一种基于区域分割的多尺度遥感图像融合方法

光谱保持和高分辨率保留是图像融合的重要问题,提出了一种区域分割和小波变换相结合的多尺度遥感图像融合方法。首先对经过配准的待融合图像进行小波变换,然后对变换后的低频系数进行基于区域标准差的分割,将低频系数分为目标信息和背景信息,接着对目标信息采取基于绝对值的融合,对背景信息采用基于灰度误差的融合。对小波变换后的高频系数采用基于清晰度的融合规则,最后进行小波逆变换得到融合图像。将该方法和几种常用融合方法进行对比分析,结果表明:该方法在有效地保持多光谱影像光谱信息的同时,可以有效地提高融合影像的空间细节信息,有利于后续进行信息提取和图像分类。     

基于光谱角和光谱距离评价指标的遥感影像融合方法比较研究——以QuickBird数据为例

遥感数据融合是一种得到具有较高空间分辨率和光谱分辨率数据的有效方法,而如何保持地物光谱特性是遥感数据融合的关键问题。QuickBird卫星数据是高空间分辨率遥感数据的典型代表,探讨QuickBird数据的融合方法对于促进该数据的广泛应用具有重要意义,同时也能为其他高分辨率数据的处理提供借鉴。以QuickBird高分辨遥感数据为例,比较研究了目前针对高分辨率遥感数据常用的高通滤波、小波变换、Gram\|Schmidt和Pan\|sharpening 4种融合方法,以反映光谱曲线变化程度的光谱角和光谱距离为指标,评价了4种融合方法对多光谱影像地物光谱信息的保持能力。结果表明:小波变换在显著提高空间分辨率的同时最大程度地保持了原始多光谱影像的光谱信息,是4种方法中最适合QuickBird遥感数据的融合方法。     

ASTER多光谱影像与资源二号全色影像融合研究

随着遥感获取数据手段的日益增多,遥感影像的融合技术备受关注。针对ASTER多光谱影像光谱信息丰富、分辨率小,资源二号全色影像分辨率高、纹理信息丰富的特点,以安徽省马鞍山市当涂县的ASTER多光谱影像与资源二号全色影像为例,分别采用基于主成分分析、小波变换以及主成分分析与小波变换相结合的3种融合方法进行融合实验,并对融合后的影像进行对比,探讨 ASTER多光谱影像与资源二号全色影像融合的方法和效果。结果表明:采用主成分分析与小波变换相结合的方法对两幅影像融合的效果最好,极大地改善了两种单一方法的缺点,提高了原始影像的目视效果和光谱信息,从而为区域研究提供了更精确的数据资料。     

改进的小波变换在多源遥感图像融合中的应用

在分析方向可调的小波变换与不可分离小波变换的基础上,以全色SPOT和多光谱TM遥感影像为数据源,结合可调小波变换与不可分离小波变换的优点,借助Matlab与ERDAS IMAGINE等工具,实现了改进的方向可调的不可分离框架小波变换的遥感影像融合处理.该方法与传统的融合方法相比,具有不可分离小波变换和方向可调性等优点,对图像的多分辨率信息的刻画比较精细,既能保持多光谱图像的光谱信息,又能保持全色图像的空间分辨率特性,从而提高了对影像的解译能力.     

基于亮度平滑滤波调节(SFIM)的SPOT5影像融合

遥感影像融合不仅要求提高原多光谱影像的空间分辨率,更重要的是保留影像的光谱信息,减少失真。为分析SFIM算法融合SPOT-5影像的光谱保真效果,首先采用IHS、小波和SFIM算法对SPOT-5的全色影像和多光谱影像进行融合,生成新的高分辨率多光谱影像。然后采用均值、相关系数、熵、标准差、梯度五个指标对SFIM不同滤波窗口的融合结果评价;最后采用以上定量评价指标对不同方法的融合结果进行分析评价。结果表明:和传统的IHS、小波融合方法相比,SFIM融合不仅提高了影像的空间分辨率和清晰度,而且较好地保持了原多光谱影像的光谱特征。     

于试验分析确立融合模型的 IHS-小波变换融合方法

在多光谱和全色影像分辨率相差较大情况下,IHS遥感影像融合方法会因光谱分配问题导致一定的光谱扭曲;而小波变换方法在变换域具有良好的分频特性,且融合规则和算子对融合效果作用明显。将IHS和小波变换结合,通过试验分析发现小波分解得到的低频部分与光谱信息关系密切、高频部分与空间信息关系密切。在试验分析的基础上分别给出低频、高频部分的融合规则和算子,应用于BJ-1卫星数据的自身融合验证表明,在保持空间清晰度的同时能够明显地降低光谱扭曲程度,较好解决了其多光谱和全色影像分辨率相差较大对数据融合的影响,相比传统的IHS方法有效降低了光谱扭曲。
     

基于影像局部光谱特性的遥感影像融合

提出了结合遥感影像的局部相关矩和局部方差进行融合的方法。实验结果表明,与传统的小波变换的融合方法相比,该方法在提高了多光谱影像空间分辨率的同时,更好地保留了多光谱影像的光谱信息。     

遥感图像双正交小波的数据融合模式研究

鉴于小波变换分析方法在图像处理与图像融合中具有广阔的应用前景，为了获得更好的图像融合效果，首先介绍了图像数据小波分解与重构的基本方法，然后从理论上阐述了具有广义线性相位的双正交小波基的优点，最后通过小波变换与HIS变换的有机结合实现了图像融合。融合后的影像不仅仍然保持了地物的光谱信息，而且保留了高空间分辨率全色波段影像细节清晰的特点。实验结果表明，基于双正交小波变换的多分辨率遥感图像数据融合技术是提高卫星遥感影像解像力的一个重要手段。     

基于ARSIS概念的遥感影像小波包融合

研究了基于ARSIS概念的遥感影像的小波包融合方法。利用小波包分解高分辨率影像和多光谱影像,在融合影像的低频小波包系数重构时采用波段间交互构建模式,即包含了多光谱影像低频小波包系数,也包含了高分辨率影像低频小波包系数。融合影像的高频小波包系数以局部方差为规则进行择优选取。融合实验结果证明,新方法在对原多光谱影像信息的保持上优于IHS方法,同时在保持高分辨率影像的细节信息上有所改善。     

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。     

一种基于局域统计特征的影像融合方法

通过将较低空间分辨率的多光谱影像和较高空间分辨率的全色波段影像融合产生兼具多光谱和高空间分辨率特征影像是提高资源环境监测精度的重要途径之一。本文提出了一种计算简单、光谱保真性好的影像融合算法。该方法根据影像局域统计特征,建立融合方程,以表征全色影像空间结构和多光谱影像光谱信息的统计量为约束,求解融合系数,实现影像融合。试验结果表明该方法光谱保真性好、适应性强,具有一定的应用潜力。     

多源遥感图象信息保持型融合技术的研究

鉴于几种传统融合方法在提高空间分辨率,保持原始影象光信息方面的有缺点,介绍了几种新的多种信息融合方法,这些方法运用代数运算与线性计算,既可避免传统融合算法存在的信息丢失,又可以提高影像的几何分辨率;对几种融合方法的效果进行了讨论;特别详述了在融合过程中,如何充分利用各波段的优点,克服了其缺点的方法,并提出了一种实用的多源遥感影象融合的流程,分析了图象融合的应用前景,实验证明,这种流程适合大数据量,大范围的影象融合。     

多光谱图象的真实感融合

多光谱信息融合是指将从多光谱探测器获得的同一场景的多光谱信息特征组合到一起，并利用它们在时空上的相关性及信息上的互补性，以利到对景物更全面，清晰的描述，其真实感成像是指融合后的图像能保留原多光谱图像目标在特定条件下的光谱特征，针对用同一种方法来融合不同场景图象存在的问题，通过分析现有融合方法的优缺点和它们适用的场合，提出了一种综合的图象融合方法，该方法对相关性较弱，且互补性明显的图象对，采用一种新的基于人类视觉系统HVS的自适应加权平衡的融合方法来进行融合，这样能突出目标的光谱特性，而对于相关性较强的图象对，则根据场景目标距离的远近，分别采用小波变换和主成份分析来进行融合，实验表明，该方面能适合于不同类型的场景，其得到的融合结果优于用单种方法进行融合的结果，也有利于对目标的探测和识别。     

TM多光谱与SPOT 全色遥感图像融合算法对比

融合技术是遥感数据处理中一种重要的方法。而TM多光谱与SPOT全色图像是遥感融合最为普遍的选择。为了对比分析不同方法在融合TM多光谱与SPOT全色图像上的效果,提出基于色彩空间的HSV变换、基于算数技术的Brovey变换和Gram—Schmidt波谱锐化3种融合方法相结合,实现了对同一传感器的全色和多光谱数据融合。试验表明:就空间信息量而言,经过HSV变换的图像具有最大的空间信息,但其光谱保真能力最差;Brovey变换最大限度保持了原始图像的光谱信息,而空间信息的详细程度较差;Gram-Schmidt波谱锐化后的影像不仅保持了多光谱影像的光谱信息,同时又保持了高光谱全色影像的空间细节信息,是一种较好的图像融合方法。     

一种新的全色与多光谱图像融合变分模型

图像融合是提供包含各输入图像互补信息的单幅图像的有力工具. 本文提出了一种新的用于全色和多光谱图像融合的变分模型. 在Socolinsky对比度模型的基础上构造了一个改进的能量泛函最小化问题, 以寻找最接近全色图像梯度的解.为了提高多光谱图像的空间分辨率,并尽可能地保持其原有的光谱信息, 还将光谱一致项、波段间相关项和对比度增强项引入融合模型. 在IKONOS和QuickBird数据集上测试了该模型的性能.实验结果表明该模型可以生成同时具有高空间质量和高光谱质量的融合图像.     

利用ASTER数据评价ETM+遥感数据自身融合效果

ETM+自身融合后的遥感影像折中了全色波段的高空间分辨率和多光谱波段的光谱分辨能力。通过同一季相和同一地区的ASTER影像和ETM+自身融合后影像的极限放大进行对比分析,发现ETM+自身融合后的彩色合成影像的空间分辨力达不到15 m,但能保证到17.3 m;通过ASTER影像和ETM+融合后影像的NDVI植被指数的对比分析,发现ETM+自身融合后的彩色合成影像的综合光谱分辨能力仍能保持ETM+彩色合成影像的73%以上。ETM+自身融合效果的好坏与融合算法优劣也具有一定的关系。     

形态学滤波和改进PCNN的NSST域多光谱与全色图像融合

目的 全色图像的空间细节信息增强和多光谱图像的光谱信息保持通常是相互矛盾的,如何能够在这对矛盾中实现最佳融合效果一直以来都是遥感图像融合领域的研究热点与难点。为了有效结合光谱信息与空间细节信息,进一步改善多光谱与全色图像的融合质量,提出一种形态学滤波和改进脉冲耦合神经网络（PCNN）的非下采样剪切波变换（NSST）域多光谱与全色图像融合方法。方法 该方法首先分别对多光谱和全色图像进行非下采样剪切波变换;对二者的低频分量采用形态学滤波和高通调制框架（HPM）进行融合,将全色图像低频子带的细节信息注入到多光谱图像低频子带中得到融合后的低频子带;对二者的高频分量则采用改进脉冲耦合神经网络的方法进行融合,进一步增强融合图像中的空间细节信息;最后通过NSST逆变换得到融合图像。结果 仿真实验表明,本文方法得到的融合图像细节信息清晰且光谱保真度高,视觉效果上优势明显,且各项评价指标与其他方法相比整体上较优。相比于5种方法中3组融合结果各指标平均值中的最优值,清晰度和空间频率分别比NSCT-PCNN方法提高0.5%和1.0%,光谱扭曲度比NSST-PCNN方法降低4.2%,相关系数比NSST-PCNN方法提高1.4%,信息熵仅比NSST-PCNN方法低0.08%。相关系数和光谱扭曲度两项指标的评价结果表明本文方法相比于其他5种方法能够更好地保持光谱信息,清晰度和空间频率两项指标的评价结果则展示了本文方法具有优于其他对比方法的空间细节注入能力,信息熵指标虽不是最优值,但与最优值非常接近。结论 分析视觉效果及各项客观评价指标可以看出,本文方法在提高融合图像空间分辨率的同时,很好地保持了光谱信息。综合来看,本文方法在主观与客观方面均具有优于亮度色调饱和度（IHS）法、主成分分析（PCA）法、基于非负矩阵分解（CNMF）、基于非下采样轮廓波变换和脉冲耦合神经网络（NSCT-PCNN）以及基于非下采样剪切波变换和脉冲耦合神经网络（NSST-PCNN）5种经典及现有流行方法的融合效果。