无人机影像与高分卫星影像融合方法研究

针对目前卫星影像数据有丰富的光谱信息但是空间信息不足,而无人机影像空间分辨率高但是光谱信息缺乏的问题,本文将高分二号卫星多光谱影像数据与无人机正射影像数据融合,得到高空间分辨率和光谱信息丰富的融合影像。通过实际数据分别利用PCA、HIS、高通滤波3种常用的图像融合方法进行高分二号卫星多光谱影像与无人机正射影像的融合实验,并通过定性和定量分析的方法从光谱信息保留的完好性和空间信息表达的分辨率2个方面对比分析了3种融合方法的融合效果。     

基于二次散射的高光谱遥感图像光谱非线性混合模型

高光谱遥感图像(简称高光谱图像)的空间分辨率通常较低,混合像元现象严重.为了提高图像的分类精度,必须计算出混合像元内每种纯地物所占的比例(丰度).然而,受实际地物间复杂关系和大气散射的影响,高光谱图像像元内的光谱混合都是非线性的,这就使得传统的基于线性光谱混合模型的解混精度难以满足要求.为此,定义了广义的非线性混合模型,提出了一种基于二次散射的非线性混合模型——二次散射模型(secondary scattering model,SSM).通过对模拟数据和AVIRIS实际数据的解混实验表明,相对于传统的线性光谱解混,基于该模型进行光谱解混得到了更精确的分类结果.     

提高中巴卫星IR MSS图像空间分辨能力的光谱保真融合方法

介绍一种提高中巴资源卫星IRMSS图像空间分辨能力的光谱保真融合方法。通过计算低分辨率图像上每一个像元对应的高分辨率图像上一组子像元的平均亮度值及二者之差,将该差值与高分辨率图像上相应子像元亮度求和,形成新的图像。该图像具有高分辨率图像的空间细节,又具有低分辨率图像的光谱信息,从而实现融合图像信息保真。试验表明,光谱保真融合方法可以在不改变光谱信息的前提下提高IRMSS图像的空间分辨能力,是一种新的简单实用的数据处理方法。     

结合HSV和小波包变换的高光谱影像融合及信息识别研究

传统的HSV变换融合法是一种十分常见的遥感图像融合方法,该方法虽然可以提高图像的空间分辨率但会导致光谱信息的严重丢失,不适用于对高光谱影像的融合。而小波包变换是一种优于小波变换的多尺度多分辨率变换方法,基于小波包变换的图像融合技术允许对不同频带的图像采用不同的融合规则从而很好地保留图像的频谱信息。本文采用一种将HSV变换与小波包变换（Wavelet packet transform,WPT）相结合的融合方法对高空间分辨率影像和高光谱影像进行融合并对融合结果进行二进制编码监督分类,最后与传统的PCA变换融合法及Gram-Schmidt融合法在图像信息和光谱特征两个方面进行比较。结果表明,本文所采用的方法不仅可以提高融合图像的空间分辨率,并在地物的波谱特征保持和信息识别方面效果良好。     

基于主成分分析的遥感图像模拟真彩色融合法

对不同空间分辨率、时间分辨率和波谱分辨率的遥感图像进行综合、高效的利用,是遥感应用的关键问题之一。基于主分量变换法,提出了基于主成分分析的模拟真彩色融合法。该方法不仅具有主成分分析融合法的光谱波段选择灵活和光谱信息损失小等优点,同时该方法还可获得逼真的自然色彩的融合图像,提高了图像的融合效果。利用QuickBird全色和多光谱数据进行了试验,并与色彩空间变换法(IHS)、比值变换融合法和乘积变换法等传统方法,在定性和定量两个方面进行了比较分析。结果表明,新方法很好的保留了多光谱影像的光谱信息,提高了空间细节的表现能力,是一种有效实用的遥感图像融合方法。     

基于主成分分析的遥感图像模拟真彩色融合法

对不同空间分辨率、时间分辨率和波谱分辨率的遥感图像进行综合、高效的利用,是遥感应用的关键问题之一.基于主分量变换法,提出了基于主成分分析的模拟真彩色融合法.该方法不仅具有主成分分析融合法的光谱波段选择灵活和光谱信息损失小等优点,同时该方法还可获得逼真的自然色彩的融合图像,提高了图像的融合效果.利用QuickBird全色和多光谱数据进行了试验,并与色彩空间变换法(HIS)、比值变换融合法和乘积变换法等传统方法,在定性和定量两个方面进行了比较分析.结果表明,新方法很好的保留了多光谱影像的光谱信息,提高了空间细节的表现能力,是一种有效实用的遥感图像融合方法.     

光谱—频域属性模式融合的高光谱遥感图像变化检测

高光谱作为“图谱合一”的遥感技术,具有精细光谱和空间影像的地面覆盖观测与识别优势。然而,高光谱遥感数据的光谱信息表征以及空间信息的利用给双时相高光谱遥感图像变化检测任务带来了巨大的挑战。为此,本文探讨了一种光谱—频域属性模式融合的高光谱遥感图像变化检测方法 SFDAPF(Spectral-Frequency Domain Attribute Pattern Fusion)。首先,设计一种基于梯度相关性的光谱绝对距离,使双时相高光谱遥感图像像元对的属性模式从光谱信息表征方面得到了逐级量化;其次,基于傅里叶变换理论提出一种变化像元属性模式显著性增强策略,从全局空间信息利用方面改善了变化与非变化属性像元对的可分性;再次,将全图属性模式显著性水平与梯度相关性的光谱绝对距离进行融合,得到变化检测的综合界定值;最后,依据虚警阈值确定双时相高光谱遥感图像变化检测的二值化结果。将本文提出的SFDAPF方法在开源的双时相高光谱遥感图像河流和农场数据集上进行了变化检测性能验证,结果表明SFDAPF方法能够优于传统的和最新的变化检测方法,变化检测的总体精度在河流和农场数据集上分别达到了0.96508和0.9...     

改进IHS变换的图像融合方法研究

经典的IHS变换融合以其快速、简单的特点得到广泛应用,但该方法在显著提高图像空间分辨率的同时引起了严重的光谱失真.本文分析了IHS变换引起光谱失真的原因,并总结了已有的针对光谱失真的IHS变换改进算法,提出基于小波的IHS变换融合,利用小波分解尽可能地保留了原I分量中的光谱信息,在提高空间分辨率的同时减少了光谱失真.实...     

高分辨率图像辅助提取高光谱图像端元

现有的端元提取算法大多是基于凸面单形体假设,对于非单一地物类型,利用这些端元进行丰度反演将会影响混合像元分解精度。本文提出一种利用高分辨率图像判断高光谱像元内是否为同一类型地物的方法。首先,利用图像分割程序对高分辨率图像进行分割,得到光谱均一的斑块矢量图,并叠加到高光谱图像上;然后,通过空间关系分析找出斑块内的高光谱像元,称其为准端元;最后,利用端元提取算法在这些准端元中进行端元提取。实验结果表明,该方法将端元提取结果的误差降低了20%左右。     

高光谱遥感城市植被识别方法研究

传统的植被状况调查方式费时、费力,并且更新困难,而高光谱遥感数据图谱合一,能够更精细、准确地进行遥感地物识别和分类,因此采用Hyperion高光谱数据来研究地物混合严重并且呈零星碎片状的城市植被。利用混合像元分解思想改进Gram-Schmidt融合算法,将Hyperion高光谱和ALI全色波段进行融合,提高光谱数据的空间分辨率,来解决城市植被像元混合严重和分布过于零散破碎难题,进而提高植被识别精度。为了避免高光谱植被识别陷入维数灾难,采用主成分分析对融合后的高光谱数据进行数据降维。最后,在地面光谱成像仪获取的纯净像元光谱信息辅助下,选取训练样本进行最小距离分类,完成植被类型识别,总体精度达到84.9%。     

结合Gram-Schmidt变换的高光谱影像谐波分析融合算法

针对高光谱影像谐波分析融合(HAF)算法在影像融合时不顾及地物光谱曲线整体反射率这一缺陷,提出了结合Gram-Schmidt变换的高光谱影像谐波分析融合(GSHAF)改进算法。GSHAF算法可在完全保留融合前后像元光谱曲线波形形态的基础上,将高光谱影像融合简化为各像元光谱曲线的谐波余相组成的二维影像与高空间分辨率影像之间的融合。它是在原始高光谱影像光谱曲线被谐波分解为谐波余项、振幅和相位后,首先将其谐波余项与高空间分辨率影像进行GS变换融合,这样便可有效地修正融合后像元光谱曲线的反射率特征,随后再利用该融合影像与谐波振幅、相位进行谐波逆变换,完成高光谱影像谐波融合。本文最后利用Hyperion高光谱遥感影像与ALI高空间分辨率影像对GSHAF算法进行可行性分析,再以HJ-1A等卫星数据对其进行普适性验证,试验结果表明,GSHAF算法不仅可以完全地保留光谱曲线波形形态,而且融合后影像的地物光谱曲线反射率更接近真实地物。     

基于à trous小波变换的Landsat 7 ETM＋图像融合研究

 以胶州湾及周边海岸带为研究区，采用Landsat 7 ETM+数据，提出一种基于à trous小波变换的全色图像和多光谱图像融合改进算法。对全色图像和多光谱图像进行适当层数的小波分解，多光谱图像的低频部分采用全色图像和其低频分量的比来调制； 最高分解层外的其余分解层采用多光谱图像和全色图像在该层分解系数的加权和，加权系数由局部区域能量比来确定； 最高分解层则采用绝对值最大准则。实验表明，该方法得到的图像可提高空间分辨率，对多光谱图像的光谱信息扭曲也较小，为提高海岸带地物分类和信息提取精度奠定了基础。     

基于分辨率退化模型的全色和多光谱遥感影像融合方法

从影像成像的频率特性出发，提出了一种影像分辨率退化模型，并在此基础上提出了一种新的全色和多光谱遥感影像融合方法。     

稀疏表示支撑集的遥感影像融合

针对常用稀疏表示系数融合规则不能完全保留两幅影像的有用信息,该文通过分析稀疏表示系数支撑集空间分布关系,提出一种新的稀疏表示系数融合规则。首先对多光谱影像进行广义IHS变换,将得到的亮度分量与全色影像分别进行稀疏表示;然后分析亮度分量与全色影像稀疏表示解的支撑集,对支撑集中交集部分和差集部分所对应的稀疏表示系数分别利用求和方式与L1范数最大方式进行融合;最后采用加权细节插入方式,将融合后的亮度分量细节信息插入到多光谱影像中,得到高分辨多光谱影像。实验结果表明,该方法能较好地提高空间分辨率并减少光谱损失;在主观视觉和客观评价上,比常用的融合规则方法有所提高。     

Spectral and Spatial Quality Analysis in Pan Sharpening Process

Image fusion is a process to obtain new images containing more information by combining images obtained same or different sensors. With most of the earth observation satellites, high spatial resolution panchromatic images and low spatial resolution multispectral images are obtained. As an example of image fusion ??pan sharpening?? is a process of combining of high spatial resolution panchromatic images and low spatial resolution multispectral images. At the end of the fusion process both high spatial and spectral resolution new images are obtained. In this study, panchromatic and multispectral images gathered from Ikonos were used. Panchromatic and multispectral images belonging to the same sensor were combined by using different image fusion methods. As pan sharpening methods Brovey transform, Modified IHS, Principal Component Analysis (PCA), Wavelet PC transform and Wavelet A Trous transformation methods were used. Quality of fused products was evaluated from the point of view of both visual and statistical criteria. While wavelet based methods are succesfull in terms of protection of spectral quality of original multispectral images, the colorbased and statistical methods are giving better results within the improvement of spatial content.     

融合多光谱影像的高光谱影像厚云去除方法

云遮挡对高光谱影像的应用造成了不可忽视的影响。现有云去除方法通常利用时域近邻的同源影像提供辅助信息。然而,高光谱影像(如GF-5和EO-1高光谱影像)较低的时间分辨率导致同源辅助影像中可能存在较大的地物覆盖变化。时间分辨率更高的多光谱影像(如Landsat 8 OLI影像)能提供时间上更接近于高光谱云影像的辅助信息,从而减少地物覆被变化带来的影响。为应对高光谱和多光谱波段之间差异较大的问题,本文基于空谱随机森林(spatial-spectral-based random forest,SSRF)方法,提出一种利用多光谱影像(Landsat 8 OLI影像)对高光谱影像进行厚云去除的方法,将其简记为SSRF_M。SSRF_M较强的非线性拟合能力使其能够综合利用多光谱影像所有波段的有效数据对各个高光谱波段进行重建。本文使用GF-5和EO-1高光谱影像进行模拟云去除试验,视觉和定量评价结果均表明,与利用时间间隔更长的同源辅助影像的方法相比,本文方法能获得更高精度的云下信息重建结果。     

基于光谱信息的遥感图像空间域自适应滤波

遥感图像往往由于内外因素的干扰含有各种噪声 ,为提高图像质量人们对其进行滤波。常规的滤波方式完全基于图像空间域 ,在消除异常点使图像平滑的同时使边界变得不清楚从而使图像模糊 ;或者正相反 ,在边缘信息得到增强时也放大了图像噪声而使图像变得粗糙。该文的自适应滤波方法充分利用多光谱和高光谱遥感图像的光谱维信息 ,滤波时不仅要使均匀的地块得到平滑 ,而且要使地块间的边缘、局部的异常点、线仍然得到保存、在光滑的同时尽量保持原有的数值特征     

Analyzing hyper-spectral and multi-spectral data fusion in spectral domain

Image fusion is the combination of two or more different images to form a new image by using a certain algorithm. Despite the fact that the number and kind of satellite imagery are daily increasing, using fusion techniques, in a proper way, to eliminate the redundancy in data and increase the quality of data is an important challenge in Remote Sensing Image Processing. Fusion of multispectral images with a hyperspectral image generates a composite image which preserves the spatial quality from the high resolution (MS) data and the spectral characteristics from the hyperspectral data. For the present study three fusion algorithms (Principal Component Transformation, Colour Normalized and Gram-Scmidt Transformation) were analysed for Hyperion and IKONOS MSS data. Their ability to preserve the spectral quality of fused data, in comparison with original hyper-spectral image, has been investigated.     

A novel image-fusion method based on the un-mixing of mixed MS sub-pixels regarding high-resolution DSM

A major reason for the spectral distortions of fused images generated by current image-fusion methods is that the fused versions of mixed multispectral (MS) sub-pixels (MSPs) corresponding to panchromatic (PAN) pure pixels remain mixed. The MSPs can be un-mixed spectrally to pure pixels having the same land cover classes in a fine classification map during the fusion process. Since it is difficult to produce such a land cover classification map using only MS and PAN images, a Digital Surface Model (DSM) derived from airborne Light Detection And Ranging data were employed in this study to facilitate the classification. In a novel fusion method proposed in this paper, MSPs near and across boundaries between vegetation and non-vegetation are identified using MS, PAN, and normalized Digital Surface Model (nDSM). The identified MSPs then are fused to pure pixels with respect to the corresponding land cover class in the classification map. In a test on WorldView-2 images over an urban area and the corresponding nDSM, the fused image generated by the proposed method was visually and quantitatively compared with fused images obtained using common image-fusion methods. The fused images generated by the proposed method yielded minimal spectral distortions and sharpened boundaries between vegetation and non-vegetation.