基于多特征的高光谱与全色图像融合方法

高光谱分辨率的高光谱图像与高空间分辨率的全色图像融合可以综合两类图像的优势。将全色图像与高光谱部分波段分别融合,再合成假彩色图像是融合的有效思路。引进多分辨率分析框架,首先对源图像进行小波变换,得到低频系数与高频系数;然后从中提取平均梯度特征和边缘特征分别作为两类系数融合的依据;最后将融合后的系数经过小波逆变换还原为各波段融合图像,进行假彩色合成得到最终的彩色融合图。实验结果表明,与PCA、HIS等经典方法相比,本文方法不仅能够在保证融合效率前提下有效保持光谱信息,提高融合图像的空间分辨率,融合图像的标准差、平均梯度、信息熵等各项指标也均优于其他融合方法。     

一种基于NSCT的区域能量图像融合算法

针对NSCT具有方向性、各向异性和平移不变性的特点,提出了一种新的基于NSCT图像融合算法。该方法同时考虑了窗口区域的匹配度和窗口中心像素的正负号相位信息,将选择和加权平均二种融合规则相结合,取最高层绝对值较大的系数作为融合图像最高层的系数。实验结果表明,文中方法融合效果优于传统小波和轮廓波变换方法。     

基于特征融合方法的高光谱图像分类综述

高光谱图像中包含丰富的光谱特征和空间特征,这对地表物质的分类至关重要.然而高光谱图像的空间分辨率相对较低,使得图像中存在大量的混合像素,这严重制约物质分类的精度.受到观测噪声、目标区域大小及端元易变性等因素的影响,使得高光谱图像的分类仍然面临诸多挑战.随着人工智能和信息处理技术的不断进步,高光谱图像分类已成为遥感领域的...     

基于目标提取与NSCT的图像融合技术研究

针对红外图像目 标突出、背景对比度差、可见光图像分辨率高以及对热目标不敏感且隐蔽目标无法发现等问 题,本文 提出了一种能够突出两种图像的优势信息且不降低图像分辨率的图像融合方法。首先采用 Renyi熵提取红外目标,并通过非下采样Contourlet变换(NSCT)对可见光图像进行自适应增 强;然 后将图像增强后的可见光图像与目标图像进行融合,得到融合图像。通过对比,本文融合图 像的视觉 效果明显优于其他方法的融合图像。最后,采用多种指标进行评价。结果表明,基于目标提 取的图 像融合方法可以有效突出目标信息,提高图像的亮度和对比度,特别适于低能见度下的目标 检测与图像增强。     

基于光谱特征增强的高光谱图像地物目标识别

在地物识别过程中,目标光谱特征不明显是制约识别算法性能的一个重要原因,当图像中存在与目标光谱特征相似的背景杂波时,算法性能会受到很大影响.针对这一问题,提出了一种基于光谱特征增强的高光谱图像目标识别方法.利用多分辨率分解和非线性变换突出了未知光谱与标准参考光谱间微小的光谱特征差异,实现了对未知目标的识别.实验结果表明,相比于未进行光谱特征增强的方法,方法能够很好地分辨出不同地物间微小的光谱特征差异,同时有效地抑制了图像中背景杂波的干扰,具有更好的识别能力.     

基于NSCT的红外与可见光图像融合

针对红外与可见光图像特点,提出一种基于非下采样Contourlet变换(NSCT)的红外与可见光图像融合算法。该算法对源图像进行NSCT分解,得到低频分量和各带通方向子带分量;引入图像区域相关系数决策度,对低频分量和带通方向子带分量采用不同的融合规则进行融合;最后经过NSCT逆变换得到融合图像。实验证明,该方法可以更好地保留目标信息和图像细节信息。     

NSCT域内基于改进PCNN和区域能量的多光谱和全色图像融合方法

针对多光谱和全色图像的融合,提出了一种NSCT域内基于改进脉冲耦合神经网络（PCNN）和区域能量的融合方法。首先,利用NSCT将图像分解为一个低频子带和多个不同方向的带通子带。然后,对分解后的低频子带采用基于区域能量的自适应加权算法进行融合;在带通方向子带,结合改进的脉冲耦合神经网络,使用带通方向子带系数作为PCNN的外部输入激励,经过PCNN点火获得待融合图像的点火映射图,根据点火时间计算点火映射图的区域能量,通过判决算子选择待融合图像的带通方向子带系数作为融合系数。最后,对融合处理后的NSCT变换系数进行重构生成融合图像。实验结果显示:在迭代次数为100次时,与改进小波算法相比,标准差提高了9.48%,熵提高了0.95%,相关系数提高了21.56%,偏差指数降低了29.66%;与Contourlet算法相比,标准差提高了9.73%,熵提高了0.94%,相关系数提高了11.27%,偏差指数降低了9.45%;与NSCT算法相比,标准差提高了3.84%,熵提高了3.34%,相关系数提高了7.89%,偏差指数降低了7.42%。     

基于多融合多尺度特征的高光谱图像分类研究

针对高光谱图像(HSI)波段之间的冗余性给高光谱图像分类结果产生的不利影响,研究基于多融合多尺度特征的高光谱图像分类方法.将采用于主成分分析降维处理的HSI数据作为多尺度特征多融合残差网络输入,利用多尺度特征多融合残差块提取HSI中的光谱特征和空间特征,并组成若干组光谱-空间特征;采用支持向量机展开分类处理,获取各光谱...     

利用NSCT分解的高光谱异常检测

针对因背景复杂而导致高光谱异常检测效果降低的问题,提出了一种基于背景抑制的异常检测方法.首先对高光谱图像进行NSCT分解,得到各个波段的低频图像,然后对图像的低频信息做差,得到背景残差图像,对背景残差图像在做突出目标信息处理,最后使用KRX算法对处理后图像异常检测,并与其他方法进行比较,证明本文方法的有效性.     

基于区域协方差的图像特征融合方法

考虑到不同特征代表图像的不同信息,融合后的特征更能体现图像的本质,概括总结了国内外各类图像特征融合方法,重点阐述分析了基于区域协方差的特征融合方法,该方法可以自然地融合多个相关特征,协方差计算本身具有滤波能力且效率高,最后通过设计合适的目标特征,基于区域协方差融合特征实现舰船目标识别。实验表明,协方差描述子可以较好地融合舰船可见光图像或红外图像的目标特征,提高目标识别能力。     

基于决策级融合的RX高光谱影像异常检测算法

对高光谱影像的RX异常检测算法进行了研究。针对RX算法中对高维数据局部背景协方差矩阵估计存在较大误差的局限性,提出一种基于决策级融合的RX算子高光谱影像异常目标检测算法。首先,对同一场景下的可见近红外数据和短波红外数据分别运用经典的RX算子进行异常检测,得到初步异常检测的目标判决。在此基础上,利用传感器获取信息的冗余性和互补性特性,结合基于规则的决策级融合方法,得到最终的RX异常检测判决结果。在实测高光谱数据上进行了实验仿真,验证了本算法的有效性。     

高光谱图像波段子集模糊积分融合异常检测

针对高光谱图像中背景及目标先验知识未知条件下的异常目标检测问题,该文给出一种基于高相关性波段子集分割的模糊积分低概率目标检测融合算法。依据高光谱图像数据的波段相关性将原始高光谱数据分割为若干连续波段子集;利用非参核密度估计得到原假设下各波段子集数据RX检测器输出的概率密度函数,构造出非参隶属度映射函数;利用数据光谱维的特征值定义目标信号噪声能量比(TNER),衡量各波段子集信源检测结果的重要程度;最后,通过Sugeno模糊积分实现波段子集检测结果的决策级融合。使用可见光/近红外波段OMIS-I高光谱图像进行了实验,实验结果证明了算法的有效性。     

基于区域特征光谱的高光谱图像神经网络分类方法研究

通过分析在无人工选择训练样本条件下,图像光谱噪声对高光谱图像SOFM神经网络分类的影响,针对分类结果中产生的麻点现象,论文提出了通过提取区域特征光谱以抑制图像噪声,并给出了相似度阈值选取的方法;在此基础上提出了基于区域特征光谱的高光谱图像SOFM神经网络分类方法,通过对具有不同地物分布特点的高光谱数据进行仿真,结果表明:在无人工选择训练样本的条件下,与传统SOFM网络分类方法相比较,本文提出的方法显著抑制了麻点现象,分类结果更加合理.     

Vegetation Mapping for Landmine Detection Using Long-Wave Hyperspectral Imagery

We develop a vegetation mapping method using long-wave hyperspectral imagery and apply it to landmine detection. The novel aspect of the method is that it makes use of emissivity skewness. The main purpose of vegetation detection for mine detection is to minimize false alarms. Vegetation, such as round bushes, may be mistaken as mines by mine detection algorithms, particularly in synthetic aperture radar (SAR) imagery. We employ an unsupervised vegetation detection algorithm that exploits statistics of emissivity spectra of vegetation in the long-wave infrared spectrum for identification. This information is incorporated into a Choquet integral-based fusion structure, which fuses detector outputs from hyperspectral imagery and SAR imagery. Vegetation mapping is shown to improve mine detection results over a variety of images and fusion models.     

基于协峭度张量的高光谱图像异常检测

高光谱图像中的异常像元往往具有在图像中出现的概率低和游离于背景数据云团之外的特点,如何“自动”确定这些异常像元是高光谱遥感图像处理中的一个重要研究方向。经典的高光谱异常检测方法一般从图像的统计特性入手,广泛应用的RXD异常检测算法通过计算图像的2阶统计特征,可以直接给出异常点的分布情况,算法复杂度低,但缺点是没有考虑到图像的高阶统计信息。基于独立成分分析的异常检测算法虽然考虑了高阶统计量对异常点的敏感性,但需要反复迭代提取异常成分后,再对提取后的成分进行异常检测。该文提出一种基于协峭度张量的异常检测算法,该算法不需要事先提取异常成分,可以直接对观测像元进行逐一检测,从而给出异常点的分布情况。基于模拟数据和真实数据的实验结果表明,该方法能够在检测出异常像元的同时更好地压制背景信息、减小虚警率,从而提高异常检测精度。

     

基于特征融合的图像目标显著性检测方法

为了凸显图像中的感兴趣目标,提出了基于特征融合的图像目标显著性检测方法。首先通过提取可见光图像不同尺度空间的不同特征,利用区域协方差理论融合尺度空间之间串接的不同特征,然后结合全局核密度估计体现图像的全局显著性,实现局部和全局特征融合的图像目标显著性检测。仿真结果表明,无论主观评价,还是客观指标,新方法均优于当前流行的图像显著性检测方法。     

基于Fukunaga-Koontz变换的高光谱图像异常检测

高光谱图像异常检测算法通常是基于数据变换,在新的特征空间中进行的.针对WDEST算法没有使得异常目标和背景在新的特征空间中有较好的分离,提出了一种基于Fukunaga-Koontz(FKT)变换的高光谱图像异常检测算法.该算法利用FKT对高光谱图像局部窗口中数据进行变换,使得在新的特征空间中异常目标和背景有相同的特征向量和互补的特征值,较之WDEST算法得到了更好的分离,在有效提高检测概率的同时降低了虚警概率;经与RX算法比较表明,该算法对于较大异常有更好的适应性,并用真实数据进行实验证明了算法的有效性.