结合PCNN的红外与可见光图像多尺度融合

针对红外与可见光图像融合对比度不高,易丢失细节信息等问题,提出了一种非下采样Contourlet变换域内基于特征激励的自适应PCNN红外与可见光图像融合方法。PCNN模型采用平均梯度和赋时矩阵来自适应调节其链接强度和迭代次数等参数。对NSCT多尺度多方向高低频子带系数,分别采用特征激励PCNN,根据点火时间图的区域能量来选择融合系数。实验结果表明,该方法能够有效地融合红外和可见光图像信息,对比度高,细节保持好,无论在视觉效果上还是客观评价指标上,优于常用的图像融合方法。     

一种多极化SAR图像融合方法研究

本文针对多极化SAR图像的融合问题,提出了一种基于非下采样Contourlet变换(NSCT)与脉冲耦合神经网络(PCNN)的图像融合方法。此方法用NSCT对已配准的多极化SAR图像进行分解,得到低频子带系数和各带通子带系数;采用简化的PCNN模型分别对低频子带和高频子带系数进行智能决策,并进行NSCT逆变换得到融合图像。经实验表明该方法能够最大程度地保留原始极化SAR图像的信息,融合效果好于基于单个像素和局部特征的融合方法。     

热红外图像与可见光图像的配准与融合

红外热成像是一种有效的无损检测技术.红外与可见光传感器是目标识别系统中常用的两种传感器,对这两种传感器图像进行有效地融合能大大提高探测识别的准确性和可靠性.图像配准是图像融合的前提,在仿射变换的模型基础上,用最小二乘法达到用多个配准点拟合出最优参数解的目的.在图像融合中引入了小波变换,实现了图像的彩色融合.     

基于NSCT的自适应可见光与红外图像融合方法

针对可见光与红外图像的融合问题,基于NSCT多方向、多尺度分解和平移不变性等优点,提出了一种基于NSCT的自适应可见光与红外图像的融合方法。通过NSCT对可见光与红外图像进行分解,在各分解层上根据图像质量评价指标来选取融合规则,并通过评价指标的自适应控制NSCT分解层数使最终融合图像具有最优的效果。实验结果表明,与传统融合算法相比,该方法在主观和客观评价方面均优于其他融合方法。     

一种综合纹理和边缘信息的多尺度图像融合方法

提出了一种综合纹理和边缘信息的多尺度图像融合方法。该方法通过高斯滤波获得原始图像的金字塔分解,考虑高斯滤波器和Laws纹理提取滤波器以及边缘梯度滤波器之间的线性关系,采用奇异值分解法求出纹理和边缘图像的对应系数;利用各尺度图像的这些特征,对分解后图像的各层进行表示,并采用基于相似性测度和显著性测度的融合策略进行融合。为了衡量融合结果,采用了一个客观图像融合性能评价测度对融合结果进行评价。最后用若干组图像数据对该算法进行了仿真。试验表明,该方法比传统的梯度金字塔分解和基于纹理的金字塔分解方法具有更好的融合效果。     

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。     

完全残差连接与多尺度特征融合遥感图像分割

遥感图像数据规模大,光照、遮挡等情况复杂,目标密集、尺度不一以及缺乏大量带标注图像用于训练深度网络等特点对遥感图像分割的完整性和正确性造成了更大的挑战。针对深度卷积网络中因多次卷积造成分辨率显著下降,像素类别预测精度降低的问题,本文在深度卷积编码—解码网络的基础上设计了一个采用完全残差连接和多尺度特征融合的端到端遥感图像分割模型。该模型具有两方面优点：首先,长距离和短距离的完全残差连接既简化了深层网络的训练,又为本层末端融入了原始输入信息,增强了特征融合。其次,不同尺度和方式的特征融合使网络能够提取丰富的上下文信息,应对目标尺度变化,提升分割性能。本文通过对ISPRS Vaihingen和Road Detection数据集做数据扩充并进行实验,分别从平均IOU、平均F1值两方面对模型进行评价。通过与目前先进的模型以及文献中的研究成果进行比较,结果表明本文所提模型优于对比模型,在两个数据集上的平均IOU分别达到了85%和84%,平均F1值分别达到了92%和93%,能够有效提高遥感图像目标分割的完整性和正确性。     

一种光谱保持型的图像融合方法

常用的遥感图像融合的方法 ,如HIS变换法、Brovey变换法和主成分变换法等在实施图像融合时 ,存在不同程度的光谱扭曲的现象。针对IRS与TM数据光谱响应范围不同 ,探讨了一种新的光谱保持型的EEIM融合算法。EEIM融合方法是首先对参与融合的全色波段进行滤波 ,然后进行比值变换 ,融合后的图像在信息量、光谱保持性能等方面均较优     

多分辨率特征融合的光学遥感图像目标检测

高分辨率遥感图像目标检测是计算机视觉的一个重要研究领域,在民用与军事领域具有重要的应用价值。目前,基于深度学习的自然图像目标检测有了突破性进展。但是,由于遥感图像具有目标尺度差异大且类间相似度高的特点,使得处理自然图像的目标检测算法直接应用于遥感图像时仍面临着一些挑战。针对上述挑战,本文提出一种多分辨率特征融合的遥感图像目标检测方法。首先,通过特征金字塔提取多尺度特征图并在其后嵌入多分辨率特征提取网络,促使网络学习目标在不同分辨率下的特征,缩小不同特征层之间的语义差距。其次,为实现多分辨特征的有效融合,本文采用自适应特征融合模块挖掘更具判别性的多分辨特征表达。最后,将自适应特征融合模块的输出特征的相邻层进行深度融合。在公开的遥感图像目标检测数据集DIOR和DOTA上评估了本文方法的有效性,相比采用特征金字塔结构的Faster R-CNN,本文方法的准确率(mAP)分别提高2.5%和2.2%。     

一种顾及异常区域的海温多尺度分区方法

空间聚类分析是空间数据挖掘的主要方法之一,旨在发现海量数据中潜在的空间分布模式和异常特征。此处采用空间聚类分析和多尺度分析相结合的策略对海温进行多尺度气候分区。首先,针对气候时间序列特征和异常区域特征,提出一种顾及异常区域的多尺度分区方法;进而,分别采用传统方法和新方法对海温进行多尺度气候分区,通过比较分析发现新方法更优越;最后,利用气候指数对分区结果进行验证,说明新方法是有效的。     

一种热红外与可见光影像深度特征匹配方法

针对无人机热红外影像与光学卫星影像的匹配难题,提出一种基于异源地标数据集学习的深度局部特征匹配方法。首先,利用生成对抗网络学习热红外与可见光影像的灰度分布规律,并进一步合成用于特征提取模型训练的热红外影像地标数据集;然后,联合残差网络和注意力机制模型,从数据集中学习深度不变特征;最后,经过对不变特征的匹配、提纯等处理,获得像对的正确匹配点。试验测试了该方法的性能,并与KAZE、特征检测描述网络和深度局部特征模型进行了对比。结果表明,提出的方法对灰度、纹理、重叠率以及几何变化具有较强的适应性,且匹配效率较高,可为无人机视觉导航提供支撑。     

多尺度特征融合深度学习建筑物的提取方法

提出一种基于多尺度特征融合的建筑物提取方法,结合新的网络DenseASPP-UNet,以实现影像多尺度特征的融合,进而高精度提取建筑物.通过Inria开源建筑物航空影像数据集进行验证,表明DenseASPP-UNet相比其他深度学习方法建筑物提取精度有很大的提升.     

基于遗传自组织神经元网络的可见光与热红外遥感数据融合方法

提出了一种融合方法,充分发掘可见光数据高空间分辨率和热红外数据高时间分辨率的特点,在由可见光数据估算的地表参量与热红外数据间,通过遗传自组织神经元网络建立非线性融合方法,最终获得高空间、高时间分辨率的地表温度数据,并利用ASTER卫星产品数据对该方法进行了验证。结果表明,该方法简便易行,精度较高,为快速获取高分辨率地表温度分布提供了一条新途径。     

利用多尺度融合进行面向对象的遥感影像变化检测

在面向对象的变化检测过程中,确定对象的最优分割尺度直接关系到后续的变化信息提取与分析。针对该问题,提出了基于多尺度分割与融合的对象级变化检测新方法。首先,利用由细到粗的尺度分割来获取不同尺寸的目标对象,然后依据对象的特征进行变化向量分析得到各个尺度上的变化检测结果。为了提高变化检测的精度,本文引入模糊融合及两种决策级融合方法进行多尺度融合,并利用SPOT5多光谱遥感图像进行试验。与像素级的变化检测方法相比,总体精度提高了10%左右,试验结果证明了这几种融合策略的有效性和可行性。     

红外与可见光图像配准的梯度相关法

多模态图像配准是图像配准研究中的重难点问题。本文将实数域的灰度图像转换到复数域的梯度图像,借鉴SAR图像配准的相干系数法,提出了基于梯度相关性的多模态图像配准相似性测度。通过中波红外和可见光图像的配准实验验证了方法的可行性,为多模态图像配准研究提供了新思路。     

面向多源数据地物提取的遥感知识感知与多尺度特征融合网络

遥感地物自动提取是遥感智能解译中的关键问题,对空间信息的理解和知识发现具有重要意义。近年来,使用全卷积神经网络（fully convolutional networks, FCN）从高分影像和三维激光雷达（light detection and ranging, LiDAR）数据中提取地物信息因取得了较好效果而受到广泛关注。现有FCN网络在地物提取精度和效率等方面仍存在不足,由此提出一种基于多源数据的遥感知识感知与多尺度特征融合网络（knowledge-aware and multi-scale feature fusion network, KMFNet）。在网络编码器端融入遥感知识感知模块（knowledge-aware module, KAM）,高效挖掘多源遥感数据中的遥感知识信息;在网络编码器和解码器之间添加了串并联混合空洞卷积模块（series-parallel hybrid convolution module, SPHCM）,提高网络对地物多尺度特征的学习能力;在解码器端使用了渐进式多层特征融合策略,细化最终的地物分类结果。基于公开的ISPRS语义分割标准数据集,在LuoJiaNET遥感智能解译开源深度学习框架上将KMFNet与当前主流方法进行了对比。实验结果表明,所提方法提取出的地物更为完整,细节更加精确。     

面向多源数据地物提取的遥感知识感知与多尺度特征融合网络

房屋等建筑物的分布情况是衡量地区发展的重要指标,利用遥感影像实现建筑物的自动高精度提取在指导城乡规划和市镇建设等方面具有重要意义。已有方法大多忽略了像素数较少的小面积建筑和边缘等细节信息的处理,针对此问题,提出了一种双路细节关注网络,将语义特征与细节关注特征双路并行优化,进一步提高了遥感影像中建筑物的提取精度。所提方法首先使用双路特征提取模块获取语义特征与细节关注特征,并在解码过程中进行双向优化,增强语义特征细节的同时提高细节关注特征的连续性与类别准确性,然后对二者进行融合,结合细节关注损失的监督,实现建筑物的高精度提取。在WHU建筑物数据集、ISPRS Vaihingen数据集与某地区国产高分数据集上,将所提方法与多种主流方法进行了对比验证,所提方法的F1分数和交并比均高于对比方法,且提取的建筑物完整性更好,小面积建筑漏检、误检率更低。