面向对象的高光谱遥感影像稀疏表示分类

稀疏表示用于高光谱遥感影像分类多是基于像素层次来处理的。文中提出一种面向对象的高光谱遥感影像稀疏表示分类方法。首先从高光谱影像中提取4个波段组成标准的多波段影像,进行面向对象的影像分割;然后计算各对象在各波段上的光谱均值,并选取少量样本进行训练;最后利用基于Fisher字典学习的稀疏表示进行高光谱遥感影像的分类。实验结果表明,该方法可以利用较少的样本得到较好的分类效果,与基于像素层的稀疏分类相比较,分类精度与效率均有所提高,分类结果更接近真实地物,避免了零碎图斑。     

遥感卫星影像K-SVD稀疏表示去噪

常规的去噪方法在去除遥感卫星影像噪声时,往往会造成影像模糊和空间分辨率下降。本文将稀疏表示理论应用于遥感卫星影像去噪,提出了一种改进算法,能够保留低频信息不变,仅对影像的高频信息进行稀疏重建。算法核心是按照是否能够从过完备字典中选择较少原子进行稀疏表示的原则来区分高频信息中的有效信息和噪声。通过3组实验对改进算法与传统去噪方法进行对比检测,实验结果表明,改进算法在去除噪声的同时,能较好地突出影像的边缘和细节信息。     

基于稀疏表示和字典学习的全色与多光谱影像融合

Pansharpening方法通过融合多光谱影像的光谱信息和全色影像的空间细节信息来得到高分辨多光谱影像。然而传统的Pansharpening方法易导致产生光谱扭曲和空间信息丢失现象。受到影像稀疏表示超分重建理论启发,本文提出了一种新的基于稀疏表示和字典学习的Pansharpening方法。该方法以影像的高频特征作为训练样本,通过字典学习的方法来获取高低分辨率影像字典,使用正交匹配追踪算法求解出影像的稀疏表示系数,最终通过高分辨影像字典与稀疏系数相乘得到融合影像。实验结果表明:本文提出的方法能很好地保持遥感影像的光谱信息和空间细节信息。     

一种遥感影像超分辨率重建的稀疏表示建模及算法

为了对单幅低分辨率遥感影像的空间分辨率进行增强,提出了一种基于稀疏表示的超分辨率重建方法。该方法首先采用优化最小化方法学习高-低分辨率联合字典对,通过构造一个参数互相解耦的易于优化的代理函数,替代原来的参数互相耦合难以优化的目标函数,保证每一次迭代求解的值在局部范围内最优。然后,将学习的字典对用以指导其他低分辨率遥感影像的超分辨率重建。实验表明,与传统的插值方法相比,本研究算法在客观的评价指标上具有一定的提高,在主观的视觉效果上也取得一些改善,可为任意区域的单幅低分辨率遥感影像的超分辨率重建提供有用的高频细节信息,具有一定的普适性。     

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。     

空-谱信息与稀疏表示相结合的高光谱遥感影像分类

针对传统的高光谱遥感影像分类中多依赖光谱信息而忽视空间信息以及提取的特征维数高的问题,提出了一种空-谱信息与稀疏表示相结合的分类算法。首先,利用最小噪声分离对原始影像进行降维,在此基础上,对主成分图上局部影像块内的所有像素进行重组,并用排序的方法得到旋转不变的空-谱特征。然后,对空-谱特征进行监督学习得到字典,并将提取的测试样本的空-谱特征编码到字典中以得到测试样本的稀疏表示。最后,使用支持向量机分类器(SVM)对高光谱影像进行分类。3组高光谱数据试验表明,与传统的分类方法比较,本文方法能有效提高分类精度。     

面向对象的多尺度加权联合稀疏表示的高空间分辨率遥感影像分类

针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集（WashingtonD.C.数据）验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。     

基于小波变换的遥感影像融合技术发展现状

多源遥感影像数据融合技术是解决海量遥感影像数据处理问题的一条有效途径。通过介绍目前基于小波变换的遥感影像融合技术发展状况,以及各种融合方法的优缺点和适用范围,为遥感影像融合系统的研究与开发提供参考。     

基于稀疏判别分析的高光谱影像特征提取

针对当前特征提取方法不能充分挖掘高光谱影像稀疏特性的问题,提出一种基于稀疏判别分析的高光谱影像特征提取方法。首先,在线性判别分析的系数向量中引入稀疏正则项来捕获具有更强判别能力的特征,将高光谱影像映射至低维稀疏的子空间;然后,利用迭代优化方法对模型进行求解。利用Salinas和Pavia University高光谱影像进行对比实验,所提方法与分类方法结合用于影像分类时,其分类精度优于其他方法,总体分类精度分别达到97.42%和97.64%。     

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。     

一种改进边缘与纹理信息的遥感影像融合算法

针对IHS变换的影像融合易产生光谱扭曲(颜色失真)的问题,文章提出了一种基于IHS变换与Bandelet变换相结合的遥感影像融合算法,利用Bandelet变换能很好捕获原始图像的边缘与纹理的特性,获取更好的彩色图像特征信息,达到最佳逼近效果:对多光谱影像Mul做IHS变换并提取I分量,通过对I分量与高分辨影像Pan做Bandelet变换,并对其几何流和Bandelet系数采用不同融合规则,再由IHS逆变换实现图像融合。实验结果表明,基于IHS与Bandelet的融合算法较IHS法在获取更丰富影像边缘细节特征信息的同时,光谱扭曲(颜色失真)现象也明显减弱,并获得了较好的人眼视觉效果,其中三角IHS与Bandelet融合的效果较好。     

应用Hessian-Affine的遥感图像配准实验

针对存在云雾遮挡、仿射变形的遥感影像,本文提出应用Hessian-Affine与最大信息熵,检测并筛选仿射不变特征,同时选刺同名点估计初始变换参数,对每一个待匹配点预测出一定圆域约束内的对应匹配点集,利用NCC相关系数迭代确定圆域内真同名点,得到初始匹配点集,然后利用均方根误差(RMSE)迭代剔除误匹配,直至完成最佳仿射变换参数估计。结果表明:该算法对发生仿射畸变、气候复杂区域的影像配准表现出较好稳健性和定位精度。     

L1范数和分裂Bregman的遥感影像变分融合模型

目前,一些基于变分的Pan-sharpening方法是通过梯度下降法极小化能量泛函来实现融合,但梯度下降法在靠近极小值时收敛速度会减慢。若变分模型中包含有L1范数的不可微项时,梯度下降法存在鲁棒性不高、计算复杂的问题。该文根据L1范数能保持图像的几何纹理、分裂Bregman对含有L1范数的泛函收敛速度快的特点,在已有的变分模型基础上,将L1范数加入到模型中,构建能量泛函代价函数,并通过分裂Bregman迭代极小化能量泛函。在Worldview-2数据集上的融合结果表明,该方法可以生成同时具有高光谱和高空间分辨率的图像。     

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。     

基于多尺度分析的遥感影像融合研究

本文对SPOT5的多光谱波段和全色波段在像素级的融合层次上运用多尺度分析的方法进行了融合试验,主要用了小波变换和Curvelet变换的方法,这两种变换方法都能把图像分解为低频的近似图像和高频的细节图像,采用一定的融合规则对分解后的图像进行融合,并进行反变换得到融合后的图像,并把基于多尺度分析的融合结果与传统的融合方法进行了对比分析。结果表明,基于多尺度分析的融合方法比传统的PCA、Brovey融合方法效果要好;而Curvelet变换融合在光谱保持度及空间信息提高方面都比小波变换融合有所提高。     

基于城市POI的遥感影像渐进压缩技术

传统栅格影像均采用简单的、由低分辨率到高分辨率的像素级渐进压缩模式,较少考虑到用户需求特征和知识,因此,文中利用POI数据特点及图像感兴趣区编码特性,提出一种基于城市POI的遥感影像渐进压缩思想:首先根据大量的POI数据分析挖掘用户关注的热度信息,建立兴趣场,并以此确定遥感影像的感兴趣区域,然后综合SPIHT算法与Maxshift算法对遥感影像进行渐进压缩编码。实验结果表明,该方法在低码率下仍可以高质量保留图像所含重要信息,能够很好地满足用户的需求,实现了知识层级的遥感影像渐进压缩,有效提高图像压缩编码的实用性和优越性。     

基于形式概念分析的遥感影像分类

针对目前遥感影像分类方法中存在分类知识难以获取的不足,尝试引入形式概念分析的数据挖掘理论,并基于族集最小覆盖理论实现概念内涵的缩减,从而保证分类规则的简洁与无冗余性。研究选取湖北省房县作为试验区,实现了该理论在研究区中土地利用类型分类规则的挖掘应用。基于挖掘出的分类规则构建了启发式分类器,实验结果表明形式概念分析理论挖掘出的分类规则可信度较高,基于挖掘出的分类规则构建的分类器相对于监督分类方法、决策树C4.5算法在分类精度上有一定优势,从而证明了它对遥感影像分类提供一种的新方法。     

基于云理论的遥感影像分类方法分析

采用基于云理论的遥感影像分类方法,该理论兼容模糊性和随机性,通过逆向云发生器生成云模型,进而得出云的数字特征隶属函数,使用X条件云发生器计算隶属度,最后用极大判别法实现分类。通过与传统方法的实验对比分析,基于云理论的遥感影像分类方法有效地改善分类中的不确定性问题,提高分类准确度。