一种新的基于主分量变换与小波变换的图像融合方法

为了更好地进行不同分辨率图像的融合,提出了一种基于主分量变换与小波变换结合的多光谱图像与高分辨率图像融合方法。该新方法首先对多光谱图像进行主分量变换;然后分别对其第1主分量与高分辨率图像进行小波变换,并采用成像强度对比法有效地将经小波分解的高分辨率图像的低频分量信息融合到经小波分解的多光谱图像的第1主分量的低频分量中;最后,通过将小波融合结果作为多光谱图像的第1主分量再做逆主分量变换来得到最终的融合图像。实验结果分析表明,该新方法使融合图像在较好地保留光谱信息的同时,空间细节信息也得到了增强,比典型的IHS变换、主分量变换及小波变换融合方法具有更好的融合效果。     

基于小波低频分量微调的IHS变换融合法及其应用

针对IHS变换融合法和小波变换融合法存在的弊端,结合这两种方法,提出了一种基于小波低频分量微调的IHS变换融合法,并通过IKONOS和QuickBird影像数据,验证了新方法的可行性和优越性。新融合法首先利用IHS变换技术提取真彩色影像的亮度分量;接着,为了提高融合影像的光谱保真度,采用小波变换技术,联合亮度分量和全色影像数据,生成更为合理的新亮度分量;同时提出了小波低频分量微调环节,并利用该环节进一步改善了融合影像的高频信息融入效果;最后,执行IHS逆变换,获得真彩色融合影像。研究表明：新融合法兼具IHS变换融合法和小波变换融合法的优势,融合结果的质量得到较大程度提高。     

一种基于小波包变换的遥感影像融合方法

针对多光谱遥感影像和全色遥感影像,提出了一种基于小波包变换的遥感影像融合方法。新方法首先对多光谱遥感影像进行PCA变换;其次对多光谱遥感影像的第一主分量和全色遥感影像进行小波包变换;然后保留多光谱影像第一主分量的低频近似分量,融合它们的高频细节分量;最后,做小波包反变换,得到新的多光谱遥感影像第一主分量,再做PCA反变换,得到新的多光谱遥感影像。与PCA变换融合方法、IHS变换融合方法和小波变换融合方法等方法在主观视觉效果分析和客观统计参数两方面做了比较,新方法是有效的,不仅较大地增强了结果影像的空间细节表现能力,而且很好地保留了多光谱影像的光谱信息。     

NSCT变换的SAR和可见光图像融合

非下采样Contourlet变换同时具有多尺度、多方向选择性、多分辨分析和平移不变性质的特点,对SAR和彩色可见光图像融合的问题,提出一种基于非下采样Contourlet变换和HIS变换相结合的多传感器融合算法。通过对经非下采样Contourlet变换分解得到的不同频域子带系数选择方案的分析,对低频子带系数的选择,提出了一种基于SAR图像与彩色可见光图像物理特征的“加权平均”的系数选择方案;针对各带通方向子带系数的选择,采用绝对值选大多分辨率融合算法。实验以同一场景下ku波段的SAR图像和彩色可见光图像进行算法验证,实验结果和信息熵、均值、相关系数、偏差指数和交叉熵等客观评价数据表明,方法具有较好的融合效果。     

高光谱图像主分量变换的一种快速算法

结合高光谱图像数据的特点，本文从分类和识别的角度，对特征提取在高光谱图像分析中的重要性进行了分析。根据主分量变换的原理，对分组主分量变换方法和常规主分量变换方法的时间花费从理论上进行了对比说明。并且通过对比试验，对文中的方法进行了验证。     

基于PCA变换与小波变换的遥感图象融合

针对多光谱图象与全色图象的融合问题,提出了一种基于PCA变换和小波变换的遥感图象融合方法.新方法通过对多光谱图象作PCA变换,首先得到3个主分量;然后,利用小波变换融合方法融合多光谱图象的第1主分量与全色图象,并用融合后的图象替代多光谱图象的第1主分量;最后,作PCA反变换来得到新的多光谱图象.主观视觉效果分析和客观统计参数评价分析表明,新方法的性能优于PCA变换融合方法、IHS变换融合方法和小波变换融合方法,该方法不仅较大地增强了结果图象空间细节的表现能力,而且很好地保留了多光谱图象的光谱信息.     

基于a’trous小波与广义HIS变换的SAR与多光谱影像融合

为了提高SAR影像的解译水平,避免通常基于小波变换的融合方法造成的SAR影像信息损失,本文提出一种基于a’trous小波与广义HIS变换的SAR与多光谱影像融合方法,在将多光谱影像转换到HIS空间后,应用a’trous小波对I分量进行分解,通过加法的形式将多光谱影像的高频分量信息与SAR影像信息集成,并根据解译的需要,通过改变阈值来控制对多光谱影像信息的集成幅度。实验选取一组TM多光谱影像与ERS-2SAR影像进行融合研究,并将融合结果与另一小波融合方法融合结果进行视觉比较与统计分析。结果表明,另一小波融合方法的融合结果与本文方法融合结果阈值τ=1时的结果接近,而本文方法却可以根据不同的应用需要,在完整保留了SAR影像信息的基础上,通过调节多光谱影像信息的注入程度,为获取更能满足解译需要的SAR融合影像提供更多选择,拥有更好的鲁棒性。     

基于独立分量分析和支持向量机的遥感影像融合分类算法

遥感影像分类是遥感定量化分析的重要手段,遥感影像融合是提高分类正确率的有效途径之一。本文提出一种遥感影像的融合分类算法。首先采用Contourlet变换对多光谱影像和全色影像进行融合,然后结合独立分量分析的去相关性、稀疏特性以及很好地捕捉影像重要边缘信息、纹理信息的能力,提取融合影像的独立分量特征,并用支持向量机实现分类。与其他算法的主、客观比较结果表明,该算法的实验效果较好,可有效地提高遥感影像的分类精度。     

基于IHS变换与小波变换的遥感图像融合

针对多光谱图像与全色图像的融合,本文提出了一种基于IHS变换和小波变换的遥感图像融合方法。新方法首先对多光谱图像作IHS变换,得到亮度I,色度H,饱和度S三个分量;其次,利用小波变换融合方法融合多光谱图像的亮度分量与全色图像,并用融合后的图像替代多光谱图像的亮度分量;最后,作IHS反变换得到新的多光谱图像。主观视觉效果分析和客观统计参数评价分析表明,新方法的性能优于IHS变换融合方法、小波变换融合方法和PCA变换融合方法,不仅较大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。     

基于主成分分析法的多传感器数据融合算法研究

根据数理统计中的多元统计理论,用多个传感器对某一特性指标进行检测,将检测数据作为统计对象,提出了一种基于主成分分析的数据融合方法。该方法把各传感器的检测数据作为一个整体,定义总体的各主成分。通过计算测量值与主成分的复相关系数,给出了各传感器的综合支持程度和数据融合公式。实验表明,此方法比均值融合法更准确、有效。     

基于独立分量分析的图像融合算法

提出了一种基于独立分量分析(ICA)的图像融合算法。在图像配准的基础上,利用独立分量分析对图像进行训练获得独立分量基函数。对于待融合图像,通过训练得到的基函数对图像进行线性变换,然后在变换域根据不同的融合规则对图像进行融合,ICA反变换得到融合图像。仿真结果表明了该方法的有效性。 关键词：     

基于ICA的全色影像和多光谱影像融合算法

提出了一种新的基于独立成分分析的全色图像和多光谱图像的融合算法。对于两幅图像的重叠区域，使用独立成分分析去除遥感影像中高阶数据冗余问题，然后对通过独立成分分析所分离的各个分量进行叠加从而得到最终的融合结果。该方法的优点在于去除了原始图像上的数据冗余，提高了融合后图像的信息量和信噪比。     

运用主成分变换-逆变换对ADEOS AVNIRXS和PAN进行复合的研究

信息复合的目的是为了把多种遥感器数据的特性进行互补。复合图像与原图像相比,既具有多光谱特性,而且空间分辨率也得到了提高,这样它更有利于目视判读或计算机自动化处理。运用主成分变换-逆变换的方法对ADEOSAVNIR的多光谱数据(16 m)和全色波段数据(8 m)进行了复合研究。即先对多光谱图像进行主成分变换,求出第一主成分。然后用全色波段数据取代第一主成分并进行主成分逆变换得到所需的复合图像。复合图像的空间分辨率为8 m,而且具有4个波段。     

基于主成分分析进行特征融合的JPEG 隐写分析

为了解决现有JPEG隐写分析方法特征冗余度高和未能充分利用特征间互补关系的问题,提出了一种基于主成分分析(principal component analysis,简称PCA)进行特征融合的JPEG隐写分析方法,并分析所选特征之间的互补性.通过融合将互补特征结合在一起,更全面地反映载体和隐写信号间的统计差异,并用PCA分离出冗余成分,最终达到进一步提升准确率的目的.实验结果表明,在不同数据集和嵌入率情况下,该方法分析高隐蔽性隐写(如F5,MME和PQ)的准确率高于主要JPEG分析方法,在耗时上较现有特征层融合降维方法大为缩短.     

金矿蚀变信息提取中的主成份分析

主成份分析在蚀变信息提取中是一种最基本而又非常有效的图像处理方法，在图像处理实践中，因应用目的之不同而有各自的运用技巧。在金矿蚀变信息提取中运用了全波段主成份分析、选择主成份分析、直接主成份分析与植被掩膜等方法，并在图像处理中取得了较好的应用效果     

基于PCA与小波变换的彩色图像融合算法

针对多聚焦彩色图像融合问题,提出了一种基于PCA与小波变换的多聚焦图像融合算法.首先,利用主元分析和离散小波框架变换算法,将图像分为清晰块与模糊块;然后对于清晰块,直接选取该块作为融合后的相应块区域;对于模糊块,则建立了基于点特征值的像素选取方法,分别从两幅待融合图像中选取特征值较大的点作为融合结果的像素点,从而得到最终的融合结果图.实验结果表明,所提出的方法能够较好地解决彩色多聚焦彩色图像融合问题,融合效果较为理想.     

一种稀疏可控的主成分分析方法

主成分分析(Principal Component Analysis,PCA)是一种用线性变换选出少数重要变量(降维)的多元统计分析方法。虽然传统PCA被广泛应用于科学研究与工程领域中,但是其结果有时很难解释。因此,一些研究人员引入稀疏约束项(lasso、fused lasso以及adaptive lasso等),以得到可解释的结果。由于传统稀疏项的稀疏度不容易控制,为此引入一种新的约束项,即稀疏可控惩罚项(Sparse Controllable penalty,SCP),来控制主成分的稀疏程度。与传统的约束项相比,SCP具有长度不敏感、维度不敏感和约束项的取值范围在0到1之间的优点。这些优点极大地降低了调节稀疏度的难度。实验表明,稀疏可控主成分分析(Sparse Controllable Principal component Analysis,SCPCA)是高效的。     

一种基于主成分分析的异常点挖掘方法

在对现有异常点挖掘算法分析的基础上,给出了一种异常点挖掘的新方法一基于主成分分析方法,该方法先用基于密度的聚类算法进行聚类,然后把不包含在任何聚类中的周围稀疏的样本对象用主成分分析（PCA）方法进行检验,确定是否为异常点,并通过实验数据验证了算法的可行性和有效性。     

基于图像融合的木板表面缺陷特征提取方法研究

木材和实木家具表面在生产过程中有时会出现裂纹、凹点等缺陷,不同纹理背景和油漆反光会给缺陷识别带来很大困难。为了识别木板表面缺陷,通过光源对同一木板表面在4个不同角度照明并获取相应的4幅图像,组成图像序列,以获得更丰富的细节信息。提出一种基于主元分析法的图像序列融合方法,其融合了一组图像序列所包括的4幅图像的互补性信息,获取的融合结果可使缺陷特征更加明显。该方法引入了主元子空间之间的概念,可以在保留原有数据信息特征的基础上,提取主要信息。实验结果表明,基于主元分析方法的图像序列融合能更好地提取木板表面缺陷特征。所获得的特征图像可用于下一步对缺陷进行自动识别和分类。