结合改进Laplacian能量和参数自适应双通道ULPCNN的遥感影像融合方法EI北大核心CSCD

融合SAR影像的后向散射信息和光学影像的光谱信息是提高土地覆盖分类精度的重要手段之一，其中多尺度变换是一种有效的融合方法。然而，多尺度变换方法的融合规则通常根据局部特征信息和脉冲耦合神经网络模型进行设计，存在结构信息和细节信息提取能力有限，以及脉冲耦合神经网络参数设置复杂和空间相关性差等问题。为此，本文提出一种结合改进Laplacian能量和参数自适应双通道单位连接脉冲耦合神经网络(ULPCNN)的遥感影像融合方法。该方法混合成分替换方法和多尺度变换方法，首先对多光谱影像进行IHS变换得到亮度分量I,将亮度分量I与SAR影像通过非下采样剪切波变换(NSST)分解得到高低频子带。然后对低频子带采用结合加权局部能量和八邻域修正拉普拉斯加权和的融合规则，同时对高频子带采用参数自适应双通道ULPCNN的融合规则，将高频子带的多尺度形态梯度作为链接强度，并根据OTSU阈值和影像强度来实现其他参数的自适应表示。最后依次进行NSST重建和IHS逆变换得到融合影像，并选择随机森林分类器对融合影像进行土地覆盖分类。试验结果表明，本文方法相较于13种其他方法在11个融合评价指标和土地覆盖分类精度上总体表现最佳，土地覆盖分类的总体精度和Kappa系数在区域1中比原多光谱影像分别提高了8.350%和0.107,在区域2中比原多光谱影像分别提高了6.896%和0.091。     

利用快速离散Curvelet变换的遥感影像融合

提出了一种基于快速离散Curvelet变换的遥感影像融合方法。首先,对经过空间配准的多光谱和全色影像分别进行快速离散Curvelet变换。然后,对低频子带采用局部标准差加权策略,对中高频子带采用绝对值最大策略,对高频子带采用直接替换策略,反变换后即可得到融合影像。IKONOS、QuickBird、World-View-2多光谱和全色影像的融合实验和定量评价结果表明,该方法较传统方法有明显优势。     

混沌蜂群优化的NSST域多光谱与全色图像融合

为有效融合多光谱图像的光谱信息和全色图像的空间细节信息,提出了一种基于混沌蜂群优化和改进脉冲耦合神经网络(PCNN)的非下采样Shearlet变换(NSST)域图像融合方法。首先对多光谱图像进行Intensity-HueSaturation(IHS)变换,全色图像的直方图按照多光谱图像亮度分量的直方图进行匹配;然后分别对多光谱图像的亮度分量和新全色图像进行NSST变换,对低频分量使用改进加权融合算法进行融合,以互信息作为适应度函数,利用混沌蜂群算法找到最优加权系数。对高频分量采用改进脉冲耦合神经网络(PCNN)方法进行融合,再经NSST逆变换和IHS逆变换得到融合图像。本文方法在主观视觉效果和信息熵、光谱扭曲度等客观定量评价指标上优于基于IHS变换、基于非下采样Contourlet变换(NSCT)和非负矩阵分解(NMF)、基于NSCT和PCNN等5种融合方法。本文方法在提升图像空间分辨率的同时,有效地保留了光谱信息。     

一种基于IHS变换和小波变换的多源遥感影像融合新方法

为了提高遥感影像的质量,分辨率和清晰度,本文提出了一种基于HIS变换和小波变换的多源遥感融合方法.将待融合的多光谱影像进行IHS变换,得到Ⅰ分量,对Ⅰ分量和待融合的高分辨率全色影像分别进行小波变换得到低频分量与高频分量.针对低频分量用低频系数求平均的融合方法,针对高频分量按局部方差最大的融合策略进行融合,然后将融合后的低频分量和高频分量进行小波逆变换.实验表明,该算法明显提高了图像的质量.     

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。     

Contourlet方向区域相关性的遥感图像融合

对遥感图像经Contourlet变换后的高频子带系数分布的方向特征进行统计分析,发现遥感图像经Contourlet变换后高频系数的分布具有较强的方向区域特征,在此基础上,提出一种基于Contourlet系数方向区域相关性的遥感图像融合算法,该算法首先对多光谱图像经IHS变换后的亮度分量和全色图像分别进行Contourlet变换,然后以多光谱图像亮度分量的低频信息作为融合图像亮度分量的低频信息,通过计算并比较全色图像的高频系数和对应的多光谱图像亮度分量的高频系数的方向区域匹配度确定融合图像亮度分量的高频信息;最后经过Contourlet逆变换和IHS逆变换获得融合图像。实验结果表明,该算法在提高融合图像空间分辨率的同时能够更好地保留原始多光谱图像的光谱信息,与传统遥感图像融合算法相比,该算法具有较好的融合图像信息熵和清晰度,具有一定的实用性。     

HCT变换与联合稀疏模型相结合的遥感影像融合

提出了一种基于HCT变换和联合稀疏模型的遥感影像融合方法,可更有效地利用多光谱所需谱段的光谱信息,最终得到所需谱段的融合影像。该方法将所需谱段的多光谱影像进行HCT变换,获取其亮度分量和角度分量;然后利用亮度分量和全色影像小波变换的低频分量进行联合稀疏模型的构建、系数求解和融合,得到融合的全色低频分量;最后将该低频分量与前面步骤所得其他分量分别进行小波逆变换和HCT逆变换,得到高质量的融合影像。试验利用Pleiades-1和WorldView-2两种卫星数据进行验证,并通过视觉效果和量化的融合评价指标进行对比和分析,验证了本文算法的有效性。     

遥感影像融合方法的精度评价

目前,高分辨率全色遥感影像和低空间分辨率的多光谱遥感影像融合是影像融合技术应用的主流.EN-VI 4.4遥感影像处理软件影像融合处理的工具--SPEAR提供了PCA变换、Gram-Schmid变换、Brovey变换和HSV变换4种专门用于全色与多光谱遥感影像融合的算法.以ETM+全色与多光谱遥感影像融合为例,选择熵、偏差和相关系数3个定量指标,对采用4种融合方法得到的影像进行评价.经综合评价和比较,实验的4种影像融合算法中,Gram-Schmidt变换效果最好.     

基于小波包变换区域方差的遥感影像融合

介绍了基于小波包变换和区域方差的遥感影像融合方法.利用IHS变换和小渡包变换把全色影像和多光谱影像的相应分量分解为低频部分和高频部分,并分别采用加权平均法和区域方差法融合低频部分和高频部分,然后通过小波包重构和IHS逆变换得到最终的融合影像;最后采用MATLAB语言实现了这种方法.实验结果表明,这种方法在提高影像的清晰度、突出影像细节信息以及保留原始影像的光谱特征方面效果较好.     

一种基于NSCT和方向信息测度的GF1影像融合方法

结合NSCT变换和方向信息测度在影像融合表达中的优势,针对GF1影像的特征,提出了多光谱波段与全色波段影像融合过程中采用基于NSCT变换域的方向信息测度融合方法。以GF1影像为源数据,通过NSCT多尺度多方向分解后,对低频系数使用基于区域灰度方差的融合方法,对高频系数采用了改进的方向信息测度加权融合方法,经NSCT逆变换重构影像实现融合。试验结果表明,基于NSCT变换和改进方向信息测度结合的融合方法能更好地保持多光谱影像的光谱信息和全色影像的空间信息,具有更多的细节特征及更清晰的边缘,因此提高了遥感影像的解译精度和解译效率,可为目标信息的提取应用提供支撑。