基于形态学和Contourlet系数区域特征的遥感图像融合方法

进行遥感图像融合时,全色图像空间信息的保留与多光谱图像光谱信息的保持是相互矛盾的,如何在这对矛盾体中实现最佳的融合效果一直是图像融合领域的研究热点。在IHS变换的基础上,将形态学和Contourlet变换相结合,针对多特征地物遥感图像的融合提出了一种基于图像特征的选择性融合算法。该算法先利用形态学操作将图像的边缘和非边缘信息进行区分,然后对处理后的图像进行Contourlet变换得到一个低频和一系列高频分量,再利用不同的区域特征自适应融合算法分别对低频和高频系数进行选择性融合,最后通过Contourlet逆变换和IHS逆变换得到融合结果。融合实验结果表明:对多特征地物遥感图像进行融合时,该算法是高效可行的。     

微目标遥感图像的感兴趣区域提取新方法

结合微目标遥感图像的灰度、轮廓、大小等信息特征,提出了一种基于视觉注意的微目标遥感图像感兴趣区域提取方法,首先采用形态学Top-Hat变换强化感兴趣区域和抑制背景,利用开运算实现去除噪声和虚假微目标:然后通过阈值迭代法初步分割出感兴趣区域;最后通过人工交互,结合形态学方法进行感兴趣区域提取,进而运用基于小波变换的多尺度边缘检测算法探测出感兴趣区域的边界.实验结果表明:该方法能快速有效地分割提取出微目标感兴趣区域.     

基于形态学和小波的遥感图像边缘检测

针对遥感图像噪声含量大、边缘细节丰富等特点,提出了一种基于形态学和小波分析相结合的遥感图像边缘检测方法,即利用小波变换将遥感图像分解为低频和高频两部分分别进行处理,低频采用形态学锐化算法改善低频边缘清晰度后构造全方位多结构元素进行形态学边缘检测,高频引入小波阈值去噪算法进行预处理后利用小波模极大值进行边缘检测,最后进行边缘图像融合.实验结果表明:该方法在有效抑制噪声的同时,实现了边缘的精确定位,细节提取效果好.     

自适应对偶树复小波－Curvelet变换的遥感图像融合

Curvelet变换克服了小波变换在处理高维信号时的不足,比小波变换具有更好的方向性、较高的逼近精度和更好的稀疏表达性能。因此将Curvelet变换应用于图像融合领域,能更好地提取图像边缘特征,为融合提取更多的特征信息。利用对偶树复小波-Curvelett变换的多尺度和多方向性特征以及自适应融合规则在选取融合系数上的优势,提出了一种基于对偶树复小波-Curvelet变换的自适应遥感图像融合新算法。算法是将全色图像和多光谱图像进行对偶树复小波-Curvelet变换分解后,针对不同的频率域特点选择不同的融合规则,对低频系数选取区域能量的加权系数自适应融合规则,对高频系数特性选用了区域特征自适应的融合规则,最后通过重构得到融合图像。将其他的融合算法和所提算法进行主观和客观的对比,结果表明,基于对偶树复小波-Curvelet变换区域特征自适应的图像融合算法是一种有效可行的图像融合算法。     

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。     

Curvelet变换的多波段遥感图像融合研究

提出一种基于Curvelet变换的多波段遥感图像融合算法。Curvelet变换具有比小波变换更好的边缘表达,因而更适合图像的融合处理。采用具有多尺度、多方向特点的Curvelet变换对多波段遥感图像像进行分解。对于低频系数采用平均融合算法,根据高频子图边缘分布差异,对于方向高频系数采用区域边缘检测和区域谱熵算法实现多波段遥感图像的融合处理。实验结果表明,提出的算法与传统算法相比在保留原始图像边缘和纹理信息同时,可以有效地取得较好的融合视觉效果。     

基于SIDWT的遥感图像融合算法

合成孔径雷达(SAR)和全色遥感图像由于成像机理存在差异,对目标轮廓、纹理和色调等信息的表现各不相同,像素级融合后将更易于图像判读。基于此,将平移不变离散小波变换(SIDWT)算法用于SAR与全色遥感图像融合,该算法克服了传统小波变换不具有平移不变性的缺点。同时,提出一种新的增强互补信息的融合规则：图像的低频部分采用基于边缘提取的加权规则,高频部分采用绝对值最大原则。实验结果表明,该算法能够获得较好的融合效果。     

基于遥感图像融合的目标检测算法

在一些遥感图像中由于目标不清晰或背景复杂,使得目标的检测变得困难.图像融合可以把来自多传感器的图像信息综合起来,提高对图像信息分析和提取的能力.通过把同一目标的不同传感器获得的图像数据利用小波包变换进行融合,这种方法能够很好地将多源图像的细节融合在一起,得到目标较为清晰的融合图像.在此基础上利用数学形态学的方法进行目标检测,得到了满意的效果,证明了这种方法的有效性.     

基于小波变换区域方差的遥感图像融合新算法

提出一种基于小波变换的遥感图像融合新算法。利用离散小波变换把图像分解成不同尺度的低频和高频部分,采用小波区域窗口和子区域窗口统计把小波系数分类成边缘和非边缘系数。在融合处理中,低频图像的小波系数平均值作为融合后的低频系数,高频细节系数根据不同区域特征选择方法以及对应输入图像小波系数的最大多窗口区域方差来确定融合后高频小波系数。实验结果表明,这种方法能够在保留图像微小细节方面获得满意的结果,这种算法有效且优于其他的图像融合方法。     

基于小波变换区域方差的遥感图像融合新算法

提出一种基于小波变换的遥感图像融合新算法。利用离散小波变换把图像分解成不同尺度的低频和高频部分，采用小波区域窗口和子区域窗口统计把小波系数分类成边缘和非边缘系数。在融合处理中，低频图像的小波系数平均值作为融合后的低频系数，高频细节系数根据不同区域特征选择方法以及对应输入图像小波系数的最大多窗口区域方差来确定融合后高频小波系数。实验结果表明，这种方法能够在保留图像微小细节方面获得满意的结果，这种算法有效且优于其他的图像融合方法。     

遥感影像中多个机密信息的授权使用技术

一般的图像域信息隐藏算法并不适用于遥感影像,将信息隐藏的涵义加以拓广,提出了遥感影像中多个机密信息的授权使用技术,即根据用户的不同权限对遥感影像中的多个机密信息进行不同程度的隐藏,并提出了适用于遥感影像的信息隐藏小波域算法,该算法是盲算法,且基于HVS(human visual system)特性,并自适应于遥感影像特征。能很好地保存机密地物的纹理与光谱特性,复原遥感影像逼真,对遥感影像的应用价值没有影响,且对影像添噪与JPEG有损压缩具有较强的鲁棒性。     

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。     

基于二代Contourlet域遥感图像双三次插值方法

为了使插值后的遥感图像在尽可能保持原图像信息的同时,显著提高图像空间分辨率,提出一种基于第二代Contourlet变换的遥感图像三次插值算法。在对遥感图像做第二代Contourlet分解基础上,对低分辨率频带中的高频分量做双线性插值变换,使其相似于高分辨率频带中的高频分量。最后,通过反变换得到比原始图像分辨率高的插值图像。实验结果表明,该方法插值效果优于双三次插值算法、小波双三次插值和第一代Contourlet双三次插值算法。     

Accelerated genetic algorithm based on search-space decomposition for change detection in remote sensing images

Detecting change areas among two or more remote sensing images is a key technique in remote sensing. It usually consists of generating and analyzing a difference image thus to produce a change map. Analyzing the difference image to obtain the change map is essentially a binary classification problem, and can be solved by optimization algorithms. This paper proposes an accelerated genetic algorithm based on search-space decomposition (SD-aGA) for change detection in remote sensing images. Firstly, the BM3D algorithm is used to preprocess the remote sensing image to enhance useful information and suppress noises. The difference image is then obtained using the logarithmic ratio method. Secondly, after saliency detection, fuzzy c-means algorithm is conducted on the salient region detected in the difference image to identify the changed, unchanged and undetermined pixels. Only those undetermined pixels are considered by the optimization algorithm, which reduces the search space significantly. Inspired by the idea of the divide-and-conquer strategy, the difference image is decomposed into sub-blocks with a method similar to down-sampling, where only those undetermined pixels are analyzed and optimized by SD-aGA in parallel. The category labels of the undetermined pixels in each sub-block are optimized according to an improved objective function with neighborhood information. Finally the decision results of the category labels of all the pixels in the sub-blocks are remapped to their original positions in the difference image and then merged globally. Decision fusion is conducted on each pixel based on the decision results in the local neighborhood to produce the final change map. The proposed method is tested on six diverse remote sensing image benchmark datasets and compared against six state-of-the-art methods. Segmentations on the synthetic image and natural image corrupted by different noise are also carried out for comparison. Results demonstrate the excellent performance of the proposed SD-aGA on handling noises and detecting the changed areas accurately. In particular, compared with the traditional genetic algorithm, SD-aGA can obtain a much higher degree of detection accuracy with much less computational time.     

基于改进型统计区域增长的遥感图像分割

随着遥感技术的发展,高分辨率遥感图像内容变得越来越复杂,信息表现更加精细,将某些中、低分辨率图像的图像分割、 分类算法直接应用到这类图像上时,其效果往往不理想。在传统区域增长算法的基础上,进行了四重优化,采用四邻域策略组合成像素对,严格化合并准则,在不同尺度下将像素对进行合并,得到较好的分割影像。实验证明,该算法较大程度上实现了目标的提取,减少了传统区域合并算法的计算量,与原算法相比较更多地考虑了像素的空间特性,具有很好的抗噪能力,能够适应于大数据量高分辨率遥感影像的多尺度分割。     

基于同态系统滤波的高分辨率遥感图像河流信息提取

为了解决在高分辨率遥感图像中易受同物异谱现象影响而导致河流信息提取不完整问题,依据河流区域在遥感图像中具有特定频率纹理信息这一特点,提出一种基于同态系统滤波的高分辨率遥感图像河流信息提取方法。该算法通过对遥感图像的频谱分析,确定河流信息在频域中的特征标识,采用一维剖面线加窗短时分析河流定位技术实现了全自动、快速全幅遥感图像河流定位和宽度估计,在同态系统下设计了低通滤波器实现对低频河流信息的提取。该算法采用"高分一号"遥感影像作为实验数据来源,相对于传统利用光谱信息的提取方法具有较高的提取精度,Kappa系数达0.85以上,并且实现全自动提取。实验结果表明所提算法能够快速、有效地提取复杂地貌区域内的河流信息。     

基于超像素的高分遥感影像分割算法

针对高分遥感影像中存在地物数目多,特征信息复杂导致分割边缘不清晰、对象细节丢失等问题,提出一种改进的超像素分割和多特征结合的遥感影像分割合并算法。在对图像进行分割前的预处理阶段,使用超像素分割技术得到初始分割图像;区域合并过程中,基于对象间的异质性和对象内部的同质性,结合光谱、纹理和形状特征,对对象进行合并;通过调整全局分割参数来调整合并尺度,得到最终的影像分割结果。实验结果表明,所提方法能得到较好的影像分割效果。     

一种卫星遥感影像村庄区域提取算法

卫星遥感影像提取村庄区域在地理和气象领域均有十分重要的意义.针对卫星遥感影像的特点,提出了一种村庄区域提取方法.利用改进的去雾算法对卫星遥感影像进行预处理,通过遥感卫星影像的颜色特征实现分割,结合村庄区域分布特点进行去噪处理,实现卫星遥感影像村庄区域的提取.实验结果表明:该算法能够对卫星遥感图像中不同类型村庄区域进行提取,且提取准确率高,可以应用于地理以及气象等领域.     

多时态BIT遥感图像建筑物的变化检测

针对来自相同地理空间的不同时刻遥感图像之间的季节性和光度变化(色差)等因素所引起的干扰, 提出了多时态-BIT遥感图像变化检测方法. 该方法引入了过去多个不同时刻的遥感图像, 融合当前遥感图像与过去时态遥感图像两两变化检测的结果, 该方法有助于排除季节性和光度变化引起的误报, 提高了变化检测的准确性; 并且利用过去多个不同时刻的遥感图像, 进一步消除非目标建筑变化的影响, 其变化点像素差值引入作为损失函数正则化项, 从而进一步提高变化检测的鲁棒性和可靠性. 本文以三时态(3个不同时刻的遥感图像)为例, 使用了遥感图像建筑物变化数据集进行了实验. 实验结果表明, 多时态-BIT方法相对于仅考虑两个时态的变化检测方法, 在遥感图像建筑物变化检测任务中表现出更好的效果.