中高分辨率遥感影像融合研究

以浙江省衢州市的一个区域作为研究区,在阐述遥感图像融合原理的基础上,以QuickBird、SPOT5和Landsat ETM+全色与多光谱遥感图像为数据源,应用Brovey变换、SVR变换、PCA变换、Pansharp变换和Gram-schmidt变换等融合方法,对上述3类遥感图像进行了融合试验和分析,并从光谱信息和空间信息两个方面对融合效果进行计算分析,来比较这几种融合算法用于QuickBird、SPOT5、ETM+遥感图像融合的效果。研究结果表明,在QuickBird影像融合时Gram-schmidt变换法的效果最好。Pansharp变换法在SPOT5影像融合时综合效果优于其它方法。ETM+影像融合时,Gram-schmidt变换的光谱退化最小;在空间信息增强方面:Brovey变换在波段2、3融合时效果最好,在波段1、5、7上,SVR变换法优于其它变换法,而波段4融合时则是Pansharp变换最佳。     

基于Contourlet变换的遥感图像融合

利用Contourlet变换的多尺度、局部化、方向性和各向异性等优点,提出了一种基于Contourlet变换的遥感多光谱与全色波段图像融合新算法。算法首先对多光谱图像进行IHS变换,然后将多光谱的I分量和全色图像进行Contourlet分解,进而在不同子带中进行图像融合,低频采用一种新的基于形态学梯度算子的边缘信息融合算法,高频采用区域标准方差融合并使用形态学进行一致性检测,最后将得到的灰度融合图像进行线性拉伸并替代原来的I分量,进行IHS反变换后得到最终的融合图像。实验结果表明,与传统的图像融合算法相比,该算法能够更有效地融合源图像信息,保持源图像特征。     

多光谱遥感图像与高分辨率全色图像融合研究

介绍了遥感图像融合的一般过程和特点,研究了像素级融合的常用算法,归纳了融合图像的基本步骤,采用四种融合方法对高空间分辨率的全色图像与高光谱分辨率的多光谱图像进行像素级融合实验,发现基于小波变换的图像融合提供更多细节信息,Brovey变换法融合全色图像与多光谱图像目视效果最好,速度最快。     

利用ASTER数据评价ETM+遥感数据自身融合效果

ETM+自身融合后的遥感影像折中了全色波段的高空间分辨率和多光谱波段的光谱分辨能力。通过同一季相和同一地区的ASTER影像和ETM+自身融合后影像的极限放大进行对比分析,发现ETM+自身融合后的彩色合成影像的空间分辨力达不到15 m,但能保证到17.3 m;通过ASTER影像和ETM+融合后影像的NDVI植被指数的对比分析,发现ETM+自身融合后的彩色合成影像的综合光谱分辨能力仍能保持ETM+彩色合成影像的73%以上。ETM+自身融合效果的好坏与融合算法优劣也具有一定的关系。     

基于Iαβ色彩空间和Contourlet变换相结合的融合方法*

针对北京1号小卫星的多光谱与全色波段的分辨率比率较大,传统的融合方法会产生边界模糊和光谱扭曲现象,提出了一种新的融合算法。首先对多光谱与全色影像分别进行Iαβ和Contourlet变换;然后在频率域中采用不同的融合策略进行处理;最后进行Contourlet和Iαβ逆变换,得到融合图像。实验表明,本方法既提高了融合图像的空间细节信息又很好地保持了图像的光谱特征,优于传统的融合方法。     

基于2DPCA-NSCT变换的多光谱与全色图像融合

鉴于应用单一主成分分析(PCA)或非下采样Contourlet(NSCT)变换进行多光谱和全色图像融合存在的问题,提出了一种2DPCA-NSCT变换图像融合算法.首先对多光谱图像各波段进行二维PCA变换,视其主成分为信号而少量非主成分为噪声予以忽略;然后对全色图像和第一主成分做NSCT分解,在频域对近似分量和多方向高频分量按不同的融合规则融合;最后通过NSCT反变换得到融合图像.实验结果表明,所提出的融合算法在保持PCA变换良好的空间分辨率的同时改善了其光谱失真的问题.     

结合小波变换的梯度场图像渐进融合算法

基于梯度场的图像融合算法只适用于尺度差异不大于1∶4的多光谱图像与全色图像。针对尺度差异为1∶8的北京一号卫星多光谱图像及高分辨率全色图像的融合问题,提出一种结合小波变换的梯度场图像尺度渐进融合算法。利用小波变换方法将多光谱图像与高分辨率全色图像尺度差异倍数缩小,得到基于小波变换的初级融合,再进行基于梯度场的Poisson图像融合。实验结果表明,渐进融合图像与多光谱图像的平均颜色差异值为23.5,与高分辨率全色图像的平均梯度差异值为2.1,多尺度纹理特征值差异值分别为3.98、10.2、18.9,渐进融合图像与高分辨率全色图像的空间细节和纹理细节吻合程度更好。     

一种新的基于HIS和小波变换的图像融合方法*

针对遥感图像影像分辨率低的问题,提出了一种新的基于HIS和小波变换的低分辨多光谱和高分辨全色图像的融合方法.该方法通过对高分辨全色图像小波分解后的低频分量进行低通滤波,将全色图像的低频信息中的高频分量融入到多光谱图像HIS空间的亮度信息的低频中;再将这个融合后的低频和高分辨全色图像的细节信息进行小波反变换,得到融合后的图像.该图像很大程度地保留了多光谱的光谱特性和高分辨图像的空间分辨率.仿真结果表明了本方法的有效性.     

一种基于分类的融合算法

提出了一种基于分类的融合算法 ,可用于融合低分辨率多光谱影像和配准的高分辨率全色波段影像 .算法的主要步骤如下 :(1)将 1m高分辨率全色波段影像和 4 m低分辨率多光谱影像进行几何配准 ;(2 )采用监督或非监督分类算法对高分辨率影像和配准的多光谱影像进行统一分类 ;(3)根据每一类所对应的高分辨率全色波段影像直方图和相应的空间关系 ,对配准后单个波段的多光谱影像进行调整 .(4)采用柱状坐标系对调整后的多谱影像进行 HIS(Hue,Intensity,Saturation)变换 ,并反变换至 RGB(red,green,blue)彩色空间 ,从而得到融合影像 .以天安门附近 10 0× 10 0大小 IKONOS的 1m高分辨率全色波段影像和 4 m多光谱影像为例 ,对融合算法进行了验证 .实验结果表明 :(1)此算法可以融合分类信息、全色波段的高分辨率信息和多光谱波段的光谱信息 ,突出分类信息作为先验知识的重要性 [1 ] ;(2 )在精确分类的基础上 ,可部分消除目标物边界的假彩色现象 ,有较好的目视判读效果 ;(3)对融合过程中 ,先验知识与空间关系的加入作了一些有益的尝试 .     

应用引导滤波器和成像系统特性的多光谱与全色图像融合算法

为了提高多光谱与全色图像融合的质量,提出一种应用引导滤波器和成像系统特性的多光谱与全色图像融合算法。该算法采用引导滤波器建立降质全色图像与多光谱图像的关系,进而利用这种关系对多光谱图像进行插值;再对待融合的多光谱和全色图像进行区域划分和NSCT变换,然后结合LCCS、FOCC和图像成像系统特征对图像高频系数进行区域融合,最后进行逆NSCT变换得到融合图像。实验数值表明,该算法在充分保留了多光谱图像光谱信息的同时,尽可能多地注入了全色图像的细节信息,提高了多光谱图像的融合效果。     

提升五株形小波在多光谱图像融合中的应用

提出一种基于IHS变换和提升五株形小波变换相结合的融合方法,并把它应用于多光谱图像与高分辨图像的融合中。该算法对多光谱图像进行IHS变换,将得到的亮度分量I和高分辨率图像做多尺度提升五株形小波分解,采用不同的融合算子对高低频分量进行融合,对融合后图像进行提升五株形小波重构和IHS逆变换得到融合结果图像,并采用客观性能指标对融合结果图像进行了客观评价。实验结果表明,该方法对多光谱图像和高分辨率图像的融合有较好的融合效果,能从原图像中获得更多的信息,同时又能保持较高的空间分辨率。该方法的融合算法和分解层数的选取,是简便有效的,适用于多光谱图像融合。     

遥感图像融合方法研究

为了使融合图像在高空间分辨率的基础上较好地保留光谱信息,研究了高分辨率图像和多光谱图像中的高频信息的关系;在基于小波变换的图像融合方法中引入ISM模型（Inter-Band Structure Model）,改进了原有的融合方法;提出了基于ISM模型与小波变换（Wavelet Transform）（简称I-W）的图像融合方法;通过与HIS方法及PCA方法进行了实验对比,结果证明：文中所提出的方法能较好地保留图像的空间和光谱信息。     

基于NSCT和LSSVM的Landsat ETM+图像土地覆盖分类

提出一种新的基于非下采样Contourlet变换（NSCT）和最小二乘支持向量机（LSSVM）的遥感图像土地覆盖分类方法。该方法动态选择最优的多光谱图像的波段特征进行组合,基于NSCT和IHS对多光谱图像和全色图像进行融合,增强多光谱图像的空间分辨率,基于LSSVM对融合图像进行分类。实验结果表明,提出的方法在保留多光谱图像光谱信息的同时,增强了图像的空间细节表现能力,提供更加可靠的地物分类特征,提高了分类精度,并且优于传统的基于最小距离法、最大似然法、贝叶斯分类法和BPNN分类法的遥感图像分类方法,该方法是有效可行的。     

基于边缘信息的多光谱高分辨图像融合方法

针对多光谱图像和高分辨图像的融合问题,提出了一种基于边缘信息的新的图像融合方法,该方法根据高分辨图像中的边缘强度,对多光谱图像在IHS变换中的强度信息进行了调整,得到的光谱强度同时反映了高分辨图像的细节信息和多光谱图像的光谱信息.实验结果表明,该方法的融合效果优于传统的IHS变换法和小波变换方法.     

基于2代Curvelet改进IHS变换的遥感图像融合

Curvelet变换是继小波变换之后,能更适合于图像处理的一种新的多尺度变换分析方法,它比小波变换更加适合分析2维图像中的曲线或直线状的边缘特征,同时也具有很强的方向性。为了将该变换应用于图像融合,首先对第2代Curvelet变换理论进行了综述,然后在对基于第2代Curvelet变换的遥感图像融合方法进行研究的基础上,提出了一种与IHS变换结合的融合方法。最后用高分辨率全色图像与低分辨率多谱图像进行了融合实验,实验结果表明,将Curvelet变换引入图像融合,能够更好地提取原始遥感图像的特征,不仅可为融合图像提供更多的信息,而且融合图像能在较好地保留光谱信息的同时,使空间细节信息也得到增强。     

基于 MTF 和变分的全色与多光谱图像融合模型

Pan-sharpening将高分辨率图像全色(Panchromatic, Pan)波段的空间细节注入多光谱(Multispectral, MS)波段, 以生成同时具有高光谱和高空间分辨率的多光谱图像. 为改善融合效果, 需要考虑多光谱和全色波段的调制传输函数(Modulation transfer function, MTF). 本文提出了一个新的基于MTF和变分的Pan-sharpening模型. 该模型的能量泛函包括两项, 第1项为细节注入项, 基于高通滤波器从Pan波段中提取细节信息并注入融合图像;第2项为光谱保真项, 基于MTF设计多孔小波的低通滤波器以保持MS波段的多光谱信息. 在QuickBird、IKONOS和GeoEye数据集上的融合结果表明, 该模型可以生成同时具有高空间和高光谱质量的融合图像, 融合效果优于AWLP、IHS_BT、HPM-CC-PSF、NAWL、快速变分等算法.     

基于归一化相关矩的多分辨率遥感图象融合

多传感器数据融合技术已广泛应用于遥感图象处理方面 .针对遥感多光谱图象空间分辨率较低的问题 ,提出了一种基于归一化相关矩的多分辨率图象融合方法 .该方法首先对图象进行二维小波变换 ,然后根据所得到的高频小波系数的一阶、二阶统计特征来定义图象局部灰度相关矩 ,并以此作为图象融合测度来对遥感图象进行多分辨率特征融合 ,从而得到包含更多信息和有效特征的融合图象 .仿真结果表明 ,融合后的图象在保留多光谱信息和提高空间分辨率上均能获得较好的效果 ,因而可以更好地用于目标识别、分类等遥感图象处理方面     

自适应权重注入机制遥感图像融合

目的 遥感图像融合是将一幅高空间分辨率的全色图像和对应场景的低空间分辨率的多光谱图像,融合成一幅在光谱和空间两方面都具有高分辨率的多光谱图像。为了使融合结果在保持较高空间分辨率的同时减轻光谱失真现象,提出了自适应的权重注入机制,并针对上采样图像降质使先验信息变得不精确的问题,提出了通道梯度约束和光谱关系校正约束。方法 使用变分法处理遥感图像融合问题。考虑传感器的物理特性,使用自适应的权重注入机制向多光谱图像各波段注入不同的空间信息,以处理多光谱图像波段间的差异,避免向多光谱图像中注入过多的空间信息导致光谱失真。考虑到上采样的图像是降质的,采用局部光谱一致性约束和通道梯度约束作为先验信息的约束,基于图像退化模型,使用光谱关系校正约束更精确地保持融合结果的波段间关系。结果 在Geoeye和Pleiades卫星数据上同6种表现优异的算法进行对比实验,本文提出的模型在2个卫星数据上除了相关系数CC（correlation coefficient）和光谱角映射SAM（spectral angle mapper）评价指标表现不够稳定,偶尔为次优值外,在相对全局误差ERGAS（erreur relative globale adimensionnelle de synthèse）、峰值信噪比PSNR（peak signal-to-noise ratio）、相对平均光谱误差RASE（relative average spectral error）、均方根误差RMSE（root mean squared error）、光谱信息散度SID（spectral information divergence）等评价指标上均为最优值。结论 本文模型与对比算法相比,在空间分辨率提升和光谱保持方面都取得了良好效果。     

A regularised model-based pan-sharpening method for remote sensing images with local dissimilarities

Combining the spectral information of a low-resolution multispectral (LRMS) image and the spatial information of a high-resolution panchromatic (HRP) image to generate a high-resolution multispectral (HRMS) image has become an important and interesting issue. Local dissimilarities between the LRMS image and the HRP image affect the performance of the pan-sharpening technique. This paper presents a model-based pan-sharpening method with global and nonlocal spatial similarity regularisers to reduce the effects of the local dissimilarities. The degraded model relating the LRMS image to the unknown HRMS image is employed as the data-fitting term to keep spectral fidelity. Two spatial similarity constraints are utilized to further enhance the spatial resolution of the unknown HRMS image. The first regularisation term is under the assumption that the high-pass component of each HRMS band has the similar geometry structure with the adjusted high-pass component of the HRP image. A modulation matrix is constructed to reduce the contrast differences. Moreover, nonlocal self-similarity characteristic of the high-pass component extracted from each HRMS band is considered as another regulariser, which is an effective structural prior to improve the local spatial quality of the HRMS image. The weights of nonlocal similarity model are learned from the high-pass component of available HRP image. Experiments conducted on QuickBird and IKONOS data validate that the proposed pan-sharpening method can achieve better performance compared with several traditional and state-of-the-art pan-sharpening algorithms in terms of quantitative evaluation and visual analysis.     

基于非子采样Contourlet变换的遥感图像融合算法

针对人类视觉特性, 以及全色高分辨图像和多光谱遥感自身的特点, 提出一种非下采样 Contourlet (NSCT) 域的图像融合新策略. NSCT 具有好的多分辨、移不变和多方向等特性, 能对图像中的边缘和围线信息给出渐近最优表示. 为了更好地保持空间分辨率和颜色分量, 引入基于 LHS 变换的亮度成分叠加策略. 实验结果表明: 本文提出的融合方法在提高空间分辨率的同时较好地保持了光谱信息. 与传统的 PCA 方法、基于 IHS 的融合方法、基于小波加权的融合方法, 以及同样采用本文的融合策略、分别基于小波变换和基于 Contourlet 变换的融合策略相比较, 本文方法在视觉效果和客观衡量指标两方面都有所改善.