Contourlet变换和Tsallis熵的多源遥感图像匹配

提出了一种利用Contourlet变换、Tsallis熵和改进粒子群优化的多源遥感图像匹配算法。在分别对参考图像和目标图像进行Contourlet分解的基础上,以基于Tsallis熵的互信息量作为相似性度量准则,利用改进的带极值扰动的简化粒子群优化算法对低分辨率的遥感图像进行匹配操作,逐级上推,最终实现全分辨率情况下多源遥感图像的匹配。实验结果表明,与常用的遥感图像匹配算法相比,该算法匹配精度高,稳健性好,且运算量大幅减少。     

基于NSCT和SURF的遥感图像匹配

SURF(Speed Up Robust Features)算法是对尺度不变特征变换SIFT(Scale Invariant Feature Transform)算法的一种改进,应用到遥感图像匹配领域中可以大大提高匹配速度,但是匹配精度略有下降。为此,本文提出一种基于无下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)和SURF的遥感图像匹配算法。首先使用NSCT分别分解参考图像和待匹配图像,得到各自对应的低频分量;然后把这两幅低频分量图像作为SURF算法的输入图像进行预匹配,降低高频噪声对匹配结果的影响;最后利用预匹配结果求解变换模型的参数,并采用随机抽样一致RANSAC(Random Sample Consensus)算法剔除误匹配点对,解决了SURF算法存在的错误匹配问题。实验结果表明,与SIFT算法、SURF算法相比,本文算法具有更高的匹配精度和更快的匹配速度,且抗旋转、噪声、亮度变化能力更强。     

改进SIFT算法和NSCT相结合的遥感图像匹配算法

基于无下采样Contourlet变换(NSCT)在图像分解方面的优势,结合改进SIFT算法,提出了一种对遥感图像进行配准的方法。首先,使用NSCT将参考图像和待匹配图像进行分解,获取遥感图像的低频图像;其次,采用Canny边缘检测得到图像的边缘坐标点,与SIFT算法所获取的图像关键点的坐标比对,去除不稳定的响应点后,得到优化后的匹配点对;最后,对错误匹配点用RANSAC算法提纯。试验研究表明:本文算法可以减少使用单SIFT算法对遥感图像匹配的时间,提高匹配精度,可行且有效。     

多模态遥感图像模板匹配Log-Gabor滤波方法

针对多模态遥感图像匹配难的问题,本文提出了一种基于Log-Gabor滤波的高精度匹配方法。该方法采用由粗到细的多层级密集匹配框架,无须进行特征点检测,避开了多模态图像特征点检测重复率低的问题,能够提取大量高精度匹配点对。本文方法主要分为两步：首先,利用多尺度多角度Log-Gabor滤波器构建对图像间非线性辐射差异稳健的特征金字塔;然后,利用粗尺度的底层特征图进行密集模板匹配,提取大量粗粒度的特征匹配点对,在此基础上再利用特征金字塔,实现粗匹配点自下而上的逐层优化,完成高精度特征匹配点对的提取。同时,针对模板匹配滑窗运算效率不高的问题,提出了一种密集模板匹配的快速实现方式,有效减少了密集模板匹配的运算时间。本文使用多组不同模态的遥感图像进行试验,结果表明,本文方法能够克服图像间非线性辐射差异的影响,在正确匹配数目、匹配准确率与匹配精度上均优于现有多模态图像特征匹配方法。     

一种基于Harris-Sift引导LK光流约束的特征点匹配算法

提出了一种基于Harris-Sift特征点引导LK光流约束的图像匹配算法。算法首先检测图像的HarrisSift特征点,利用双向互匹配的最邻近搜索算法进行粗匹配;然后利用Ransac算法鲁棒估计两视图单应矩阵,利用单应矩阵引导LK光流法寻找局部最优匹配点,以获取更多更精确的匹配点;最后利用极线约束剔除外点。实验结果表明,该算法能够在降低外点概率的同时有效提高匹配点的数量,并能节省运算时间。     

基于Harris和SURF的遥感图像匹配方法研究

针对多源遥感图像匹配正确率低的问题,本文首先采用点空间约束的Harris角点检测算法,得到分布比较均匀的角点;接着构建Voronoi图进行图像分块;然后应用分块SURF特征点检测和匹配得到仿射变换参数;再利用灰度积相关算法实现同名点搜索;最后辅以两点对空间约束剔除误匹配。实验结果表明,本文采用的基于Harris和SURF的方法在遥感图像匹配正确率和效率上优于SURF算法。     

轮廓波变换在遥感目标图像检索中的应用

除具有纹理属性外,遥感图像中还包含大量的结构性边缘特征.如何有效捕捉这些特征中的信息进行检索,成为提高遥感图像检索效率的关键.依据Contourlet在离散域的多尺度几何分析的功能,提出一种利用Contourlet子带能量分布特性提取原始图像在多个尺度下的边缘方向信息进行检索的方法.针对Contourlet变换响应不同特征方向能力的差别,采用正交补偿法加以改正,经过傅里叶算子的处理,从而实现旋转不变结构性边缘特征的检索.最后,在遥感目标图像上所作的实验证实了该算法的有效性.     

特征级高分辨率遥感图像快速自动配准

随着遥感图像分辨率的日益提高,遥感图像的尺寸和数据量也不断地增大,同时随着遥感应用的发展,对图像配准的性能也提出越来越高的要求,基于此,提出一种特征级高分辨率遥感图像快速自动配准方法。首先,对图像进行Haar小波变换,基于小波变换后的近似图像进行配准以提高配准速度;其次,根据不同的遥感图像来源使用不同的特征提取方法(光学图像使用Canny边缘提取算子,SAR图像使用Ratio Of Averages算子),并将线特征转化为点特征;然后,依据特征点间最小角与次小角的角度之比小于某一阈值来确定初始匹配点对;最后,利用改进的随机抽样一致性算法滤除错误匹配点对,并结合分块思想均匀选取匹配点对计算仿射变换参数,进一步提高配准精度。为了验证本文方法的有效性,选择高分辨率World View-2图像、Pleiades图像和Terra SAR图像进行了实验,并与典型的SIFT算法、SURF算法进行比较分析,采用匹配率、匹配效率、均方根误差和时间消耗4个定量评价指标来客观评价算法的配准性能。实验结果表明,本文方法具有较好的有效性,且在不同的情况下具有较高的配准精度。本文提出的特征级高分辨率遥感图像快速自动配准方法,多组高分辨率遥感图像数据的配准实验结果表明该方法能快速实现并具有较高的配准精度和较好的鲁棒性。     

利用多尺度特征与深度网络对遥感影像进行场景分类

针对因样本量小而导致的遥感图像场景分类精度不高的问题,结合非下采样Contourlet变换(NSCT)、深度卷积神经网络(DCNN)和多核支持向量机(MKSVM),提出了一种基于多尺度深度卷积神经网络(MS-DCNN)的遥感图像场景分类方法。首先利用非下采样Contourlet变换方法对遥感图像多尺度分解,然后对分解后的高频子带和低频子带分别用DCNN训练得到了不同尺度的图像特征,最后采用MKSVM综合多尺度特征并实现遥感图像场景分类。对标准遥感图像分类数据集的试验结果表明,本算法能够结合低频和高频子带对不同类别场景的识别优势,对遥感图像场景取得较好的分类结果。     

基于SURF特征提取和Brute-Force搜索的图像匹配算法

针对传统图像匹配算法面临的特征提取的信息较少,匹配成功率不高以及匹配速率较低等问题,提出基于SURF特征提取和Brute-Force搜索的图像匹配算法。利用SURF算法中的Hessian矩阵来获取图像中鲁棒性较好的突变点,并使用不同尺寸的滤波器同时处理尺寸空间多层图像的突变点,以此来提高匹配速率,最后采用Brute-Force搜索算法对图像特征点进行最佳匹配,以此来提高匹配成功率。实验表明,该算法在图像匹配效果和匹配效率方面都表现良好。     

基于非下采样Contourlet变换的遥感影像融合

根据非下采样Contourlet变换的特点,提出一种基于非下采样Contourlet变换和IHS变换相结合的遥感影像融合方法.该方法首先对金色影像和多光谱影像经IHS变换后的I分量分别进行非下采样Contourlet 变换;然后采取不同的融合策略分别对高低频系数进行融合:低频系数采用区域能量加权的方法进行融合,高频系数则利用八邻域梯度优先的原则进行融合;最后通过非下采样Contourlet逆变换和IHS逆变换得到融合影像.实验结果表明,该方法在提高融合影像空间分辨率的同时,能更好地保持影像的光谱质量.     

利用NSCT和Krawtchouk矩进行图像检索

提出了一种基于非下采样Contourlet变换(nonsubsampled contourlet transform,NSCT)和Krawtchouk矩的图像检索算法。首先,通过NSCT对图像进行分解,提取每个分解层次上不同方向子带系数分布的数学特征作为图像的纹理特征;然后,利用Krawtchouk矩描述图像的形状特征;最后,根据加权的相似性度量实现图像检索。实验结果表明,所提取的特征向量具有平移、旋转、尺度不变性,且能获得更高的检索精度。     

基于Contourlet域HMT和D-S证据融合的SAR图像分割

针对Contourlet的多尺度、局部化、方向性和各向异性等优点,结合隐马尔科夫树(hidden Markov tree,HMT)模型和D-S(Dempster-Shafer)证据理论,提出一种新的SAR图像分割算法.该算法首先将隐马尔科夫树模型推广到Contourlet域,在多尺度HMT上采用D-S证据融合理论有效地...     

非下采样Contourlet域的ICA法SAR图像相干斑抑制

相干斑是SAR图像固有信息,也是SAR图像处理研究的重要方面之一.将非下采样Contourlet变换和统计信号处理中的独立分量分析相结合进行斑点抑制.对SAR图像进行非下采样金字塔和非下采样方向性滤波器组分解,在分解得到的非下采样Contourlet变换域利用扩展Infomax算法分离SAR图像斑点噪声.实验结果表明,...     

基于最大后验和非局域约束的非下采样轮廓波变换域SAR图像去噪方法

本文提出了一种基于最大后验和非局域约束的非下采样轮廓波变换域SAR图像去噪方法。根据SAR图像数据的特征,引入了非对数加性模型,并在该模型下对SAR图像NSCT域中的噪声分布统计建模,应用最大后验（MAP）准则和Non-Local（NL）约束相结合的方法解求SAR图像真实信号的NSCT系数。实验结果表明,本方法具有良好的去噪能力并在性能上优于当前主流方法。     

A new pan-sharpening method using multiobjective particle swarm optimization and the shiftable contourlet transform

In this paper, a novel approach based on multiobjective particle swarm optimization (MOPSO) is presented for panchromatic (Pan) sharpening of a multispectral (MS) image. This new method could transfer spatial details of the pan image into a high-resolution version of the MS image, while color information from the low-resolution MS image is well preserved. The pan and MS images are locally different because of different resolutions, and therefore we cannot directly combine them in the spatial domain. For this reason, we generate two initial results, which are more appropriate for a weighted combination. First, the pan and the MS images are histogram matched. Then we use the shiftable contourlet transform (SCT) to decompose the histogram-matched pan and MS images. The SCT is a new shiftable and modified version of the contourlet transform. In this step, an algorithm based on the SCT is used to generate two initial results of the high-resolution MS images. Our objective is to produce two modified high-resolution MS images, in which one has high spatial similarity to the pan image and the other one has high radiometric quality in each band. Therefore, we have used two different fusion rules to integrate the high-frequency contourlet coefficients of the pan and MS images to generate two initial results of high-resolution MS image or the pan-sharpened (PS) image. Finally, we can find the optimal PS image by applying the MOPSO algorithm and using the two initial PS results. Specifically, the PS image is obtained via a weighted combination of the two initial results, in which the weights are locally estimated via a multiobjective particle swarm optimization algorithm to generate a PS image with high spatial and radiometric qualities. Based on experimental results obtained, the produced pan-sharpened image also has good spectral quality. The efficiency of the proposed method is tested by performing pan-sharpening of high-resolution (Quickbird and Wordview2) and medium-resolution (Landsat-7 ETM +) datasets. Extensive comparisons with the state-of-the-art pan-sharpening algorithms indicate that our new method provides improved subjective and objective results.     

A Combined Detail Enhancing Algorithm and Texture Feature Extraction Method for Supervised Classification of Remote Sensing Images

In this paper, we propose a supervised classification in multispectral satellite images based on a novel detail enhancing texture feature extraction algorithm. The multispectral training and test images are first given for pre-processing, which is decomposed into low-pass approximation and high-pass multi-directional subbands by wavelet based contourlet transform. High pass subbands are easily interfered by noise. Based upon the Normal Shrink technique, thresholding is applied in high frequency images to eliminate the noise. The intra and inter scale fusion rule is used to combine the approximation and detail subbands to form the enhanced image. The co-occurrence features are calculated by forming the gray level co-occurrence matrix on training and test images. Mahalanobis distance classifier is applied on the training and test data sets for effective classification. The experiment result shows that the overall accuracy is improved to 2.2% for (Test-1) 2% for (Test-2) and 3.2 5% for (Test-3) and kappa coefficient is improved to 0.02 for (Test-1) image 0.03 for (Test-2) image and 0.03 (Test-3) image.     

一种改进Hausdorff距离和自适应遗传搜索的遥感目标匹配方法

采用快速点提取算子SIFT算子提取特征点,减少图像数据量,针对传统Hausdorff距离对噪声、出格点较敏感的问题对其进行改进,并以改进后的鲁棒Hausdorff距离作为匹配测度,利用非遍历而又有效的遗传搜索策略进一步提高了匹配速度。对发生旋转变形和灰度变化的遥感影像进行模拟实验,实验结果证明了该算法的有效性和快速性。     

Remote Sensing Image Fusion Based on Nonlinear IHS and Fast Nonsubsampled Contourlet Transform

The purpose of remote sensing image fusion is to inject the detail image extracted from the panchromatic (PAN) image into the low spatial resolution multispectral (MS) image. A novel remote sensing image fusion method based on fast nonsubsampled contourlet transform (FNSCT) and Nonlinear intensity-hue-saturation (IHS) is presented in this paper. Firstly, the Nonlinear IHS transform is performed on the multispectral image, and then the I-component representing the spatial resolution and the panchromatic image is transformed by NSCT to obtain the low frequency and high frequency. Finally, the coefficients are selected using the improved sum-modified-Laplacian (SML) method and the improved Log-Gabor filter in the low frequency and the high frequency, respectively. Experimental results show that the proposed method is the most advanced fusion method in subjective and objective evaluation, can provide more spatial information, and retain more spectral information compared with several other methods.