基于Curvelet变换的自适应遥感图像融合算法

提出一种基于Curvelet变换的自适应遥感图像融合算法.首先对全色图像和多光谱图像图像做Curvelet变换,分解成低频系数和高频系数,分解后的低频系数选取区域能量的加权系数自适应融合规则,高低频系数采用以空间频率为度量标准结合自适应因子进行自适应融合规则,再对得到的低频和高频系数进行Curvelet反变换得到融合图像.实验结果表明该算法是一种有效可行遥感图像融合算法.     

基于2代Curvelet改进IHS变换的遥感图像融合

Curvelet变换是继小波变换之后,能更适合于图像处理的一种新的多尺度变换分析方法,它比小波变换更加适合分析2维图像中的曲线或直线状的边缘特征,同时也具有很强的方向性。为了将该变换应用于图像融合,首先对第2代Curvelet变换理论进行了综述,然后在对基于第2代Curvelet变换的遥感图像融合方法进行研究的基础上,提出了一种与IHS变换结合的融合方法。最后用高分辨率全色图像与低分辨率多谱图像进行了融合实验,实验结果表明,将Curvelet变换引入图像融合,能够更好地提取原始遥感图像的特征,不仅可为融合图像提供更多的信息,而且融合图像能在较好地保留光谱信息的同时,使空间细节信息也得到增强。     

Curvelet变换在多聚焦图像融合中的应用

综合分析Curvelet变换的特性,提出一种基于Curvelet变换的多传感器图像融合算法。首先将图像进行Curvelet变换,然后基于子块区域方差和区域能量对图像的低频系数和高频系数采用不同的融合规则将Curvelet系数融合,最后进行重构得到融合结果。对该方法得到的融合图像进行了主客观评价和对比。实验结果表明,该方法得到的融合图像在图像边缘等细节上比传统方法和小波算法得到的图像具有更好的视觉效果,在均方根误差、偏差指数、峰值信噪比等客观指标上都优于其他方法。     

一种Curvelet变换和IHS变换相结合的遥感图像融合方法

根据图像处理中所用的不同数学模型的特点,提出了一种Curvelet变换和IHS变换相结合的遥感图像融合方法。首先对多光谱图像进行IHS变换,然后利用Curvelet变换对I分量和高分辨率图像进行融合,最后进行IHS逆变换,得到融合结果图像。结果表明,该方法在保持源数据光谱特性方面优势突出,其融合结果可以应用于以光谱分析为主的领域。     

基于Curvelet变换多聚焦图像融合

探讨了可见光多聚焦图像的融合问题,提出了一种基于Curvelet变换的图像融合算法。针对Curvelet分解的不同频率域,分别讨论了低频系数和高频系数的选择原则。在选择高频系数时,通过引入Wronskian行列式从而定义局部区域线性相关度,并根据该线性相关度进行高频系数的选择;在选择低频系数时,直接采用平均法。实验结果表明：文中所给出的融合算法能够得到多个目标聚焦都很清晰的图像。     

Curvelet变换在多聚焦岩心图像融合中的应用

利用基于光流的运动估计对岩心图像配准后,针对岩心高低不平图像出现部分模糊现象,提出了一种基于Curvelet变换的多聚焦图像融合方法,先对不同聚焦图像进行Curvelet变换,采取低频分量取加权平均、高频分量取绝对值最大的融合规则,再进行Curvelet反变换。实验表明,基于Curvelet变换的融合方法可有效综合多聚焦图像,相比基于小波变换的图像融合,能获得更好的融合效果。     

基于Curvelet变换的图像融合方法

提出一种基于Curvelet变换和特征量积的图像融合方法。对2幅图像进行Curvelet变换,低频部分采用加权平均的融合算法,高频采用基于特征量积的加权融合算法,从而实现Curvelet系数的融合,并重构得到融合图像。对多聚焦图像进行实验,利用梯度结构相似度、空间频率、峰值信噪比进行评价,实验结果表明,该方法能够取得较好的效果。     

结合Curvelet变换和LSWT的多聚焦图像融合算法

针对多聚焦图像,提出了一种结合二代Curvelet变换和提升静态小波变换LSWT的图像融合算法。首先将待融合的图像分别进行离散Curvelet分解变换,得到不同分解级数和方向下的细节尺度系数和粗尺度系数;其次对粗尺度系数分别进行LSWT变换,对变换得到的低频分量和高频分量分别采用不同的方法融合后进行LSWT逆变换,得到的系数作为Curvelet变换的粗尺度系数;对于Curvelet变换后得到的细节尺度系数采用局部平均能量方差的方法进行融合;最后进行Curvelet逆变换得到融合后的图像。实验结果显示,该方法融合效果较好,优于传统方法。     

一种新的基于Curvelet变换的遥感图像融合算法

Curvelet变换能充分利用原函数的几何正则性,可以达到用更少的系数来逼近奇异曲线的目的,因此相比小波变换而言,它更适合分析二维图像中的曲线或直线状边缘特征.综合分析Curvelet变换的特性,提出一种基于Curvelet变换的遥感图像融合算法.通过Curvelet变换将源图像分解到不同尺度、不同方向的频带范围内,然后分别对低频、高频分量采取不同的融合规则进行融合,最后进行Curvelet逆变换得到融合结果.实验结果表明该方法在增强空间特征和保留光谱信息方面均优于传统小波变换和传统Curvelet变换等方法.     

基于Contourlet变换的多波段SAR图像融合

针对不同波段SAR图像的融合,该文提出了一种在Contourlet变换域融合的方法,利用Contourlet变换的充分表示图像边缘信息的能力,将图像分解为低通系数和不同方向的高频系数,对方向高频系数定义一个边缘信息量测指标,选择量测指标大的系数作为融合系数,解决了小波变换融合中图像边缘信息容易丢失的问题。通过对两波段SAR图像进行融合实验并与小波变换融合结果比较,在视觉特性与统计因子客观评价上均取得了更好的效果。     

自适应对偶树复小波－Curvelet变换的遥感图像融合

Curvelet变换克服了小波变换在处理高维信号时的不足,比小波变换具有更好的方向性、较高的逼近精度和更好的稀疏表达性能。因此将Curvelet变换应用于图像融合领域,能更好地提取图像边缘特征,为融合提取更多的特征信息。利用对偶树复小波-Curvelett变换的多尺度和多方向性特征以及自适应融合规则在选取融合系数上的优势,提出了一种基于对偶树复小波-Curvelet变换的自适应遥感图像融合新算法。算法是将全色图像和多光谱图像进行对偶树复小波-Curvelet变换分解后,针对不同的频率域特点选择不同的融合规则,对低频系数选取区域能量的加权系数自适应融合规则,对高频系数特性选用了区域特征自适应的融合规则,最后通过重构得到融合图像。将其他的融合算法和所提算法进行主观和客观的对比,结果表明,基于对偶树复小波-Curvelet变换区域特征自适应的图像融合算法是一种有效可行的图像融合算法。     

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.     

遥感图像融合方法研究

为了使融合图像在高空间分辨率的基础上较好地保留光谱信息,研究了高分辨率图像和多光谱图像中的高频信息的关系;在基于小波变换的图像融合方法中引入ISM模型（Inter-Band Structure Model）,改进了原有的融合方法;提出了基于ISM模型与小波变换（Wavelet Transform）（简称I-W）的图像融合方法;通过与HIS方法及PCA方法进行了实验对比,结果证明：文中所提出的方法能较好地保留图像的空间和光谱信息。     

基于特征量积与PCA的小波遥感图像融合

在遥感图像融合中,传统PCA算法会损失部分有用信息,从而使得融合结果的光谱分辨率受到较大影响,针对这种情况,借助小波变换优良的时频分析特性,利用特征量积来融合多光谱图像的第一主成分,实现了一种基于特征量积与PCA的小波遥感图像融合算法。通过对来自不同场景不同卫星的多光谱和全色图像进行融合实验,结果表明,该算法无论在主观视觉还是在客观统计数据上,均具有比其他方法较佳的融合效果。     

一种基于信息融合的多源遥感图像分类方法

基于D-S证据理论提出了一种多源遥感图像分类融合的新方法。首先通过人为选择感兴趣的分类区域，提取特征获取基本概率分配函数，将待分类的多源图像进行分类融合，从而得到最终的分类结果。试验表明，相比于K-mean分类方法，这种分类融合方法可以有效地减少分类过程中的不确定性信息，提高分类精度。     

基于Curvelet变换的红外与彩色可见光图像融合算法

提出了基于二代Curvelet变换的红外与彩色可见光图像的融合算法。首先对彩色可见光图像进行IV1V2颜色空间变换提取亮度分量,然后对彩色图像的亮度分量和红外图像应用Curvelet变换,对低频系数应用亮度重映射技术后采用加权平均的融合规则,高频系数则采用取大融合规则,再对融合系数应用Curvelet逆变换获得融合图像的亮度分量,最后运用颜色空间逆变换得到融合图像。实验对比表明,相对于对传统融合算法中强度较高的源图像会淹没另一方背景纹理及细节的问题,该算法能有效提高红外光谱信息的充分融合,获得了视觉效果更好、综合指标更优的融合图像。     

基于Tsallis熵差的遥感图像边缘检测方法

基于Tsallis熵差和百分位形态变换,提出了一种改进的遥感图像边缘检测方法。该方法通过构造基于百分位形态变换的边缘检测算子和选择不同方向结构元素进行变换来增加图像的边缘信息,并且该方法在百分位形态变换的基础上还改进了百分位变换的评价准则。它利用图像Tsallis熵差来选择边缘检测算子的百位变换值,将选择Tsallis熵差最大的百分位变换作为变换结果。实验结果表明,与传统的基于数学形态学的边缘检测方法相比,该方法可以最大程度上抑制噪声,有效地提高图像的边缘检测效果。