘统计特征的遥感图像融合改进方法

针对传统小波变换融合方法中未对高频分量作进一步分解从而忽略了细节信息的缺点,提出了一种基于区域边缘特征的小波包融合算法。该方法对小波包分解后的低频分量采用能量加权的融合规则,高频分量则利用各个子带的方向性,计算其边缘特征统计量,通过权值法得到融合系数。对SPOT多光谱图像和高分辨率图像进行融合实验,实验数据和理论分析表明,该方法的平均梯度等评价参数均有提高,在保持光谱信息的同时,有效地改进了图像的空间特征信息。     

线性模型的遥感图像时空融合

目的 时空融合是解决当前传感器无法兼顾遥感图像的空间分辨率和时间分辨率的有效方法。在只有一对精细-粗略图像作为先验的条件下,当前的时空融合算法在预测地物变化时并不能取得令人满意的结果。针对这个问题,本文提出一种基于线性模型的遥感图像时空融合算法。方法 使用线性关系表示图像间的时间模型,并假设时间模型与传感器无关。通过分析图像时间变化的客观规律,对模型进行全局和局部约束。此外引入一种多时相的相似像素搜寻策略,更灵活地选取相似像素,消除了传统算法存在的模块效应。结果 在两个数据集上与STARFM（spatial and temporal adaptive reflectance fusion model）算法和FSDAF（flexible spatiotemporal data fusion）算法进行比较,实验结果表明,在主要发生物候变化的第1个数据集,本文方法的相关系数CC（correlation coefficient）分别提升了0.25%和0.28%,峰值信噪比PSNR（peak signal-to-noise ratio）分别提升了0.153 1 dB和1.379 dB,均方根误差RMSE（root mean squared error）分别降低了0.05%和0.69%,结构相似性SSIM（structural similarity）分别提升了0.79%和2.3%。在发生剧烈地物变化的第2个数据集,本文方法的相关系数分别提升了6.64%和3.26%,峰值信噪比分别提升了2.086 0 dB和2.510 7 dB,均方根误差分别降低了1.45%和2.08%,结构相似性分别提升了11.76%和11.2%。结论 本文方法根据时间变化的特点,对时间模型进行优化,同时采用更加灵活的相似像素搜寻策略,收到了很好的效果,提升了融合结果的准确性。     

基于改进Contourlet变换的遥感图像融合算法

针对基于Contourlet变换的遥感融合图像空间分辨率较低的问题,提出了一种基于改进的Contourlet变换(MCT)的遥感图像融合方法。首先,对多光谱图像进行亮度-色调-饱和度(IHS)变换,得到其亮度、色调、饱和度三个分量;其次,取多光谱图像的亮度分量,与直方图匹配后的全色图像进行改进的Contourlet变换,分别获得低频子带系数与高频子带系数;然后,对低频子带系数采用平均法进行融合,对高频子带系数采用新改进的拉普拉斯能量和(NSML)作为融合规则进行融合;最后,把融合结果作为多光谱图像的亮度分量,通过IHS逆变换得到融合的遥感图像。将所提方法与基于主成分分析(PCA)和Shearlet的方法、基于PCA与小波的方法以及基于非下采样Contourlet变换(NSCT)的方法相比,所提方法在清晰度评价指标平均梯度上分别提高了7.3%、6.9%和3.9%。实验结果表明,所提方法提高了Contourlet变换的频率局部化特性和分解系数利用率,在保持多光谱信息的基础上,有效地提高了遥感融合图像的空间分辨率。     

基于小波系数叠加的遥感图像融合法

在基于小波变换图像融合法的基础上提出了基于小波系数叠加的图像融合法。该方法首先将多光谱图像进行HSV（Hue,Saturation,Value）色彩空间变换,将V分量进行归一化得到V′,将V分量（取值范围为[0,255]）和归一化后的V′（取值范围为[0,1]）同全色图像一同进行小波分解,然后采用小波系数叠加策略进行融合,最后进行小波反变换和HSV反变换得到新的融合图像。实验结果证明该方法具有较好的融合效果。     

基于结构组稀疏表示的遥感图像融合

目的 稀疏表示在遥感图像融合上取得引人注目的良好效果,但由于经典稀疏表示没有考虑图像块与块之间的相似性,导致求解出的稀疏系数不够准确及字典学习的计算复杂度高。为提高稀疏表示遥感图像融合算法的效果和快速性,提出一种基于结构组稀疏表示的遥感图像融合方法。方法 首先,将相似图像块组成结构组,再通过组稀疏表示算法分别计算亮度分量和全色图像的自适应组字典和组稀疏系数;然后,根据绝对值最大规则进行全色图像稀疏系数的部分替换得到新的稀疏系数,利用全色图像的组字典和新的稀疏系数重构出高空间分辨率亮度图像;最后,应用通用分量替换（GCOS）框架计算融合后的高分辨率多光谱图像。结果 针对3组不同类型遥感图像的全色图像和多光谱图像分别进行了退化和未退化遥感融合实验,实验结果表明：在退化融合实验中,本文方法的相关系数、均方根误差、相对全局融合误差、通用图像质量评价指标和光谱角等评价指标比传统的融合算法更优越,其中相对全局融合误差分别是2.326 1、1.888 5和1.816 8均远低于传统融合算法;在未退化融合实验中,除了在绿色植物融合效果上略差于AWLP（additive wavelet luminance proportional）方法外,其他融合结果仍占有优势。与经典稀疏表示方法相比,由于字典学习的优越性,计算复杂度上要远低于经典稀疏表示的遥感图像融合算法。结论 本文算法更能保持图像的光谱特性和空间信息,适用于不同类型遥感图像的全色图像和多光谱图像融合。     

改进NSCT和IHS变换相结合的遥感影像融合

目的 目的为了增强多光谱和全色影像融合质量,提出基于脉冲耦合神经网络（PCNN）的非下采样Contoulet变换（NSCT）和IHS变换相结合的融合方法。方法 先对多光谱图像进行IHS变换提取亮度I分量,采用主成分分析增强I分量得到新的I⁺分量;然后通过NSCT变换分别对I⁺分量和全色图像进行分解,并采用边缘梯度信息激励的PCNN得到融合图像的低频和高频分量;最后进行NSCT逆变换、IHS逆变换得到融合图像。结果 利用资源一号02C卫星数据进行实验,结果表明该算法在保留光谱信息的同时提高了图像空间分辨率,获得了较好的融合效果。结论 结合NSCT和IHS变换的融合方法在视觉效果和客观评价指标上都优于常用的图像融合方法。     

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.     

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.     

基于替换规则的对偶树复小波变换遥感影像融合*

针对对偶树复小波变换(DT-CWT)比离散小波变换具有更好的方向选择性、平移不变性,能更好地表征影像特征的优点,提出了基于替换规则的对偶树复小波变换遥感多光谱和全色影像融合算法。通过对IKONOS影像的实验表明,本方法比基于实数小波变换的融合方法和IHS变换法有优势,在保留了光谱特征的基础上,更好地提高了融合影像的清晰度,且方法简单高效。     

迭代离散Shearlet变换异类源遥感图像融合

Shearlet变换是一种多尺度几何分析算法,适用于遥感这类纹理丰富、边缘复杂的图像处理。提出了一种基于迭代离散Shearlet变换的图像融合算法,将源图像进行分解,得到图像的多尺度、多方向树型结构表示;对粗糙分量和带通细节分量分别采用不同的融合规,得到融合图像的树型结构表示;最后进行Shearlet反变换得到融合图像。仿真结果表明,提出的算法比基于Contourlet变换的图像融合算法有更好的效果,更有利于保留纹理和边缘信息。     

基于贝叶斯压缩感知的正交频分复用信道估计改进

为了获得理想的正交频分复用信道估计结果,针对传统算法没有充分利用无线信道时域的固有稀疏性,导致估计精度不高且频谱利用率低等难题,提出了改进贝叶斯算法感知的正交频分复用信道估计算法。首先在详细介绍本文算法的原理和步骤基础上,与传统信道估计算法进行仿真对比实验。仿真结果表明,相对于其它信道估计算法,本算法可获得更高的信道估计精度,在使用较少导频的条件下获得很好的信道估计性能。     

基于压缩感知理论的图像融合方法

基于压缩感知（Compressed Sensing,CS）理论,提出了一种采样点少且结构简单易实现的图像融合方法。对需要处理的两幅或多幅图像进行小波变换,分别对得到的小波系数进行稀疏处理得到稀疏矩阵,通过系数绝对值较大法进行融合,对融合后的系数矩阵通过随机观测获取压缩采样,而图像恢复则是对得到的压缩采样通过求解最优化的问题得到。由于对小波系数进行了稀疏处理,故该方法可以用少量的采样点来恢复图像。实验结果表明,在相同采样点下,该方法得到的图像质量（PSNR）明显优于传统的系数绝对值较大法融合;在少量采样点下,采用该方法也可以使融合的图像达到较好的效果。     

结合线性稀疏表示和图像抠图的多聚焦图像融合方法

针对现有的多聚焦图像融合方法对聚焦/散焦边界（FDB）信息捕捉不准确的问题,提出了一种新的基于线性稀疏表示和图像抠图的多聚焦图像融合方法。首先,引入一种基于线性稀疏表示的焦点测度,它利用自然图像形成的字典与输入图像在局部窗口上的线性关系,通过求解线性系数来表示图像的焦点信息。然后,利用焦点测度获取源图像的焦点图和一个由聚焦区域、散焦区域以及包含FDB的未知区域组成的三元图,并将三元图作为一个输入,采用图像抠图技术处理源图像的FDB区域,从而得到较精确的全聚焦图像。最后,为了进一步提高融合图像的质量,将得到的全聚焦图像作为新字典实现融合过程的迭代进行,在经过设定的更新次数后得到最终的全聚焦融合图像。实验结果表明,相比于11种最先进的多聚焦图像融合方法,该方法具有较好的融合性能和视觉效果,且有较高的计算效率。     

自适应PCNN和改进C-V结合的遥感图像变化检测

为获取保留图像信息较完好的差异图并得到更好的变化检测结果,提出一种基于自适应脉冲耦合神经网络（PC‐NN）和改进Chan‐Vese （C‐V）模型的非监督的不同时相遥感图像的变化检测算法。用差值法、比值法对两幅遥感图像进行差异图获取;用自适应PCNN图像融合算法对两幅差异图进行融合,获取保留图像信息较好的差异图;用基于改进C‐V模型的分割算法对融合后的差异图进行分割,得到变化检测结果图。实验结果表明,该算法具有很好的变化检测效果,总检测精度较高。     

贝叶斯框架下的非参数估计Graph Cuts分割算法

假设图像中各像素灰度值是具有一定概率分布的随机变量,由贝叶斯定理,正确分割观测图像等价于求出具有最大后验概率的实际图像估计。在此框架下,提出了一种改进型Graph Cuts图像分割算法。与传统Graph Cuts分割算法相比,该算法在模型建立上有两个方面的改进：1)将模糊C均值聚类引入数据约束能量函数来得到各像素在某个标记下的概率,改善了收敛性能;2)使用非参数方法估计图像的统计分布,然后用此统计量构成图像分割的先验概率,并保证分割结果的局部平滑。由于非参数估计是由样本直接估计得到的结果,特别适用于小样本和分布函数不恒定的情况,因此拓展了算法的适用范围。实验结果表明,改进算法在遥感图像分割和医学图像分割中均提高了分割精度,证明了该算法的有效性。     

改进的小波变换在多源遥感图像融合中的应用

在分析方向可调的小波变换与不可分离小波变换的基础上,以全色SPOT和多光谱TM遥感影像为数据源,结合可调小波变换与不可分离小波变换的优点,借助Matlab与ERDAS IMAGINE等工具,实现了改进的方向可调的不可分离框架小波变换的遥感影像融合处理.该方法与传统的融合方法相比,具有不可分离小波变换和方向可调性等优点,对图像的多分辨率信息的刻画比较精细,既能保持多光谱图像的光谱信息,又能保持全色图像的空间分辨率特性,从而提高了对影像的解译能力.