基于训练字典的遥感图像融合

为了提高多光谱图像与全色图像的融合质量,利用稀疏表示理论,提出了一种基于训练字典的融合算法。该算法对多光谱图像的亮度分量进行亮度平滑滤波（SFIM）得到新的亮度分量,利用图像块随机采样学习得到的训练字典对全色图像和新的亮度分量进行稀疏表示,采用空间频率取大的融合规则对稀疏系数进行融合,通过重构和IHS逆变换得到融合结果。对不同场景、不同卫星的多光谱图像和全色图像进行实验,结果表明,该方法能在提高空间分辨率的同时更好地保持光谱特性。     

基于HSV变换与àtrous变换的图像融合

分析了àtrous算法,在此基础上引入了HSV色彩空间变换,提出了一种新的基于HSV色彩空间变换与àtrous小渡变换的图像融合法.融合过程为:将多光谱图像通过HSV变换为H、S和V这3个分量,然后将V分量与全色图像分别进行àtrous分解,并对分解得到的两组小波平面和近似图像采用不同的融合策略进行融合,最后将融合得到的V'分量与H和S分量进行HSV逆变换得到融合图像.同时,提出了两种小波系数的融合策略,实验结果表明,两种融合方案分别改善了融合图像的纹理和色彩信息的质量.     

基于结构组稀疏表示的遥感图像融合

目的 稀疏表示在遥感图像融合上取得引人注目的良好效果,但由于经典稀疏表示没有考虑图像块与块之间的相似性,导致求解出的稀疏系数不够准确及字典学习的计算复杂度高。为提高稀疏表示遥感图像融合算法的效果和快速性,提出一种基于结构组稀疏表示的遥感图像融合方法。方法 首先,将相似图像块组成结构组,再通过组稀疏表示算法分别计算亮度分量和全色图像的自适应组字典和组稀疏系数;然后,根据绝对值最大规则进行全色图像稀疏系数的部分替换得到新的稀疏系数,利用全色图像的组字典和新的稀疏系数重构出高空间分辨率亮度图像;最后,应用通用分量替换（GCOS）框架计算融合后的高分辨率多光谱图像。结果 针对3组不同类型遥感图像的全色图像和多光谱图像分别进行了退化和未退化遥感融合实验,实验结果表明：在退化融合实验中,本文方法的相关系数、均方根误差、相对全局融合误差、通用图像质量评价指标和光谱角等评价指标比传统的融合算法更优越,其中相对全局融合误差分别是2.326 1、1.888 5和1.816 8均远低于传统融合算法;在未退化融合实验中,除了在绿色植物融合效果上略差于AWLP（additive wavelet luminance proportional）方法外,其他融合结果仍占有优势。与经典稀疏表示方法相比,由于字典学习的优越性,计算复杂度上要远低于经典稀疏表示的遥感图像融合算法。结论 本文算法更能保持图像的光谱特性和空间信息,适用于不同类型遥感图像的全色图像和多光谱图像融合。     

小波变换和稀疏表示相结合的遥感图像融合

针对多光谱图像与全色图像的融合,提出一种结合小波变换和稀疏表示的融合算法.该算法充分利用小波变换具有保持光谱信息这一优势,首先对多光谱图像进行IHS (intensity-hue-satuation)变换,然后对亮度分量和全色图像进行单层小波变换,得到对应的高低频系数.分析高低频系数的特征,对于不能认为是“稀疏”的低频系数采用稀疏表示进行融合;对于可以认为是“稀疏”的高频系数采用图像信息融合规则进行融合.最后进行小波逆变换和IHS逆变换得到融合结果.实验结果表明,该算法最大限度地保留了光谱信息,并提高了空间分辨率.     

基于多方向àtrous小波变换的多传感器图像融合

分析和研究了非下采样方向滤波器组及具有平移不变性的àtrous小波变换的图像变换的优点,提出了一种基于多方向àtrous小波变换的图像融合方法。首先利用àtrous小波变换将待融合源图像分解成不同尺度,不同分辨率的高低频分量,再对高频分量利用非下采样方向滤波器组进行方向分解,然后采取不同的融合方法对分解的高低频分量进行融合处理,低频系数采取平均加权法融合,高频系数则采取局部梯度优先的加权法融合,最后将融合的各频带进行逆非下采样方向滤波器组变换和逆àtrous小波变换得到融合图像。实验表明,在几种不同的客观评价标准下,该方法优于传统小波域中的融合效果,能有效地消除小波变换所带来的光谱扭曲和假边缘现象。     

àtrous小波-NSCT遥感图像融合

在IHS空间变换基础上,利用非下采样Contourlet变换中具有多方向性、平移不变性的非下采样方向滤波器组,并结合àtrous小波变换,实现了一种基于àtrous小波-NSCT变换的遥感多光谱图像和全色图像融合方法。针对传统的细节注入法融合规则会引起较大光谱失真,对变换所得的高频分量采用特征量积表达局部图像细节特征,依据决策因子阈值抽取全色图像细节信息,将经反方向滤波得到的有效高频细节面附加给多光谱图像分量。实验结果表明,在多种不同性能指标评价下,该算法得到的光谱扭曲最小,相关系数最大,同时空间细节质量也得到很好改善。     

一种基于特征量积的遥感图像融合方法

提出了一种基于特征量积的遥感图像融合方法。以目前卫星遥感领域最常见的传感器图像、多光谱图像和全色图像为例,首先对多光谱图像作IHS变换,并对全色图像和多光谱图像的亮度分量I进行小波分解,得到不同分辨率下的小波系数特征,然后根据特征量积判决准则对多光谱图像的I分量与全色图像进行特征融合,并对高频域融合规则进行一致性检测,进而用融合结果替代多光谱图像的亮度分量I,最后,作IHS反变换得到融合图像。实验结果表明,融合图像既显著地融入了高空间分辨率图像的细节信息,又有效地保留了多光谱图像的光谱信息,同时信息丰富程度增加,从而使融合图像在保持光谱信息和提高空间分辨率两个方面的综合性能达到很好的平衡。     

非下采样方向滤波器组在遥感图像融合中的应用

利用具有平移不变性的非下采样方向滤波器组(NSDFB),结合具有平移不变性的àtrous小波变换,提出了一种基于NSDFB的低分辨率多光谱图像和高分辨率全色图像的融合方法.将多光谱图像亮度、色度、饱和度(IHS)色彩空间的I分量和全色图像(PAN)分别进行àttrous小波变换,并对得到的高频系数分别进行NSDFB分解,从而得到多方向的高频信息,然后将高低频系数分别通过一定的融合算子进行融合、重构,得到I'分量,最后通过IHS逆变换得到融合图像.实验结果表明,在几种不同的客观评价标准下,该方法优于传统的IHS、主成分分析法(PCA)和小波变换方法的融合效果,能有效地改善主成分分析法(PCA)和小波变换所带来的虚假边缘和光谱扭曲现象.     

一种新的基于HIS和小波变换的图像融合方法*

针对遥感图像影像分辨率低的问题,提出了一种新的基于HIS和小波变换的低分辨多光谱和高分辨全色图像的融合方法.该方法通过对高分辨全色图像小波分解后的低频分量进行低通滤波,将全色图像的低频信息中的高频分量融入到多光谱图像HIS空间的亮度信息的低频中;再将这个融合后的低频和高分辨全色图像的细节信息进行小波反变换,得到融合后的图像.该图像很大程度地保留了多光谱的光谱特性和高分辨图像的空间分辨率.仿真结果表明了本方法的有效性.     

基于引导滤波和shearlet稀疏的遥感图像融合算法

针对遥感图像空间分辨率和光谱分辨率不可兼得的情况, 结合多尺度变换与稀疏表示,提出一种shearlet稀疏基与引导滤波共同作用的遥感图像融合算法。以IHS融合模型为基础,利用引导滤波作拟合处理,再用shearlet变换分解亮度图像和全色图像,得到图像的高低频子带系数。 对低频子图进行稀疏化处理并获取最优稀疏系数,稀疏系数以图像块活跃度取大的标准进行替换融合。 基于区域能量和区域方差融合处理对应的高频子图,再利用shearlet反变换获取融合结果。 实验结果表明,本文算法能提高图像清晰度以及光谱保留度,在图像完整度和细节考量上远好于其他算法。     

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。     

改进的基于稀疏表示的全色锐化算法

为了更有效地结合高分辨率全色（PAN）图像细节信息和低分辨率多光谱（MS）图像光谱信息，提出了一种改进的全色锐化算法。首先，对低分辨率MS图像的强度通道进行下采样再上采样获取其低频成分；其次，用强度通道减去低频成分获取其高频成分，在获取到的高低频成分中进行随机采样来构建字典；然后，用构建好的过完备字典对高分辨率PAN图像进行分块分解以获取高频信息；最后，将分解出的高频信息注入到低分辨率MS图像中以重建高分辨率MS图像。经多组实验后发现，所提出的算法在主观上保留了光谱信息，并注入了大量的空间细节信息。对比结果表明，相比其他诸如基于成分替换算法、基于多分辨率分析算法、基于稀疏表示算法，所提算法重建出来的高分辨率MS图像更加清晰，且在相关系数等多种客观评价指标上优于对比算法。     

结合方向小波的多光谱与全色遥感图像融合算法

针对现有的遥感图像融合算法所得融合图像存在边缘清晰度不高与光谱保持能力较差等问题,根据方向小波变换的高效性与方向选择性,提出了一种结合方向小波的多光谱与全色遥感图像融合算法。该算法采用人眼的视觉特性首先对待融合图像进行预处理,并根据小波变换的分解特性,对低频子带小波系数采用基于能量比的图像融合规则,而对高频子带则采用基于纹理一致性的融合规则。实验结果表明:该算法能够在保留多光谱图像信息的基础上,得到清晰度较高的融合图像,其中对中等分辨率图像的融合处理效果最佳。     

基于多进制小波的多源遥感影像融合

首先介绍了遥感影像融合的一般理论和方法，然后在讨论多进制小波理论和影像特征的基础上，提出了一种基于特征的多进制小波变换的影像融合算法，该算法根据待融合影像分辨率之比来确定采用几进制小波，将待融合的高分辨率影像进行多进制小波变换，然后把高分辨影像经小波变换后获得的低频成分和低分辨率影像依据一定的关系进行相互转换，以形成新的高分辨影像的低频成分，经过多进制小波逆变换获得到融合后的影像，最大限度地利用了待融合影像的信息，防止了影像信息的丢失，通过对具体影像的清晰度和空间分辨率，融合后的影像最大限度地保留了待融合影像的光谱信息，同时提高了待融合影像的清晰度和空间分辨率，给出了SPOT全色影像与SPOT多光谱影像，SPOT全色影像与TM影像的融合结果，并与其他方法进行了比较，从而证明了本方法的优越性和自适应能力。     

基于引导滤波和shearlet稀疏的遥感图像融合算法

针对遥感图像空间分辨率和光谱分辨率不可兼得的情况,结合多尺度变换与稀疏表示,提出一种shearlet稀疏基与引导滤波共同作用的遥感图像融合算法。以IHS融合模型为基础,利用引导滤波作拟合处理,再用shearlet变换分解亮度图像和全色图像,得到图像的高低频子带系数。对低频子图进行稀疏化处理并获取最优稀疏系数,稀疏系数以图像块活跃度取大的标准进行替换融合。基于区域能量和区域方差融合处理对应的高频子图,再利用shearlet反变换获取融合结果。实验结果表明,本文算法能提高图像清晰度以及光谱保留度,在图像完整度和细节考量上远好于其他算法。     

一种基于ASR和PAPCNN的NSCT域遥感影像融合方法

针对稀疏字典的高冗余性和脉冲耦合神经网络（PCNN）参数设置的主观性问题,提出一种结合自适应稀疏表示（ASR）和参数自适应脉冲耦合神经网络（PAPCNN）的非下采样轮廓波变换（NSCT）域遥感影像融合方法。该方法将多光谱影像通过YUV空间变换得到的亮度分量Y与全色影像进行NSCT分解为高低频子带。对低频子带采用基于ASR的融合规则,根据影像块的梯度信息实现自适应稀疏表示。对高频子带采用PAPCNN模型,以选择PCNN的最优参数,再经过相应逆变换得到融合结果。实验结果表明：该方法对不同卫星影像在定性和定量评价上的总体效果均优于其他8种方法。     

基于三层稀疏表示的图像修复算法

利用单一字典修复包含多种结构成分的复杂图像的效果不太理想,针对该问题,提出一种基于三层稀疏表示的图像修复算法。该算法利用离散平稳小波、曲波和波原子稀疏来表示图像的光滑、边缘和纹理部分,采用块坐标松弛算法求解对应的稀疏优化问题实现图像修复。实验结果表明,该算法可以修复包含多种结构成分的图像,有效提高图像的修复质量。