基于自适应权重法的K-means模型对遥感图像分割

针对传统K-means算法不易获得最优质心及易于趋向局部最优的问题,提出一种基于最优权重法的K-means模型对遥感图像分割的方法。使用二维高斯函数对遥感图像进行滤波平滑处理,减少噪声对像素点的影响;依据早熟收敛度和自适应值进行调整,找到最优权重作为初始聚类中心,从而有效地跳出局部最优;将样本分配到每个聚类中心,不断进行迭代更新簇中心,直至算法最终收敛。实验结果表明,该算法的分割精度有较明显的提高。与传统的K-means分割算法及GA分割算法相比,该算法对遥感图像分割的效果更为明显。     

自适应权重多视角度量学习的遥感图像场景分类方法

遥感图像易受光照和气象条件等干扰因素的影响,且随着遥感设备分辨率的提高,遥感图像中出现了更多的地表细节的问题.为了提高遥感图像的场景分类的准确度,提出一种自适应权重多视角度量学习方法.首先使用多个视角下的数据特征学习具有分辨力的度量空间,使在度量空间内同类图像紧凑,异类图像尽可能地远离;然后引入权重向量,在度量学习的过...     

基于Curvelet变换的自适应遥感图像融合算法

提出一种基于Curvelet变换的自适应遥感图像融合算法.首先对全色图像和多光谱图像图像做Curvelet变换,分解成低频系数和高频系数,分解后的低频系数选取区域能量的加权系数自适应融合规则,高低频系数采用以空间频率为度量标准结合自适应因子进行自适应融合规则,再对得到的低频和高频系数进行Curvelet反变换得到融合图像.实验结果表明该算法是一种有效可行遥感图像融合算法.     

知识型遥感图像光谱特征融合探讨

介绍了多源遥感图像融合的趋势,分析了多源遥感图像融事的现状和层次,提出一种基于光谱特知识的光谱特征融合方案,并给出了部分实验结果。     

自适应多尺度融合遥感图像分割方法

针对遥感图像数据量大、地物对象与空间尺度密切相关的特点,提出一种自适应多尺度融合遥感图像分割方法。使用颜色方差作为距离度量,利用区域邻接图和最近邻区域图对遥感图像进行快速分割,建立阈值和尺度之间的函数关系,通过不同阈值得到多尺度分割结果,并采用融合方法获得最终结果。实验结果表明,与eCognition单尺度分割方法相比,该方法可消除遥感图像过分割或欠分割的现象。     

一种面向多光谱遥感图像的动态尺度梯度调制融合算法

针对多光谱遥感图像,提出一种新的动态尺度梯度调制融合算法;该算法首先根据需求选取不同波段上的光谱图像,然后在多尺度梯度塔形分解数据结构下,分析、选择合适尺度上的一幅梯度图像作为融合的引导,再经过动态的阈值选取和二值化得到调制因子,对另一幅光谱图像进行调制,获得最终的融合图像;实验结果表明,与传统的对比度调制算法和多尺度调制融合算法相比,该算法能够有效地保留、增强各个波段光谱图像中最显著的地貌特征.     

多光谱图像与全色图像的像素级融合研究

以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双源融合为例，详细地总结了卫星多源遥感图像融合领域像素级融合的步骤、基本融合模型和优缺点，重点分析了各种常见像素级融合方法的原理和特点，并归纳了像素级融合结果的主客观评价标准和评价方法，以及像素级融合的主要应用领域，最后讨论了像素级融合目前存在的问题和今后的发展方向。     

基于相邻特征融合的红外与可见光图像自适应融合网络

为了获得目标边缘清晰且细节丰富的红外与可见光融合图像,以前馈去噪卷积神经网络(Denoising Convolutional Neural Network, DnCNN)的骨干网络为基础,从网络架构和损失函数两方面对其进行全面改进,提出基于相邻特征融合的红外与可见光图像自适应融合网络(Adjacent Feature Combination Based Adaptive Fusion Network, AFCAFNet).具体地,采取扩大通道数及双分支特征交换机制策略将DnCNN前段若干相邻卷积层的特征通道进行充分交叉与融合,增强特征信息的提取与传递能力.同时,取消网络中所有的批量归一化层,提高计算效率,并将原修正线性激活层替换为带泄露线性激活层,改善梯度消失问题.为了更好地适应各种不同场景内容图像的融合,基于VGG16图像分类模型,分别提取红外图像和可见光图像梯度化特征响应值,经过归一化处理后,分别作为红外图像和可见光图像参与构建均方误差、结构化相似度和总变分三种类型损失函数的加权系数.在基准测试数据库上的实验表明,AFCAFNet在主客观评价上均具有一定优势.在各项客观评价指标中综...     

基于双树复小波的遥感图像融合

介绍了DTCWT(双树复小波变换)的基本原理,与传统小波变换相比,DTCWT具有良好的平移不变性和方向选择性,能够提高小波分解和重构的精度,更好地保持边缘、纹理等细节.在传统小波图像融合的基础上,提出了三种基于DTCWT的遥感图像融合算法:基于IHS变换和DTCWT融合法、模值加权融合法和模值局部方差融合法.对"北京一号"小卫星数据进行融合实验,结果表明,三种融合算法不仅有效地增强了融合图像的空间细节表现能力,而且很好地保留了多光谱图像的光谱信息.     

基于图像融合的自适应水下图像增强

针对水下图像对比度低及细节模糊的问题,提出一种基于图像融合的自适应水下图像增强方法,实现不同类型水下图像的增强效果。基于颜色校正方法对水下图像进行颜色均衡化预处理;对亮度分量L进行Gamma校正,获得对比度提升的亮度图像;对两个亮度分量进行三层小波分解,提出对分解所得的低频分量及高频分量分别采用线性融合和自适应融合策略进行融合。多尺度融合保证了增强图像细节的丰富性,自适应融合策略体现了融合过程的可控性。实验结果表明,增强的水下图像呈现出高对比度和清晰的细节。     

基于注意力机制的自适应滤波遥感图像分割网络

遥感图像尺度变化较大,背景类内差异较大以及前景和背景之间的不平衡等问题,增加了遥感图像小目标和目标边缘分割的难度。在卷积神经网络中,下采样引起的混叠效应造成目标信息的失真和损失,容易被忽视。同时,扩张卷积虽然捕获到了丰富的感受野信息,但仍存在冗余的背景信息干扰。据此,提出了一种基于注意力机制自适应滤波分割网络(ARGNet)。在DeepGlobe Road Extraction数据集和Inria Aerial Image Labeling数据集上进行实验,结果表明,所提出的网络能够分割出更加精准的目标。     

自适应感受野机制遥感图像分割模型

目的 遥感图像中存在大小、形态不一的目标,增加了目标分割任务的困难性。感受野代表了特征图中每个像素对应输入图像的区域,若感受野与目标形状的契合度较高,则特征图中包含的目标特征更加完整,有利于分割。在现有的分割方法中,通常采用的是正方形的感受野,而遥感图像中目标形状多变,导致感受野无法较好地契合目标形状,在提取目标特征时会引入过多的无用特征,从而影响分割精度。为此,本文提出基于自适应感受野机制的遥感图像分割模型。方法 在编码—解码网络结构的基础上,引入自适应感受野机制。首先在编码器上提取不同大小和宽高比的感受野特征,然后在特征融合时使用通道注意力模块自适应地获取通道权重,通过加权强化与目标形状契合度高的感受野的特征,弱化与目标形状契合度低的感受野的特征,在保留目标特征的同时减少背景特征的干扰,进而提升模型的分割精度。结果 在Inria Aerial Image Labeling数据集与DeepGlobe Road Extraction数据集上进行实验并与相关方法比较,在两个数据集上的平均交并比分别为76.1%和61.9%,平均F1值分别为86.5%和76.5%。结论 本文模型能够提取不同形状感受野的特征,并自适应地获取通道权重,使模型能提取更加完整的目标特征,从而提升目标分割效果。     

基于转换域与自适应伽马校正的去雾算法

针对暗通道先验算法中存在的光晕效应以及天空区域偏色等问题,提出一种基于转换域与自适应伽马校正的图像去雾算法。首先通过将大气散射模型转换至对数域,结合暗通道先验理论提出对数域正相关关系;再利用高斯函数拟合正相关,从而得到粗级透射率;然后将有雾图像转换至HSV色彩空间,提取亮度分量构造自适应伽马校正因子,对粗级透射率进行修正,并使用交叉双边滤波操作实现透射率的进一步优化;最后结合大气散射模型与改进的局部大气光,实现无雾图像的有效复原。仿真实验表明,与几种经典算法相比,该算法复原结果去雾彻底且细节丰富,具有较好的色彩保真度,更接近真实场景。     

通道融合的渐进增强遥感图像全色锐化算法

目的 遥感图像融合的目的是将低空间分辨率的多光谱图像和对应的高空间分辨率全色图像融合为高空间分辨率的多光谱图像。为了解决上采样多光谱图像带来的图像质量下降和空间细节不连续问题,本文提出了渐进式增强策略,同时为了更好地融合两种图像互补的信息,提出在通道维度上进行融合的策略。方法 构建了一种端到端的网络,网络分为两个阶段：渐进尺度细节增强阶段和通道融合阶段。考虑到上采样低空间分辨率多光谱图像导致的细节模糊问题,在第1阶段将不同尺度的全色图像作为额外的信息,通过两个细节增强模块逐步增强多光谱图像;在第2阶段,全色图像在多光谱图像的每个通道上都通过结构保持模块进行融合,更好地利用两种图像的互补信息,获得高空间分辨率的多光谱图像。结果 实验在GaoFen-2和QuickBird数据集上与表现优异的8种方法进行了比较,本文算法在有参考指标峰值信噪比(peak signal-to-noise ratio, PSNR)、结构相似度(structural similarity, SSIM)、相关系数(correlation coefficient, CC)和总体相对误差(erreur relative ...     

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.     

基于尺度相关性的自适应图像增强新算法

针对图像增强算法通常会放大原图像中噪声分量的问题,结合小波变换中相关系数理论,提出了一种基于小波变换的图像增强新算法,利用二进小波变换中各尺度上小波系数间的相关性,有效改善了增强过程中噪声放大问题。实验表明,该方法无论是增强效果还是抗噪性能都明显优于传统的图像增强算法。     

Multi-spectral image fusion method based on two channels non-separable wavelets

A construction method of two channels non-separable wavelets filter bank which dilation matrix is [1, 1; 1,-1] and its application in the fusion of multi-spectral image are presented. Many 4×4 filter banks are designed. The multi-spectral image fusion algorithm based on this kind of wavelet is proposed. Using this filter bank, multi-resolution wavelet decomposition of the intensity of multi-spectral image and panchromatic image is performed, and the two low-frequency components of the intensity and the panchromatic image are merged by using a tradeoff parameter. The experiment results show that this method is good in the preservation of spectral quality and high spatial resolution information. Its performance in preserving spectral quality and high spatial information is better than the fusion method based on DWFT and IHS. When the parameter t is closed to 1, the fused image can obtain rich spectral information from the original MS image. The amount of computation reduced to only half of the fusion method based on four channels wavelet transform.     

基于二维变分模态分解和自适应中值滤波的图像去噪方法*

图像在采集、获取和传输过程中往往夹杂着噪声,针对几种常用方法去噪效果不理想,提出了一种新的图像去噪方法。此方法通过二维变分模态分解将图像分解为一系列不同中心频率的子模态。保留其低频模态,并对其进行自适应中值滤波处理,从而得到其去噪后的图像。实验结果表明,与其他几种常用的去噪方法相比,本文方法在滤除噪声的同时,又能较好地保留图像的边缘细节,图像也获得较好的视觉效果,此外客观评价参数也得到比较明显的改善,随着噪声强度加大去噪效果愈明显。     

基于频域的遥感图像互信息配准方法

针对直接利用互信息进行图像配准存在的误差和插值假象问题,结合图像的频谱特性提出了基于频域的互信息计算方法,引入退火的思想改进了梯度上升法,利用它迭代搜索互信息最大值,使用相关长度估算最佳参数域,使得参数初始化更接近于最大值。实验结果表明,该方法对于多谱段遥感图像,较之传统方法具有明显的收敛性和稳定性。     

结合自适应空间与CRF的遥感影像变化检测

提出了一种结合自适应空间与条件随机场（CRF）的新框架用于高分辨率遥感影像变化检测,解决了两幅影像配准误差造成的噪声和条件随机场产生的过平滑问题。通过加权自适应空间（WAS）获取差异图像消除了因配准误差造成的部分噪声,采用基于形态学重构的FCM聚类方法（MFCM）构建CRF一阶势减少了斑点噪声;引入带光谱—空间约束的模型改进CRF二阶势,进一步提高了算法的抗噪性能并可防止过平滑现象。与现有方法相比,该算法的检测精度、虚检率和漏检率都得到明显改进,同时较好地保留了边缘信息。