基于分块DCT的遥感图像融合方法

本文提出了用DCT变换处理全色光学图像和多光谱图像的融合方法。该方法的基本思想:首先将配准的图像分块,对图像子块进行DCT变换;在DCT变换域内,对全色光学图像子块的高频部分和对应的多光谱图像子块的低频部分进行融合;最终,将融合子块组合得到融合图像。实验表明:该方法是可行有效的,取得了理想的融合效果。     

基于分块DCT的遥感图像融合方法

本文提出了用DCT变换处理全色光学图像和多光谱图像的融合方法.该方法的基本思想首先将配准的图像分块,对图像子块进行DCT变换;在DCT变换域内,对全色光学图像子块的高频部分和对应的多光谱图像子块的低频部分进行融合;最终,将融合子块组合得到融合图像.实验表明该方法是可行有效的,取得了理想的融合效果.     

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。     

基于DCT的遥感图像融合*

将DCT应用于遥感图像中全色光学图像和多光谱图像的融合上。首先,对配准的两幅图像做DCT变换;在变换域内,通过灵活的选择全色光学图像的高频部分和多光谱图像的低频部分掺入,实现对融合结果的灵活控制。并分析了将清晰度作为判断最佳融合结果的标准。     

一种基于小波系数局部特征的选择性遥感图像融合方法

提出了一种基于小波变换系数局部特征的自适应选择性遥感图像融合方法,方法的基本思想是根据多光谱和全色图像融合过程中小波分解后的低频和高频部分融合目的的不同,对分解得到的近似和各层各方向的细节分量分别运用3×3的移动模板逐一计算相应区域小波系数阵的不同局部特征量,然后选择适当的阈值,对图像的近似和细节分量分别应用不同的策略在小波域内进行选择性融合,最后通过小波和IHS逆变换得到融合的高分辨率多光谱图像。对比实验结果表明:本文的方法在较好地保留空间细节信息的同时,图像的光谱信息也得到了最大限度地保持。     

基于双树复小波的遥感图像融合

介绍了DTCWT(双树复小波变换)的基本原理,与传统小波变换相比,DTCWT具有良好的平移不变性和方向选择性,能够提高小波分解和重构的精度,更好地保持边缘、纹理等细节.在传统小波图像融合的基础上,提出了三种基于DTCWT的遥感图像融合算法:基于IHS变换和DTCWT融合法、模值加权融合法和模值局部方差融合法.对"北京一号"小卫星数据进行融合实验,结果表明,三种融合算法不仅有效地增强了融合图像的空间细节表现能力,而且很好地保留了多光谱图像的光谱信息.     

基于遥感数据光谱和空间特征的边缘提取方法

传统的边缘检测算子(Sobel、Robert、Prewitt、Kirsch、Gauss—Laplac等算子)主要是通过图像空域特征微分，建立不同结构的模板完成高分辨率遥感图像的边缘提取。而高分辨率遥感数字图像包括了空间域和光谱域两种信息，借助这两种特征信息提高提取城市边缘的信息精度已经成为当前算法开发的基本思路。本研究采用了“象元替换”的思想设计光谱分解和边缘检测的算子模板步骤，综合了图像的光谱特征和空间特征信息。研究结果表明，这种方法有效地提高了城市遥感数据边缘信息的提取精度，同时还具有方法简便、计算速度快的特点。     

结合空间-光谱调制及图像分割的多光谱图像融合方法

为了进一步提高多光谱(MS)图像与全色(PAN)图像之间的融合质量,平衡空间细节的注入与光谱信息的保持,提出了一种基于局部自适应空间-光谱调制与图像协同分割的融合方法.该方法利用k-means算法、根据MS图像的光谱特性进行图像分割,得到不同的连通体组,进而基于局部连通体组构建了局部自适应光谱调制(LASpeM)系数和局部自适应空间调制(LASpaM)系数,分别对融合图像中的光谱与空间信息进行调制;其中,LASpeM系数的构建基于MS和PAN图像中的细节提取以及MS波段之间的光谱关系, LASpaM系数的构建则基于MS和低分辨率PAN图像之间光谱特性的局部差异及相关性.另外,引入融合与分割的协同思想,利用图像分割来优化融合结果,并根据融合结果的反馈信息对分割算法的参数进行调整.在Matlab环境下,采用2个卫星GeoEye-1和QuickBird数据集进行融合实验,结果表明,文中方法在主观视觉与客观评价指标方面总体上优于7种经典及流行的融合方法,能够平衡融合图像的空间信息注入和光谱信息保持,有效地减少光谱扭曲.     

基于区域相关性的高分辨率遥感图像融合算法

针对基于现有的融合框架模型的遥感图像融合算法难以较好地同时保持融合结果的光谱特性和空间分辨率的问题,在分量替换融合框架模型的基础上,提出一种基于图像区域相关性的高分辨率遥感图像融合算法.该算法利用改进的脉冲耦合神经网络模型,根据全色图像和多光谱图像间的局部相关性差异对各多光谱图像进行区域分割,根据区域的相关性的差异确定相应的融合规则.实验结果表明,文中算法能取得很好的融合效果.     

基于Directionlets和PCA的多光谱与全色图像融合

基于数字化线段理论和整数栅格理论的Directionlets不仅继承了小波变换维数可分性的特点,而且通过选择变换方向和队列方向来获得灵活的多方向性,从而得到能够更好地捕获图像方向信息的方向各向异性的基函数。首先基于Directionlets和PCA的全色和多光谱图像融合方法,对多光谱图像进行线性PCA变换,并提取出其主分量;然后使用Directionlets提取高空间分辨率的全色图像的空间细节信息,将其"注入"到多光谱图像的主分量中。因此,得到的融合图像具有更多的多光谱图像的光谱信息和全色图像的空间信息。实验结果表明,在UIQI指数、整体图像质量指数Q4、平均梯度等主观视觉效果和客观评价指标上,新方法均优于基于小波变换的方法。     

基于区域性能的自适应遥感图像融合方法

为了把图像的融合效果评价信息加入到融合规则的选取过程当中,针对合成孔径雷达和可见光两种常见的遥感图像,提出了一种基于区域性能的自适应融合方法。该方法首先利用平滑滤波抑制SAR图像斑点噪声,再分别对源图像作小波分解。融合图像的低频系数由一组区域性能评价参量按隶属度控制规则自适应调节得到;高频系数则直接采用可见光图像的高频系数,对新的低频和高频系数实施小波反变换即可得到融合图像。实验结果表明该方法能够取得很好的融合效果。     

高分辨率遥感卫星影像的河流提取方法研究

为了克服单纯采用光谱信息提取河流的缺陷,利用高分辨率遥感影像突出的高分辨率的特性提出一种综合影像中光谱、纹理、几何特性等多特征联合提取河流的方法。该方法分别对河流水体的光谱特征、纹理特征及河流几何形状进行描述,选取特征参数,构造综合特征矩阵,利用均值聚类分割最终得到河流目标。通过对真实高分辨率遥感影像Worldview1影像进行的实验验证了该方法的高精准性及快速性。     

遥感图像边缘特征提取与融合方法研究

针对单一传感器的局限性,通过多传感器融合技术,最大限度地获取对目标场景的边缘信息描述。由于光学图像和SAR图像成像机理不同,即便配准精确的图像提取出来的边缘也会出现不重合的情况。首先采用离散域Canny算法提取光学图像边缘特征,用ratio算法提取SAR图像边缘特征,通过不变矩算法对两幅边缘特征图中的边缘进行匹配融合,得到了比单一图像边缘特征图更完整更清晰的边缘特征图,获取了更多的目标场景的信息描述。     

A data-distributed parallel algorithm for wavelet-based fusion of remote sensing images

With the increasing importance of multiplatform remote sensing missions, the fast integration or fusion of digital images from disparate sources has become critical to the success of these endeavors. In this paper, to speed up the fusion process, a Data-distributed Parallel Algorithm for wavelet-based Fusion (DPAF for short) of remote sensing images which are not geo-registered remote sensing images is presented for the first time. To overcome the limitations on memory space as well as the computing capability of a single processor, data distribution, data-parallel processing and load balancing techniques are integrated into DPAF. To avoid the inherent communication overhead of a wavelet-based fusion method, a special design called redundant partitioning is used, which is inspired by the characteristics of wavelet transform. Finally, DPAF is evaluated in theory and tested on a 32-CPU cluster of workstations. The experimental results show that our algorithm has good parallel performance and scalability.     

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。     

遥感图像道路提取方法综述

道路信息在现代社会中扮演着重要的角色,研究遥感图像的道路提取方法具有重要科学意义。回顾了道路提取方法的发展历程,按实现形式的不同,将已有道路提取方法分为基于像元、面向对象、深度学习三大类,并以此为线索,分析比较各类方法的适用范围与优缺点。设计实验,以多幅高分辨率卫星遥感图像为实验对象,验证对比各类典型道路提取方法的实际性能,实验结果表明,基于深度学习的道路提取方法效果最佳。最后,结合当下热门的遥感大数据与人工智能相关理论,展望了未来遥感图像道路提取方法的发展趋势。     

波段自适应细节注入的高分五号与Sentinel-2遥感影像空谱融合

目的 针对当前空谱融合方法应用到高光谱图像融合时,出现的空间细节信息提升明显但光谱失真,或者光谱保真度高但空间细节信息提升不足的问题,本文提出一种波段自适应细节注入的高分五号（GF-5）高光谱图像（30 m）与Sentinel-2多光谱图像（10 m）的遥感影像空谱融合方法。方法 首先,为了解决两个多波段图像不便于直接融合的问题,提出一种波段自适应的融合策略,对多光谱图像波谱范围以外的高光谱图像波段,以相关系数为标准将待融合图像进行分组。其次,针对传统Gram-Schmidt （GS）融合方法用平均权重系数模拟低分辨率图像造成的光谱失真问题,使用最小均方误差估计计算线性拟合系数,再将拟合图像作为第1分量进行GS正变换,提升融合图像的光谱保真度。最后,为了能同时注入更多的空间细节信息,通过非下采样轮廓波变换将拟合图像、空间细节信息图像和多光谱图像的空间、光谱信息融入到重构的高空间分辨率图像中,再将其与其他GS分量一起进行逆变换,最终得到10 m分辨率的GF-5融合图像。结果 通过与当前用于高光谱图像空谱融合的典型方法比较,本文方法对于受时相影响较小的城镇区域,在提升空间分辨率的同时有较好的光谱保真度,且不会出现噪点;对于受时相变化影响大的植被密集区域,本文方法融合图像有较好的清晰度和地物细节信息,且没有噪点出现。本文方法的CC （correlation coefficient）、ERGAS （erreur relative globale adimensionnelle de synthèse）和SAM （spectral angle mapper）相比于传统GS方法分别提升8%、26%和28%,表明本文方法的光谱保真度大大提高。结论 本文方法的结果空间上没有噪点且光谱曲线与原始光谱曲线基本保持一致,是一种兼具高空间分辨率和高光谱保真度的高光谱图像融合方法。     

遥感图像Contourlet变换域压缩融合

基于传统分块压缩感知(BCS)的图像融合中,由于空间域BCS采样缺乏考虑图像的全局特性,导致融合图像重构质量差,且存在分块效应。首先将输入图像在Contourlet变换(CT)域稀疏表示,并对CT分解系数进行分块压缩感知;再对压缩采样线性加权融合;最后用迭代阈值投影(ITP)方法重构融合图像,并消除分块效应。提出了基于Contourlet变换域分块压缩感知(CTBCS)的遥感图像压缩融合方法,并给出算法的详细实现流程。基于BCS和CTBCS进行压缩采样,再用ITP算法进行图像重构,仿真结果显示,与BCS相比,CTBCS采样有效考虑了图像的全局特性,基于CTBCS的ITP重构收敛速度更快,重构计算复杂度更小,重构精度更好,对应的重构图像峰值信噪比(PSNR)更高;实际资料测试结果表明,基于CTBCS的压缩融合效果比基于BCS的压缩融合效果更好,更接近常规CT融合效果。CTBCS压缩融合用较少量采样点获得与常规CT相比拟的融合结果,有效实现了大数据量遥感图像的压缩融合。     

全细节增强多曝光图像融合

目的 曝光融合算法,即将多幅不同曝光时间的图像融合得到一幅曝光度良好的图像,可能在最终的输出图像中引入光晕伪影、边缘模糊和细节丢失等问题。针对曝光融合过程中存在的上述问题,本文从细节增强原理出发提出了一种全细节增强的曝光融合算法。方法 在分析了光晕现象产生原因的基础上,从聚合的新角度对经典引导滤波进行改进,明显改善引导滤波器的保边特性,从而有效去除或减小光晕;用该改进引导滤波器提取不同曝光图像的细节信息,并依据曝光良好度将多幅细节图融合得到拍摄场景的全细节信息;将提取、融合得到的全细节信息整合到由经典曝光融合算法得到的初步融合图像上,最终输出一幅全细节增强后的融合图像。结果 实验选取17组多曝光高质量图像作为输入图像序列,本文算法相较于其他算法得到的融合图像边缘保持较好,融合自然;从客观指标看,本文算法在信息熵、互信息与平均梯度等指标上都较其他融合算法有所提升。以本文17组图像的平均结果来看,本文算法相较于经典的拉普拉斯金字塔融合算法在信息熵上提升了14.13%,在互信息熵上提升了0.03%,在平均梯度上提升了16.45%。结论 提出的全细节增强的曝光融合算法将加权聚合引导滤波用于计算多曝光序列图像的细节信息,并将该细节信息融合到经典曝光融合算法所得到的一幅中间图像之上,从而得到最终的融合图像。本文的处理方法使最终融合图像包含更多细节,降低或避免了光晕及梯度翻转等现象,且最终输出图像的视觉效果更加优秀。     

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。