ALOS数据像素级融合方法比较研究

遥感数据融合是多源遥感海量数据富集表示的有效途径。如何在提高融合影像空间分辨率的同时最大限度地保持光谱信息是长期以来遥感数据融合研究的焦点内容。本文以ALOS PRISM和ALOS AVNIR-2传感器的数据为数据源,比较研究了遥感领域中常用和代表性的BROVEY、IHS、MULTIPLICATIVE、PCA、WAVELET和HPF六种融合方法,并通过主观评价和定量分析对融合效果进行了综合评价。实验结果表明,HPF方法在显著提高融合影像空间分辨率的同时,有效保持了多光谱影像的光谱信息,是适合ALOS数据的最优融合方法。     

高分辨率遥感影像融合研究

遥感影像融合不仅可以提高原多光谱影像的空间分辨率,更重要的是最大量地保留影像的光谱信息。为了研究适合于QuickBird遥感影像融合的融合方法,本研究应用乘法复合算法(MLT)、改进的Brovey(MB)、高通滤波(HPF)以及基于平滑滤波的亮度调节算法(SFIM)四种融合方法对QuickBird影像进行了融合试验和分析。试验区以覆盖不同土地利用类型的一小景QuickBird影像为基础。采用了均值偏差、标准差、信息熵、平均梯度和相关系数五种数字统计方法来定量地评价由以上算法产生的融合影像。分析结果表明:SFIM算法在光谱保真性、高频信息融入度、影像清晰度方面都优于其他三种方法。因此,在研究的四种方法中,SFIM算法最适合Quick-Bird影像融合。     

像素级遥感图像融合方法研究

多传感器遥感图像融合按信息表征层次的不同,可以分为像素级融合、特征级融合和决策级融合。本文介绍了像素级层次上的多种遥感图像融合方法,阐述了其融合原理和实现过程,分析了它们适用性和优缺点,并给出了遥感图像融合的一般评价指标。     

遥感影像像素级融合通用模型及其并行计算方法

影像融合是卫星影像处理流程中重要的一环,已经广泛应用于遥感影像目视解译、自动分类、正射影像制作、影像测图等。随着卫星影像分辨率的提高和在轨卫星数目的增加,大量的数据处理需求及短时间的响应要求对影像融合的处理带来了极大的挑战。     

遥感影像融合技术方法研究

分析多种遥感影像融合方法的特点、存在的问题及其应用.应用Brovey变换、乘积变换、主成分变换、HIS变换、小波变换等五种方法对SPOT和TM图像进行影像融合实例验证.最后,对试验结果进行目视效果分析及定量分析评价.     

基于高分二号影像的融合方法对比研究

为了更充分地利用GF-2卫星影像数据,文章选取GF-2卫星全色和多光谱影像数据进行融合实验。首先选择PCA(principal component analysis)变换、HIS(intensity hue saturation)变换、Contourlet变换三种融合方法以及它们的结合算法对全色和多光谱影像进行融合,然后对融合结果进行主观定性分析和客观定量评价,最后综合比较得到融合质量较好的方法。实验表明:PCA+Contourlet变换、HIS+Contourlet变换和HIS+PCA+Contourlet变换不仅提高了融合影像的空间分辨率,突出了目标的细节、边缘、纹理信息,保留了原多光谱图像的光谱特性,而且有效地去除了噪声,较适用于高分二号影像的融合。     

QuickBird影像多波段融合技术的研究

本文通过分析QuickBird影像的多波段物理特性,提出了基于局部区域活性测度匹配的IHS＋小波变换的融合方法。算法首先将多光谱影像进行IHS变换,然后在频率域运用基于局部区域活性测度匹配原则将1分量和高分辨率影像进行小波变换融合。通过和传统的IHS＋小波变换的融合方法的实验进行比较,该方法具有较好的融合效果。     

高分一号遥感影像融合方法比较研究

利用HPF(高通滤波)法、Gram-Schmidt法、HCS(超球面空间)法和UNB-Pansharp法4种影像融合方法,对高分一号遥感卫星影像进行融合实验。通过对融合影像的目视解译,根据地物类型的不同,从光谱保真度和空间细节保持度2方面进行定性评价。采用统计方法进行定量评价,评价指标包括信息熵、平均梯度、相关系数和偏差指数。在综合评价结果后,给出4种融合方法不同的适用情况,为高分一号影像的进一步研究提供理论支撑。     

SPOT-7遥感图像融合技术对比研究

随着高分辨率影像研究的发展,影像融合成为遥感影像处理领域中一个重要的研究方向。目前对于影像的融合已有很多的方法,如IHS法、HPF法等。本文将以SPOT-7高分辨率影像作为研究对象,探讨经PCA法、Pansharpening法、Gram-Schmidt法、NNDiffuse法这4种融合方法,融合后的影像在保持地物的波谱特征,以及信息识别效果等多方面的各自优势,并通过定性和定量评价来确定适合SPOT-7高分辨率影像的融合方法,实验结果表明:NNDiffuse方法的融合结果最为理想。     

遥感影像融合质量评价方法研究

在多源遥感影像融合中,融合技术的千差万别使得融合方法对影像质量起着关键作用。如何准确地评价融合质量是影像融合的一个重要组成部分。本文通过主观评价和客观评价法对遥感影像融合的质量进行了探讨,利用Matlab系统分析了遥感影像融合中的评价指标,对PCA、IHS和Brovey融合法进行了对比分析。     

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。     

基于缨帽变换的遥感图像融合方法研究

本文阐述了图像融合和缨帽变换的意义,针对缨帽变换在植被信息提取方面的优点,提出一种新的基于缨帽变换的遥感图像融合方法。为了验证算法的有效性,在城区遥感图像融合中,将其与其他几种图像融合算法进行比较。实验结果表明,基于缨帽变换的遥感图像融合方法得到的结果图像纹理清晰、结构完整、光谱保持能力强,在城市零星绿地提取中有着显著的效果。     

遥感影像融合的自适应变化检测

提出一种基于影像融合和自适应阈值选择的遥感影像变化检测方法。首先利用经过改进的融合技术对原 始数据的差值影像和比值影像进行处理, 构造融合影像, 在该融合影像的基础上进行自适应迭代运算得到初步变 化阈值范围, 然后通过分析阈值范围两侧影像像元的离散程度, 求解最终的阈值范围, 从而得到更优变化阈值, 提 取变化区域。实验结果表明, 本文方法的检测精度优于传统的变化检测方法, 同时具有一定的稳定性和智能性。     

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%。     

基于Contourlet变换的遥感图像融合方法研究

为了充分利用多源遥感图像的影像信息,针对不同分辨率的遥感图像进行融合算法研究。通过对基于小波变换(warelet transform,WT)与IHS变换的改进算法研究,提出了基于轮廓波变换(Contourlet transform,CT)与IHS变换的改进算法:结合传统IHS彩色空间变换,将经IHS变换获得的多光谱图像亮度分量与原全色图像分别进行CT;然后对得到的低频分量采用自适应融合规则、高频分量采用基于区域相似度的阈值控制规则分别进行融合;最后对融合后的高频和低频分量进行Contourlet逆变换,得到最终的融合图像。对比实验结果表明:本文提出的方法能够在有效保留光谱信息的同时,纳入全色图像丰富的空间细节信息。融合之后的结果图像与原多光谱图像具有更高的相关系数和更小的光谱畸变度,并且信息熵和标准差较传统WT及CT更优,具有一定的实用性。     

遥感影像地物分类多注意力融和U型网络法

经典的卷积神经网络在对遥感影像进行地物分类的过程中,由于影像中的地物尺寸和光谱特征差异较大、待分类目标背景环境复杂等问题,经典影像分类方法很难得到理想的分类结果。针对这些问题,本文借鉴U型卷积神经网络多层次特征融和的思想,提出了多注意力融和U型网络(MAFU-Net)。该网络利用注意力模块提取和处理不同层次的语义信息,强化不同位置像素和不同特征图之间的相关性,进而提高网络在复杂背景条件下的分类性能。为了验证本文提出的网络在遥感影像地物分类中的效果,分别在ISPRS上的Vaihingen数据集以及北京、河南两地区高分二号数据集上进行了试验,并与目前主流的语义分割网络进行了对比。试验结果表明,相比其他网络,本文提出的MAFU-Net在不同特点的数据集上均可以得到最佳的地物分类结果。同时,该网络结构简单、计算复杂度低、参数量少,具有很强的实用性。另外,本文充分利用特征可视化手段进行MAFU-Net和其他网络的分类性能对比分析,试验结果表明,目前多数深度学习网络模型的深层次原理和作用机制较为复杂,无法准确解释特定网络为何在某种数据集中会失效。这需要研究人员进一步通过更加高级的可视化表达方法和量化准则来对特定深度学习模型及网络性能进行分析评价,进而对更加高级的模型结构进行设计。     

《遥感图像处理》课程教学探究

遥感技术的飞速发展与广泛普及,使得社会急需遥感技术方面的高级人才,而现有的教学情况与实际的社会需要之间尚有较大的差距,不能很好地满足社会的需求。笔者在多年对这门课的教育实践与科研活动的基础上,从《遥感图像处理》课程的体系、内容的组织,教学理论与教学方法的应用等环节,较为系统地论述了该课程的教改成果,总结一套较完整的一体化教改课程的经验和方法,并在实践中得到了良好的应用。     

多源遥感图像融合发展现状与未来展望

近年来,随着遥感技术的发展,高光谱、红外、雷达等多源遥感成像手段在精准农业、资源调查、环境监测、军事国防等重要领域发挥着越来越重要的作用.同一场景多源遥感图像观测的地物对象相同,但观测的维度不同,图像的空间、光谱与时间分辨率存在差异,提供的信息既具有冗余性,又具有互补性和合作性.多源遥感图像融合能够综合利用不同来源获取...