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...     

高空间分辨率和高光谱分辨率遥感图像的融合

1 引言 在遥感成像系统的设计中,空间分辨率和光谱分辨率常常不可兼得,因为高光谱成像系统的光谱带宽很窄,必须用较大的瞬时视场(IFOR)才能收集足够多的光量子以维持可接受的信噪     

基于sc-NMF的高光谱图像融合

将高光谱图像与全色图像融合,所得融合数据对于后续的其它高光谱图像处理非常有帮助。区别于传统方法,针对高光谱图像特点,引入了光谱约束项,改进并建立基于光谱约束的非负矩阵分解（spectral-constrained nonnegative matrix factorization,sc-NMF）。改进后,该模型首先在光谱约束前提下,对高光谱图像进行非负矩阵分解,对分解所得基底进行增强,再重建高光谱图像。这样,所得到的融合图像在空间细节和光谱保持性均有比较好的效果。最后,进行了仿真和实际数据的实验验证,通过主观和客观的评价结果,所改进的融合方法性能较好,比传统方法更适用于高光谱图像融合。     

基于超像素分割的RGB与高光谱图像融合

本文提出了一种基于超像素分割的RGB与高光谱图像融合方法。首先,利用在线字典学习法由低空间分辨率的高光谱图像数据学习得到光谱字典。然后,通过光谱字典的线性变换,得到与高光谱图像同一场景的RGB图像字典。其次,对RGB图像进行超像素分割,并根据分割结果在每一个超像素块中进行稀疏编码,得到稀疏矩阵中的系数包含了RGB图像的空间信息。最后,将稀疏编码矩阵与高光谱图像谱字典相结合重建得到高空间分辨率高光谱图像。实验结果表明,该方法不管是在主观视觉上的图像恢复质量,还是在峰值信噪比等客观指标上均具有优势。     

基于多分辨率图像融合算法的岩心图像拼接

针对岩心图像由于光照不均,及其自身因素导致的拼接图像出现明显拼接缝的问题,对比分析了多种图像融合算法,并将多分辨率图像融合算法引入到岩心图像拼接中,该算法利用拉普拉斯金字塔结构将图像按频率进行分解,对各个频率上的带通图像分别进行融合,再利用金字塔反变换还原出融合结果图,最终实现了岩心图像无缝拼接。     

基于全局结构和自相似性约束的高光谱多光谱图像融合

光谱信息丰富的高光谱图像被广泛应用于航海、军事、农业等领域,但其空间结构信息较为匮乏、图像空间分辨率较低。鉴于此,提出了一种基于耦合稀疏表示策略的高光谱和多光谱图像融合方法。该策略首先将高光谱图像进行光谱学习得到完备字典,其次把多光谱图像的全局结构和光谱自相似性作为约束条件,实现空间结构信息和光谱信息的充分利用,最后进行全局凸优化求解得到高质量融合图像。通过开展非盲融合及盲融合实验,进一步验证上述算法对于高光谱图像重建空间分辨率的提升效果。实验结果表明,本算法的峰值信噪比(PSNR)、全局相对误差(ERGAS)、均方根误差(RMSE)的值分别为46.78 dB、0.77、1.39。相较其他算法而言,基于此算法的融合效果图具有更丰富的纹理细节、重建误差更小。     

基于多传感器配准的高光谱图像拼接研究

拼接技术对改善高光谱图像质量具有重要意义,为改善高光谱图像拼接效果,设计了基于多传感器配准的高光谱图像拼接技术。首先对国内外高光谱图像拼接研究的现状进行分析,找到各种高光谱图像拼接技术的缺陷,然后采用多个传感器对高光谱图像进行采集,并根据高光谱图像之间的关键特征点进行配准,从而实现高光谱图像拼接,最后采用多幅高光谱图像进行了拼接仿真实验。结果表明,所提方法大幅度降低了高光谱图像拼接误差,获得了高精度的高光谱图像拼接结果,同时减少了高光谱图像拼接时间,加快了高光谱图像拼接速度,获得比较其它技术更优的高光谱图像拼接结果。     

PHI高光谱数据和高空间分辨率遥感图像融合技术研究

提出了一种新的高光谱图像融合技术———基于最佳指数准则的高光谱小波包图像融合方法,即首先利用最佳指数选择高光谱的最佳合成波段,得到低分辨率的彩色合成影像,然后采用一种基于区域多特征的小波包融合算法进行融合处理.文中利用上海地区PH I高光谱数据和高分辨率全色航空像片来验证算法的有效性,实验结果表明该方法可有效的实现高光谱数据和高空间分辨率遥感图像的融合处理.     

基于多源信息融合的高光谱图像拼接研究

为了保证高光谱图像后期拼接的质量,避免图像细节丢失,提出基于多源信息融合的高光谱图像拼接方法。首行采用多个传感器对高谱图像进行采集,并进行降噪处理和采用索贝尔算子方法对高光谱图像边缘进行检测,然后采用色度空间转换方法将高光谱图像由RGB颜色空间转换为YUV空间,并采用拼接方法对高光谱图像进行拼接处理,实验证明该方法拼接的高光谱图像信噪比、对比度以及边缘融合效果都优于对比算法,而高光谱图像效率高。     

基于多特征多分辨率融合的高光谱图像分类

由于数据维数高,利用高光谱数据对地物进行分类,常规方法难以获得令人满意的结果,在基于小波多分辨率融合方法进行特征图像的提取过程中,提出了利用多个空间特征所构成的特征矢量确定多分辨率融合权值的算法,有效地降低了原始图像的数据维并获得了用于后续分类的特征图像．对AVIRIS数据进行的实验表明,利用新方法提取的特征进行分类,获得了高于传统方法确定融合权值的结果。     

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。     

一种基于神经网络的数据融合方法在遥感图像处理中的应用

用一维自组织特征的神经网络数据融合算法，对分别从3个传感器采集的同一遥感对象的3幅数字灰度图像进行了融合，生成出了高质量图像，为人工判读和下一步特征层和决策层融合处理提供了更佳的输入信息。     

基于一维自组织神经网络的图像数据融合算法研究

多传感器数据融合技术最近在图像处理领域得到广泛的重视和应用.传统图像处理是典型的二维信号处理,图像数据融合也属此范畴.为了融合来自同一景物的多幅带有不同噪声的图像,本文提出了一种基于一维自组织特征映射神经网络的图像融合算法,利用等灰度图法来确定自组织映射神经网络的聚类数,并用一维的像素特征量直接进行二维图像信号处理. 仿真试验给出的详细结果表明了该图像融合算法的有效性.     

基于梯度塔形分解的多传感器图像融合

给出了基于梯度塔形分解的像素级图像融合新方法,基本思想是,先对原图像进行梯度塔形分解;其次,按照融合规则,采用基于区域特性的加权算子去构造融合图像对应的梯度金字塔;最后,通过逆梯度塔形变换重构融合图像,该方法被成功地用于图像的融合处理,实验结果表明,该融合方法十分有效,获得的融合图像更符合人的视觉特性,更有利于机器视觉。     

基于数据融合的SAR图像斑点噪声抑制

合成孔径雷达图像中的斑点噪声极大地降低了图像的可读性,不利于图像解译和信息提取。根据均值滤波和小波软阈值去噪算法的优点,提出了一种基于数据融合的合成孔径雷达图像相干斑抑制算法。该方法首先对含噪图像进行均值滤波和小波软阈值去噪,再对滤波后的两幅图像在小波域进行数据融合。实验结果表明,这种方法抑制SAR图像斑点噪声的效果较好。     

多特征融合下的高光谱图像混合卷积分类

针对现有高光谱遥感图像卷积神经网络分类算法空谱特征利用率不足的问题,提出一种多特征融合下基于混合卷积胶囊网络的高光谱图像分类策略。首先,联合使用主成分分析和非负矩阵分解对高光谱数据集进行降维;然后,将降维所得主成分通过超像素分割和余弦聚类生成一个多维特征集;最后,将叠加后的特征集通过二维、三维多尺度混合卷积网络进行空谱特征提取,并使用胶囊网络对其进行分类。通过在不同高光谱数据集下的实验结果表明,在相同20维光谱维度下,所提策略相比于传统分类策略在总体精度、平均精度以及Kappa系数上均有明显提升。     

一种基于目标区域的图像融合新方法

提出了一种基于目标区域的融合方法.将原图像分为目标区域和背景区域,在利用àtrous小波算法分解图像的基础上,分别对目标区域、背景区域以及两区域间的边界部分进行不同的融合处理得到融合后小波系数,最后经过小波逆变换得到融合图像.实验结果表明该方法可获得较理想的融合图像,其融合结果优于基于像素和基于窗口的融合方法.     

基于双匹配度的多光谱图像融合算法

在基于小波分解的图像融合中,低频系数的选取决定融合图像的轮廓,同时影响图像的边缘细节.双匹配度图像融合算法首先在区域能量的基础上合理引入区域梯度,然后根据匹配度的类型和测量值进行小波低频系数的选取.仿真实验从两种无需基准融合图像的客观评价方法和视觉效果两个方面表明双匹配度融合算法是一种有效的图像融合算法.该算法能够充分地利用区域特征信息,有效地保留图像的轮廓和边缘信息,同时能够有效地避免块效应的产生,产生良好的视觉效果,且优于一些经典的图像融合算法.     

基于梯度塔形分解的GPU加速多源图像融合

为了解决多分辨率图像融合算法在单纯CPU上运行效率低的问题,提出了一种用于在基于梯度塔形分解的图像融合算法中使用的新融合规则,并将整个融合算法在图形处理器上进行了设计和高效的实现,将计算密集的任务安排到图形处理器上执行.实验验证,融合图像保留了源图像中的显著特征.并且,与单纯CPU上的融合算法相比,该系统在不同尺寸的图像融合中都获得加速.展现了一种通过图形处理器提高多分辨率图像融合算法效率的方法.