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。