基于PCA和NSCT的多光谱图像和全色图像的融合

研究了主分量分析（PCA）和非下采样Contourlet变换（NSCT）,提出一种新的多光谱图像和全色图像的融合算法。该方法对多光谱图像进行PCA变换,对所得的第一主分量（PC1）以及全色图像进行NSCT变换。对二者的低频近似系数再次进行PCA变换以寻求多光谱信息和空间信息的平衡;对于高频细节系数,通过结构相似性指标（SSIM）和局部Sobel梯度进行融合,进一步提高空间信息量;经过逆NSCT和逆PCA变换得到融合图像。实验结果表明,提出的方法在增强融合图像空间细节表现能力的同时,尽可能地保留了多光谱图像的光谱信息,优于传统的基于IHS、PCA、小波变换和Contourlet变换的融合方法,是有效可行的。     

基于聚类和NSCT的遥感图像融合算法

研究遥感图像融合问题。针对遥感图像数据在时间、空间和光谱方面差异大,图像分辨率低等问题,为有效提高遥感图像的分辨率,提出了一种基于聚类和NSCT的遥感图像融合算法。首先对源图像进行小波变换提取源图像特征;然后利用改进的模糊C均值聚类算法在多特征形成的特征空间上对图像进行区域分割,并在此基础上对区域进行NSCT分解,通过设计的区域相似度度量方法,以信息度大的区域作为融合区域,对不同的区域采用不同的融合规则进行融合,最后进行重构得到融合图像。仿真结果表明,对比其它图像融合算法,改进的遥感图像融合算法可获得较理想的融合图像,具有一定的实用性。     

基于改进NSCT和IHS变换的遥感影像融合方法

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NSCT和PCNN的遥感图像融合算法

为能同时获得空间信息与光谱信息,提出一种基于非下采样Contourlet变换(NSCT)和脉冲耦合神经网络(PCNN)的遥感图像融合算法。通过NSCT分解得到多光谱与高分辨率图像,并对其高低频分量采用不同的准则进行融合。实验结果表明,该算法能较好地保留图像光谱信息,提高图像的空间分辨率。     

一种多特征结合的遥感图像分类方法

遥感图像分类是遥感图像分析和理解的基础,是遥感图像研究中的重要内容之一。为提高分类效果,遥感图像分类中通常需要综合运用多种特征。提出一个新的基于特征级融合的遥感图像分类方法。将多种图像空间特征和光谱特征分别作为分类器的输入,将各分类器的概率输出拼接起来作为中间层特征再进行分类。该方法有效避免了多特征直接拼接存在的尺度问题。在Indian93和Flightline C1两个数据集上的实验结果表明该方法具有一定优势。     

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。     

3D密集全卷积的高光谱地物分类算法研究

针对高光谱遥感图像训练样本较少、光谱维度较高、空间特征与频谱特征存在差异性而导致高光谱地物分类的特征提取不合理、分类精度不稳定和训练时间长等问题,提出了基于3D密集全卷积（3D-DSFCN）的高光谱图像（HSI）分类算法。算法通过密集模块中的3D卷积核分别提取光谱特征和空间特征,采用特征映射模块替换传统网络中的池化层和全连接层,最后通过softmax分类器进行分类。实验结果表明,基于3D-DSFCN的HSI分类方法提高了地物分类的准确率、增强了低频标签的分类稳定性。     

地球观测1号高光谱与全色图像融合的最佳方法

受制于成像原理及制造技术等因素,航天高光谱遥感图像的空间分辨率相对较低,为此提出将高光谱图像与高空间分辨率图像进行融合处理,设计最佳的增强高光谱遥感图像空间分辨率的融合算法。针对地球观测1号(EO-1)Hyperion高光谱图像和高级陆地成像仪（ALI）全色波段图像的特点,从9种具体遥感图像融合算法中选用4种融合算法开展山区与城市的数据融合实验,即Gram-Schmidt光谱锐化融合法、平滑调节滤波(SFIM)变换融合法、加权平均法（WAM）融合法和小波变换（WT）融合法,并分别从定性、定量和分类精度三方面对这些方法的融合效果进行综合评价与对比分析,从而确定适合EO-1高光谱与全色图像融合的最佳方法。实验结果显示：从图像融合效果看,在所采用的4种融合方法中,Gram-Schmidt光谱锐化融合法的效果最好;从图像分类效果看,基于融合图像的分类效果要优于基于源图像的分类效果。理论分析与实验结果均表明：Gram-Schmidt光谱锐化融合法是一种较为理想的高光谱与高空间分辨率遥感图像的融合算法,为提高高光谱遥感图像的清晰度、可靠性及图像的地物识别和分类的准确性提供有力的支持。     

基于LK-3DCNN网络特征的高光谱遥感图像分类算法

传统的高光谱图像分类方法均采用手工提取特征的方式,其表达能力有限,不能满足分类任务的高精度需求。因此,提出一种基于LK-3D卷积神经网络（Convolutional Neural Network,CNN）特征的高光谱遥感图像分类算法。该算法结合空洞卷积和三维卷积神经网络的双分支融合结构,对遥感图像进行深度特征提取,有利于提升小样本高光谱遥感图像数据分类的性能。在公开的3组高光谱遥感图像数据集上,与主成分分析（Principal Components Analysis,PCA）+3DCNN、PCA+3D-2DCNN算法进行对比,实验结果表明所提出的双分支融合网络提升了高光谱遥感图像的分类精度,具有较好的鲁棒性。     

基于NSCT的红外与可见光图像融合

针对红外与可见光图像的不同特点,提出一种基于非采样Contourlet变换（NSCT）的红外与可见光图像融合算法。采用NSCT对源图像进行多尺度、多方向分解;分别采用基于局部能量和区域特征的融合规则得到融合图像的低频子带系数和带通方向子带系数;最后经过NSCT逆变换得到融合图像。实验结果表明,该算法能够获得较理想的融合图像,其融合效果优于基于Contourlet变换的图像融合算法。     

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.     

多光谱遥感影像的SAM-SID混合分类技术研究

以SPOT 5多光谱影像为数据源,通过与SAM、SID以及常规的最大似然法(ML)和最小距离法(MD)的对比,研究了基于SAM-SID混合法的土地覆盖多光谱遥感分类技术。研究结果显示,相比于SAM和SID,SID(TAN)和SID(SIN)两个SAM-SID混合参量对多光谱影像上地物识别的能力更强,尤以SID(SIN)的识别能力最强;基于SID(SIN)的多光谱遥感分类验证精度达78.94%,不但明显高于SAM和SID法,而且也高于常规的MD和ML监督分类方法。这说明SAM-SID混合分类方法不但适用于高光谱遥感分类,同时在多光谱遥感分类中也有很强的适用性。     

基于NSCT域主分量分析的遥感图像去噪方法

提出一种新的结合非下采样Contourlet变换（NSCT）和主分量分析（PCA）的图像自适应阈值去噪方法。通过PCA估计NSCT域中的噪声能量,并与NSCT系数的领域信息相结合,构造出自适应阈值对遥感图像进行去噪。仿真实验结果表明,提出的方法与Contourlet硬阈值,基于Contourlet的图像PCA和NSCT硬阈值去噪方法相比能够有效去除遥感图像的高斯噪声,较完整地保持图像的边缘等细节信息,提高了图像的峰值信噪比,图像视觉效果也有明显改善。     

基于非下采样contourlet变换与脉冲耦合神经网络的图像融合算法

提出一种基于非下采样contourlet变换(NSCT)与脉冲耦合神经网络(PCNN)的图像融合算法.该方法首先利用非下采样eontourlet变换对输入图像进行多尺度分解、多方向稀疏分解,准确捕获图像中的高维奇异信息,然后利用脉冲耦合神经网络的同步激发特性确定融合规则,选取融合系数,提高融合性能.实验结果表明,算法比小波变换、contourlet变换有更好的融合性能.     

NSCT变换和小波包变换相结合的图像隐藏方法

为了更好地解决NSCT域图像隐藏不可见性和鲁棒性之间的矛盾,提出了一种基于NSCT变换和小波包变换相结合的可见光图像隐藏方法,利用NSCT变换将载体图像分解为低频子带和一组高频子带,对低频子带进行二级小波包分解,通过奇异值变换将秘密图像重要位平面信息隐藏在小波包分解低频子带中,次要信息自适应隐藏在NSCT高频子带中。实验表明,在同等嵌入容量下,算法峰值信噪比大于50 dB,对几何攻击和滤波等干扰处理后,秘密图像的归一化系数仍接近于1。     

Maximum likelihood classification combined with spectral angle mapper algorithm for high resolution satellite imagery

The generation of precise land cover classification maps is an important application of high resolution satellite multispectral imagery. In this study, Spectral Angle Mapper algorithm (SAM) was used to extract the spectral characteristics from multispectral imagery. The spectral angle between neighbouring pixels was calculated. The distribution of spectral characteristics was derived from the average and variance of the calculated spectral angle in a 3×3 window of the image. The extracted spectral characteristics were combined with original multispectral imagery, and the data were classified by the maximum likelihood method. This approach was applied to Quickbird multispectral imagery. The extracted spectral characteristics highlighted boundaries between different types of land cover. The method proposed in this study exhibits an increase in overall classification accuracy relative to the original maximum likelihood method.     

.基于纹理和边缘的SAR图像SVM分类*

为实现SAR图像地物目标的有效分类,深入研究了基于灰度共生矩阵GLCM的四种纹理特征以及两个边缘特征。分析每个单独纹理或边缘特征在对SAR图像进行支持向量机SVM分类中对不同地物的分辨能力,选取不同的特征组合进行组合特征的SVM分类实验。对各种特征进行主成分分析PCA,并考察使用和不使用PCA两种情况下分类结果之间的差异。实验结果证明能量、边缘长度、对比度和相关度的特征组合在PCA作用下能够改善各类地物的分类精度,将总分类精度提高到90%以上。