高分辨率遥感图像融合技术的研究

图像融合已成为图像理解和计算机视觉领域中的一项重要而有用的新技术,多源遥感图像数据融合也成为遥感领域的研究热点,其目的是将来自多信息源的图像数据加以智能化合成,产生比单一传感器数据更精确、更可靠的描述和判决,使融合图像更符合人和机器的视觉特性,更有利于诸如目标检测与识别等进一步的图像理解与分析。     

基于曲波变换的遥感图像融合研究

以SAR与可见光图像、多光谱与全色图像为研究对象,提出了一种基于曲波变换的遥感图像融合方法.首先将图像进行曲波变换,然后在不同的频率域利用融合规则融合曲波系数,最后通过重构得到融合图像.采用均方误差、偏差指数等指标对融合效果进行了客观评价,并与基于小波变换的融合进行了比较.实验结果表明,该方法在保留原始图像重要信息、抑制噪声能力方面均优于小波变换方法.     

稀疏表达的自适应遥感图像融合算法

本文提出一种基于稀疏表达的图像融合算法。该算法利用稀疏系数中的非零元素所对应的基向量作为图像特征,首先分离相同基向量和相异基向量,然后采用加权求和算法合并相对应的稀疏系数,并重构得到融合图像。该算法对相同特征和相异特征分别进行融合,克服了融合图像中相异特征清晰度下降的问题。并且由于稀疏表达具有很好的去噪功能,本文算法也可以同时进行图像融合和去噪。通过与4种流行的融合算法比较,本文算法得到较好的视觉效果。      

遥感图像快速镶嵌并行算法研究

提出了基于Flexible Image Blending算法的遥感图像镶嵌并行算法.该算法根据像素点到中心点的归一化距离计算出相应的羽化权值,克服了现有镶嵌算法需要将图像拆分为两两镶嵌的缺点,能够完全自动地对多幅遥感图像同时进行无缝并行镶嵌,并行遥感图像镶嵌实验结果表明,不仅在视觉效果上有了较大的改善,而且大大提高了执行效率,在大规模镶嵌时有着很大的性能优势.     

基于Shearlet变换与区域分割的遥感图像融合

结合区域分割理论,提出了一种基于Shearlet变换 的遥感图像融合算法。首先通过色度H-亮度I-饱和度S(HI S) 变换对多光谱图像进行分解,将I分量与全色图像进行Shearlet变换,得到低 频、高频信息图;然后对 低频信息图进行基于灰度的区域分割,两图像的低频部分使用改进的加权融合算法改善融 合图像轮廓模 糊问题,以区域匹配度作为融合规则,高频分量采用区域清晰比作为融合规则,得到更多 的细节信息; 最后通过HIS逆变换得到融合图像。实验结果表明,本文算法 所得融合图像在有效地保持了多光谱图像光谱信息的同时,提高了空间细节信息。     

基于引导滤波的遥感图像融合算法

针对目前遥感图像融合算法的不足,提出了一种基于引导滤波的遥感图像融合算法。该算法通过引导滤波器求取加权系数,对小波变换后的小波系数和近似系数进行加权融合,针对融合后得到的小波系数和近似系数应用小波反变换,最终得到融合图像。实验结果表明,文中提出的融合算法所得图像内容丰富、细节清晰、具有良好的实验效果。     

MODIS 3A遥感图像的均值融合研究与应用

利用MODIS卫星资料分析研究海洋环境的变化时,需将多幅图像或数据进行融合处理.首先介绍了Terra和Aqua MODIS卫星数据均值融合算法,然后利用该算法分析了2006年热带风暴 "PRAPIROON"前后海表温度的变化,结果表明,南海北部研究海域海表温度在热带风暴"PRAPIROON"前平均为27. 12℃,热带风暴期间平均为25. 18℃,平均下降1. 94℃,区域海域个别点降幅接近10℃,且研究区域海表温度的变化具有非均匀性.该方法不仅可利用多源MOIDS卫星遥感资料反应一定时期研究海域海温的变化程度,还可分析不同区域变化的差异性,对于研究其它海洋或陆地环境参量变化具有一定的应用价值.     

遥感图像融合效果评估方法

遥感图像融合效果评估是目前遥感图像融合领域中亟待解决的问题,直接影响遥感图像融合处理技术的发展.文中在构建多源遥感图像融合处理估计模型的基础上,重点讨论分析遥感图像融合效果的主、客观评价技术的发展现状,进行SAR图像与光学图像的融合处理仿真实验,优选相关系数及峰值信噪比完成SAR图像与光学图像的融合效果评估处理.同时,还讨论了目前图像融合效果评估中存在的主要问题,对进一步研究图像融合效果评估有很好的意义.     

双线性插值图像放大并行算法的设计与实现

图像处理中对于图像放大常使用双线性插值算法,其运行的快慢直接关系到实时图像处理的速度．文中在多核计算机上设计了双线性插值并行程序,实现了图像放大的快速处理．充分利用多核技术提升多核处理器的资源利用率,缩短执行时间,发挥多核系统的优异性能．实验结果可看出,文中算法对于大规模图像放大呈现出良好的加速处理能力,表明了双线性插值多核并行算法在实时放大图像的应用中是有效及可行的．     

基于最小一乘的遥感图像融合

基于全色数据与多光谱数据之间的线性关系进行遥感图像融合是一种可行并被广泛应用的思路.本文利用GCOS模型对GS方法进行了分析,发现GS法可通过最小二乘法进行线性回归.由于最小一乘与最小二乘相比更为稳健,因此预期采用最小一乘法的融合方珐具有更好的性能.本文提出了一种基于最小一乘融合方法的构建,并对IKONOS数据进行了对比试验.试验结果表明,基于最小一乘的融合方法是对GS方法的一种有效改进.     

基于分布式压缩感知的遥感图像融合算法

针对基于压缩感知(Compressed Sensing, CS)理论的传统遥感图像融合算法未能考虑源图像信息相关性的特点,该文提出一种基于分布式压缩感知(Distributed Compressed Sensing, DCS)的遥感图像融合改进算法。通过DCS的第1联合稀疏模型(Joint Sparsity Model-1, JSM-1)提取源图像低频信息的公共部分和独有部分,再利用独有特征添加(UFA)的融合规则进行融合,从而提高融合精度。选取QuickBird卫星实测图像数据对该文方法和多个传统融合方法进行仿真实验并进行评价指标的对比,结果表明该文方法融合性能相对传统遥感图像融合方法都有不同程度的提高。     

基于变分的多尺度遥感图像融合算法

全色图像与多光谱图像融合时,忽略了上采样的重要性和通道间细节的差异性.针对前者,利用不同尺度下自相似块,估计出低分辨率图像丢失信息,从而修改了图像上采样的策略,并以此构造目标函数的保真项;针对后者,利用全色图像和光谱图像梯度域结构相似性,提出局部加权动态稀疏约束,构造目标函数的正则项.本文基于变分法理论,构造了新的目标函数,并提出了多尺度迭代融合框架,通过多次迭代逐步提高融合图像的分辨率,每一层的融合结果更加准确,从而提高最终的融合精度.本文算法与Brovey等成分替代算法、P+XS等变分算法、MTF_GLP等多分辨分析算法进行比较.实验结果表明,本算法的融合结果具有良好的视觉效果,且在客观评价指标上比所有对比算法的最优值平均值均有提高.     

多特征融合的高分辨率遥感图像海陆分离

为解决目前大多数海陆分离方法仅利用单一特征对图像进行处理,从而导致误分割或存在大量孤立区域,造成后续处理工作难度大或无法开展的问题,提出一种联合灰度、梯度和纹理等多特征的海陆分离方法。针对不同的陆地类型选用不同的特征进行分离,配合形态学处理,基本实现海陆分离;再采用像素标记与纹理聚类策略对结果进行优化,去除孤立区域,得到最终的海陆分离结果;最后利用直方图统计法将陆地屏蔽。此方法的陆地检测率与正确检测率都在99%以上,计算时间仅为其他方法的一半。实验结果表明,该方法与常用的海陆分离方法相比能够快速准确地实现海陆分离并将陆地屏蔽,有利于后续处理的进行。     

基于压缩感知的遥感图像融合方法

压缩感知理论,以远低于奈奎斯特采样定理要求的速率对图像进行采样,可利用图像的部分信息重构原始图像,有效地减轻图像处理的计算复杂度,降低对硬件的要求。文中提出了一种基于压缩感知的遥感图像融合方法。在压缩域对多光谱和全光谱遥感图像进行了融合实验,并与传统的融合方法进行了比较,实验结果表明,文中方法在遥感图像融合上有着良好的性能。     

一种高精度并行主偏度分析算法及其在遥感图像中的应用

主偏度分析(PSA)作为主成分分析(PCA)的一种3阶推广,常用于盲图像分离、SAR图像去噪以及高光谱特征提取等。但现有PSA算法只能得到近似解,这会影响图像后续处理的精度。针对这一问题,该文在现有PSA算法基础上,提出了一种高精度并行主偏度分析(PPSA)算法。PPSA算法充分考虑数据结构,选用协偏度张量的全部切片的特征向量作为迭代的初始值,可以准确地得到实际解。仿真实验以及实际遥感图像实验验证了PPSA算法的有效性与优越性。     

基于压缩感知的多聚焦图像融合方法

随着压缩感知技术的发展,基于压缩感知的图像融合技术研究受到越来越多的重视。针对图像傅里叶变换系数特点,提出了一种双星采样模式下基于高低频重要性度量的压缩传感域图像融合算法。该算法首先通过双星采样模式获得测量值,然后计算高低频区域对应的重要性度量作为融合算子,并对测量进行加权融合,最后通过求解最小全变分优化问题重构融合图像。主客观实验结果表明,该算法优于其他基于傅里叶的方案。     

Remote Sensing Image Fusion Using Multiscale Mapped LS-SVM

The panchromatic (Pan) sharpening of multispectral (MS) bands is an important technique in the various applications of satellite remote sensing. This paper presents an MS Pan- sharpening method using the proposed multiscale mapped least-squares support vector machine (LS-SVM). Under the LS-SVM framework, the salient features underlying the image are represented by support values, and the support value transform (SVT) is developed for image information extraction. The low-resolution MS bands are resampled to the fine scale of the Pan image and sharpened by injecting the detailed features extracted from the high-resolution Pan image. The support value analysis is implemented by using a series of multiscale support value filters that are deduced from the mapped LS-SVM with multiscale Gaussian radial basis function kernels. Experiments are carried out on very high resolution QuickBird MS + Pan data. Fusion simulations on spatially degraded data, whose original MS bands are available for reference, show that the proposed MS Pan-sharpening method performs comparable to the state-of-the-art in terms of the pertained quantitative quality evaluation indexes, such as the Spectral Angle Mapper, relative dimensionless global error in synthesis (ERGAS), modulation-transfer-function-based tool and quality index (Q4), etc. The SVT is an effective tool for remote sensing image fusion.