图像融合对图像中信号频率影响的研究

图像融合是图像处理的重要步骤之一,本文分析了多种图像融合方法,根据高采样率奈奎斯特频率、低采样率奈奎斯特频率和信号频率三者之间的关系,对图像融合前后信号频率的变化进行了研究,试验结果表明图像融合对低采样率图像的识别能力有一定的提升。     

基于FFT稀疏压缩感知域内遥感图像融合

压缩感知理论因其远低于乃奎斯特采样率的特性,减少了大量的采样数据。基于这一特性,提出一种在压缩感知域内进行遥感图像融合的方法。该方法首先对图像作快速傅里叶变换(FFT);然后进行测量采样获取压缩感知域数据;再采用权重法对数据进行融合;最后通过重构算法得到融合图像。通过实验得出压缩感知域内遥感图像融合具有数据量少,融合效果好等特点。     

遥感图像空间分辨率改进值计算方法

为了克服超分辨重建后的遥感图像空间分辨率的界定还采用人工对比判读存在误差和结论不统一的缺点,利用调制传递函数、奈奎斯特采样定理和人眼极限频率,建立了一种新的空间分辨率客观评价方法。利用该方法计算超分辨率重建后的遥感图像相比原始遥感图像空间分辨率的提高倍数,从而推断出重建后遥感图像的空间分辨率的大小。在数值测试中,利用不同的超分辨率方法对分级变频矩形光栅图像进行重建,采用提出的空间分辨率评价方法,与归一化均方误差、峰值信噪比、信息熵、灰度平均梯度进行客观评价的结果一致。此方法为遥感图像空间分辨率改进值的计算提供了一种可行的量化模型。     

顾及边界入射信号的多模水汽层析方法

利用GNSS三维水汽层析技术全天候地获取高时空采样率的水汽垂直分布信息,已成为GNSS气象学中一大研究热点。当前,基于单一导航系统的传统层析方法存在观测数据利用率低、观测分布不均等不足。本文设计和实现了一种顾及边界入射信号的多模水汽层析方法,采用香港CORS网观测数据和无线电探空产品进行精度验证,并详细分析边界入射信号和多模层顶信号的引入对层析水汽结果的改善程度。结果表明:相较于传统GPS层析方法,本文采用的融合两类多模层顶信号和边界入射信号的新水汽层析方法,兼备边界入射信号和多模层顶信号的优点,可得到更高精度和更可靠的三维水汽信息。     

基于频率特征点提取的遥感融合图像无参考评价方法研究

针对现有的图像融合评价方法存在受地物的影响较大、评价结果过于笼统、实用性不强的问题,提出使用局部特征点进行图像融合评价的方法,首先定量地确定图像中的高频特征点,然后以高频特征点为依据提取图像中高频区域和低频区域,最后通过空间信息获取程度和光谱信息保留程度两个方面对融合图像进行评价.实验结果表明,本文中提出的评价方法要优于已有的图像融合评价方法,能更好地体现不同融合方法之间的差异.     

一种FFT增强的IHS变换融合方法研究

在分析IHS变换和频率域滤波器选择理论的基础上,提出一种FFT增强的IHS变换融合方法.该算法先对多光谱图像IHS变换的I分量进行低通滤波,然后对与I分量进行直方图匹配的全色图像进行高通滤波,接着合成低通滤波和高通滤波的结果作为新的I分量,最后进行IHS逆变换得到融合图像.通过与IHS法与高通滤波法的融合结果进行对比评价,表明该方法在保持光谱信息和提高多光谱的空间信息能力方面都有很好的效果.     

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。     

融合GNSS和加速度计监测数据的超高建筑动态特性分析

GNSS和加速度计是目前动态监测超高建筑环境载荷变形的主要手段。GNSS具有无需通视、可直接获取三维位移等优点，但受精度和采样率的限制，其对微变形及高频振动信息不敏感；而加速度计具有高精度和高采样率等优点，但无法监测超高建筑低频的似静态变形。为充分发挥这两种传感器的各自优势，提出利用多速率Kalman滤波和RTS平滑方法对超高建筑GNSS和加速度计监测数据进行融合处理。试验结果表明，与单一的GNSS监测技术相比，该方法有利于削弱GNSS高频噪声的影响，提高位移数据的采样率，可有效识别超高建筑的低频和高频振动频率，提高对微变形振动的监测能力；与单一的加速度计监测技术相比，该方法可以准确监测超高建筑的低频变形信息，具有良好的工程应用价值。     

基于特征的遥感图像信息融合模式研究

基于图像特征的遥感图像信息融合是在突出目标地物的空间结构和纹理特征情况下的信息融合。本文在数字图像小波多分辨率分析理论基础上,采用小波变换方法对高分辨率遥感图像的目标地物边缘进行信息增强,然后与多光谱遥感图像进行特征信息融合。在融合过程中,首先对多光谱图像中的R、G、B三个波段的图像进行小波分解,得到相应的低频图像,并对特征增强后的高分辨率图像进行小波分解,再将分解后的高频图像分别与低频图像进行融合,最后经RGB合成为彩色图像。该方法既改善了图像的清晰度和分辨率,同时也保留了原图像的光谱信息。本文最后通过融合实验验证了上述结论。     

基于HIS变换和WT变换的遥感影像融合

遥感影像信息融合是近年来国际遥感领域的研究热点.传统的遥感影像融合主要是HIS变换法、加权平均法、PCA法等.利用小渡变换(WT)技术进行遥感影像融合是近年来的研究热点,但其直接舍弃了全色图像的低频率分量,在结果图像中容易出现分块效应.本文结合HIS变换和小波变换的互补性,提出了一种基于HIS变换和小波变换的遥感影像融合方法.通过实验、直观和定性分析,新方法既可以增强融合影像的空间细节表现能力,同时也很好地保留了多光谱影像的光谱信息.     

利用小波变换对影像进行融合的研究

基于小波变换可以对影像进行正交分解 ,而不丢失原来信号所包含的信息。提出了一种Wallis变换、小波变换和IHS变换相结合用于融合的方法 ,该方法可以有效地提高多光谱影像的空间分辨率 ,同时保持原来多光谱影像的色调。     

多源高分辨率遥感影像智能融合

本文面向多源高分辨率遥感影像自动化融合的应用需求,探索按需应用的智能化融合方法,充分利用不同分辨率和不同时相的高分辨率多源遥感影像数据资源与特性,研究了影像融合数据源选取的决策树算法,建立了遥感影像融合规则知识库,并自动化选取适合的融合算法,提出了Curvelet_HCS算法,对低频和高频系数选用不同的融合规则,改善了HCS算法的光谱失真问题,可同时融合多光谱影像的多个谱段,并保持更丰富的空间细节信息。根据融合评价结果对遥感影像融合规则知识库进行更新,实验验证表明了该套方法的有效性,为开展大规模智能化的多源遥感影像融合应用提供了重要的方法和技术支撑。     

基于Shearlet变换的SAR与多光谱遥感影像融合

针对合成孔径雷达（SAR）影像和多光谱遥感影像在融合时空间特征和光谱特征方面不能同时得到较大改善的问题,提出了一种基于成像特性的Shearlet变换域下的多源遥感影像融合方法。利用Shearlet变换的多方向和多尺度分解特性,将多光谱影像和SAR影像分别分解为高频和低频系数,从影像区域能量特征和区域相关性入手,设计了基于区域能量的低频系数融合规则和改进型的脉冲耦合神经网络的高频系数融合规则,使融合结果能够包含更多空间细节信息和光谱信息。利用TerraSAR-X、Landsat5-TM影像进行实验,结果表明该方法在提高影像空间细节表达能力的同时能够较好地融合更多的光谱信息。与小波变换、非下采样轮廓波变换（Nonsubsampled contourlet Transform,NSCT）等方法相比,该方法在空间信息保有量和光谱信息保有量方面都有明显的提升,其中交叉熵有接近100%的提升幅度,互相关系数有高于25%的提升幅度,光谱扭曲度有优于40%的提升幅度。     

ETM与SPOT影像融合方法比较和评价——以庐山及其周边区域为例

高空间分辨率影像与多光谱影像融合,为影像处理提供了更加丰富的资源,有利于进行影像的分析和制图。本文以庐山及其周边区域的2009年5月11日LandsatETM＋与2009年5月6日SPOT5影像数据为例,对典型的融合方法进行了对比评价。融合方法包括加权融合法,HIS变换,改进的HIS变换,高频调制融合法（频域采用Butterworth滤波器．指数滤波器）,HSV变换,Brovey变换,CN变换,PC变换,Gram—Schmidt变换11种方法。评价指标为相关系数、信息熵、标准差、平均梯度、相对偏差、标准偏差。结果表明,不同的融合结果突出的侧重点不同。加权融合法、Grain—Schmidt变换,PC变换方法突出了影像的信息量丰富度、清晰度,提高空间分辨率能力。CN波谱锐化,改进的HIS变换,BWO高频调制融合,指数高频调制融合方法光谱保真度较好。改进的HIS变换,BWO高频调制融合,CN波谱锐化,指数高频调制融合法在空间分辨率及光谱保真度、清晰度、信息丰富度方面的能力较均衡。     

多源信息融合中小波变换的应用研究

研究了小波变换在多源信息融合中的应用,主要涉及高分辨率全色影像与低分辨率多光谱影像融合问题及合成孔径雷达与光学影像的融合问题.主要方法是基于地物光谱信息特征的彩色融合与基于几何特征的融合.利用小波技术对整个融合过程加以改进.获得的融合结果表明基于光谱特征信息的融合方法,可以有效地提高多光谱影像的空间分辨率,而基于几何特征的融合方法,可以提高对遥感影像的目视解译效果.视觉效果上就是将高分辨率影像的细节加入到了低分辨率多光谱影像中,并同时保持原始影像的光谱特征.     

基于经验模态分解的高分辨率影像融合

文章提出基于经验模态分解（Emp iricalMode Decomposition,EMD）的特征层影像融合模型。对多光谱波段影像进行IHS变换获得强度影像,采用行列分解实现一维经验模态分解的二维拓展,并用于分离高分辨波段影像与强度影像的细节特征信息,对高分辨率波段影像的高频与强度影像波段的低频进行重构获得融合后的强度影像,再通过IHS反变换获得融合影像。文章介绍了经验模态分解的基本原理,定义了经验模态分解的多尺度分解与合成结构,提出融合模型的技术路线。选择UICKB IRD影像的全色波段与多光谱波段进行融合实验,根据典型行（列）的EMD分析,确定经验模量的取舍尺度,按提出的融合路线获得融合影像,并与小波融合,IHS融合,Brovey融合模型获得的影像进行视觉及量化比较。选择信息熵、标准差指标对融合影像的空间细节信息进行评价,同时选择平均灰度值、相关系数、偏差指数评价融合影像的光谱扭曲程度,结果表明本融合模型最优。     

基于经验模态分解的高分辨率影像融合(英文)

High resolution image fusion is a significant focus in the field of image processing. A new image fusion model is presented based on the characteristic level of empirical mode decomposition （EMD）. The intensity hue saturation （IHS） transform of the multi-spectral image first gives the intensity image. Thereafter, the 2D EMD in terms of row-column extension of the 1D EMD model is used to decompose the detailed scale image and coarse scale image from the high-resolution band image and the intensity image. Finally, a fused intensity image is obtained by reconstruction with high frequency of the high-resolution image and low frequency of the intensity image and IHS inverse transform result in the fused image. After presenting the EMD principle, a multi-scale decomposition and reconstruction algorithm of 2D EMD is defined and a fusion technique scheme is advanced based on EMD. Panchromatic band and multi-spectral band 3,2,1 of Quickbird are used to assess the quality of the fusion algorithm. After selecting the appropriate intrinsic mode function （IMF） for the merger on the basis of EMD analysis on specific row （column） pixel gray value series, the fusion scheme gives a fused image, which is compared with generally used fusion algorithms （wavelet, IHS, Brovey）. The objectives of image fusion include enhancing the visibility of the image and improving the spatial resolution and the spectral information of the original images. To assess quality of an image after fusion, information entropy and standard deviation are applied to assess spatial details of the fused images and correlation coefficient, bias index and warping degree for measuring distortion between the original image and fused image in terms of spectral information. For the proposed fusion algorithm, better results are obtained when EMD algorithm is used to perform the fusion experience.     

Fusion of multispectral and panchromatic Satellite images using the curvelet transform

A useful technique in various applications of remote sensing involves the fusion of different types of satellite images, namely multispectral (MS) satellite images with a high spectral and low spatial resolution and panchromatic (Pan) satellite image with a low spectral and high spatial resolution. Recent studies show that wavelet-based image fusion provides high-quality spectral content in fused images. However, the results of most wavelet-based methods of image fusion have a spatial resolution that is less than that obtained via the Brovey, intensity-hue-saturation, and principal components analysis methods of image fusion. We introduce an improved method of image fusion which is based on the amelioration de la resolution spatiale par injection de structures (ARSIS) concept using the curvelet transform, because the curvelet transform represents edges better than wavelets. Because edges are fundamental in image representation, enhancing the edges is an effective means of enhancing spatial resolution. Curvelet-based image fusion has been used to merge a Landsat Enhanced Thematic Mapper Plus Pan and MS image. The proposed method simultaneously provides richer information in the spatial and spectral domains.     

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.