ALOS融合影像质量评价及其土地盐渍化应用研究

将经过配准的同一地区不同空间分辨率和光谱分辨率的遥感影像进行融合是提高土地覆盖/土地利用分析精度的有效途径。采用PCA、IHS、HPF和小波变换融合法对内蒙古杭锦后旗中部地区的ALOS全色和多光谱影像进行融合,并对融合结果进行了定性和定量评价。基于地物光谱特征、解译标志和监督分类法提取试验区土地盐渍化信息,比较多光谱影像和融合影像的土地盐渍化信息提取精度。结果显示,PCA、IHS和HPF融合影像的空间细节表现能力得到提升,而PCA和小波变换融合影像的光谱保真度优于IHS和HPF融合影像;PCA融合影像的盐渍化分类精度、总分类精度和Kappa系数均为最高,是最适于试验区土地盐渍化分类研究的融合方法。     

基于像元级RS影像数据融合方法应用评价

遥感信息融合（Fusion）是目前遥感应用领域的一个热点问题。高分辨率的全色影像与多光谱彩色低分辨率的遥感数据叠加，可以最大限度地利用不同分辨率、不同光谱信息和不同时相分辨率的遥感信息。融合中对同一地区长江流域秭归段的TM4、3、2多光谱和TM8高分辨率的遥感影像采用了IHS变换、分辨率（主成分分析）融合方法进行了数据融合，并对不同的融合方法所得到的融合影像进行目视和统计特征的分析与评价。     

基于差值权重和快速傅立叶变换的“北京一号”卫星影像融合方法研究

提出一种基于差值权重和快速傅立叶变换的影像融合方法--DWF,对"北京一号"小卫星的全色和多光谱影像进行融合.该算法根据卫星影像的成像过程,通过傅立叶变换获取全色影像的高频、低频信息和多光谱影像在HIS颜色空间中分量的低频信息,由这3种信息通过基于差值权重的决策计算获得融合影像的空间信息.实验采用PCA、GS、DWF以及基于小波的HIS变换的融合方法,结果表明DWF方法优于其他融合方法,比较适合于"北京一号"卫星的全色与多光谱影像融合.     

基于灰色绝对关联度边缘检测的多源遥感影像加权IHS融合

鉴于IHS变换的融合影像存在光谱扭曲问题,而灰色关联度对图像边缘检测具有局限性,该文将基于灰色绝对关联度的灰色关联分析与IHS变换相结合进行影像融合。采用灰色绝对关联度检测高分辨率影像的边缘点和非边缘点,基于边缘信息确定高分辨率影像和IHS变换后的亮度分量在组合中的权值,最后通过IHS反变换实现影像加权融合。应用该算法分别对多源遥感影像进行融合处理,在提高空间分辨率的同时能够很好地保持多光谱影像的光谱信息,优于传统的IHS融合方法和基于灰色关联度的IHS融合算法。     

城市景观遥感影像融合质量对小波基选取的响应

应用IHS和小波变换结合的融合算法时,小波基的选取是影响融合图像质量的关键,而且包含不同地物信息的影像融合质量对小波基的响应特征有待深入探讨。该文以SPOT全色和多光谱影像为数据源,选取大量高、低密度建筑城市景观影像样本,用信息量、平均梯度和偏差指数3个指标定量评价融合质量,分析不同小波簇下两类融合图像之间的质量差异。研究表明:融合质量与影像所含地物特征密切相关;相对于其它小波簇,rbioNr.Nd表现出较强的变异性;两类融合图像在各小波簇上的波动性差异明显,并呈分段特征;根据质量需求和具体景观特征影像,可以在分解层数固定的情况下选取最佳小波基,以获取高质量融合图像。     

小波基及其参数对遥感影像融合图像质量的影响

IHS和小波变换结合的融合方法已成为多源遥感影像信息聚合的有效途径,但小波基与小波分解层数等参数对影像融合质量影响的很多细节需进一步研究。该文以SPOT遥感影像为数据,在Matlab软件环境下进行小波簇、不同序号小波基及分解层数的图像融合,用信息熵、平均梯度和标准偏差3指标对融合图像的质量进行评价。结论如下:第1层小波分解的融合图像质量差异不大;其余小波分解层数下融合影像的质量因小波基而异,如coif5s、ym5、dmey对小波分解层数不敏感,db1、bior3.1则具有分段响应的敏感特征,其中,rbio3.1在小波分解层数为4时,融合图像失真;不同簇的小波基对融合图像质量的影响也各异。结果表明,小波基等参数的选取直接影响到遥感影像融合的效果。     

多传感器不同分辨率遥感数字图像的尺度转换

针对日益增多的多传感器不同分辨率的遥感数字图像数据,提出其综合利用和尺度转换的有效方法。其中,作为尺度上推 (scaling-up) 技术,本研究选择IHS和小波分解变换两种数据融合方法,应用Landsat ETM+数据和IRS-1C数据进行了实例研究。发现: IHS方法操作简单,对两种待融合的图像的像元大小和像元数 (bit数) 的依赖不是很高,而对原始图像光谱信息的依赖很高,因此适用于不同传感器之间的数据融合上,其缺点就是不能够更多的保留原始多光谱数据的光谱信息。小波分解变换 (WD) 方法可以很好地保留多光谱传感器的所有光谱信息,但是在重采样中对两种待融合的图像的像元配准的要求很高,因此比较适合于对同一传感器的多光谱数据与全色光谱数据的融合上。作为尺度下退 (scaling-down) 技术,通过探讨将札幌野外实验站点数据镶嵌到高时间分辨率遥感图像的问题,提出像元级尺度扩展的具体操作方法和对NDVI图像进行扩展时出现混合像元的识别方法。应用AVHRR, MODIS, ETM+和ASTER的NDVI图像数据进行了像元尺度的扩展研究。得出: 对不同传感器的不同分辨率的数据之间进行像元级的尺度扩展后,能够较好地识别出不同地物的分布边界,较好的分辨混合像元,因此其结果可用于对不同地物分布特征的分类研究或土地覆盖变化中的时间序列变化的研究中。     

基于小波变换和局部相关系数改进IHS变换的图像融合方法

为得到分辨率高、光谱畸变小的融合图像,该文根据图像处理理论和小波变换的时频局部 特性,采用Quickbird数据,对多光谱波段经IHS变换的I分量和全波段图像分别进 行小波分解,用全波段图像经小波分解得到的高频系数替换I分量小波分解的高频系数, 替换时根据图像的地物光谱特性引入局部相关系数进行有选择的高频替换.经过IHS反变换得到空间分辨率高且没有光谱畸变的融合图像.     

一种NSST与稀疏表示相结合的遥感图像融合算法

针对现有遥感图像融合算法存在的光谱失真及空间细节丢失的问题,提出一种非下采样Shearlet变换(NSST)与稀疏表示(SR)相结合的图像融合算法。该算法利用NSST多尺度、多方向及平移不变的特性对全色图像与多光谱图像亮度分量进行变换分解,并根据稀疏表示能够有效捕捉图像结构特征的特点,对低频分量采用基于结构相关性的稀疏表示加权融合规则,从而减少光谱失真,对高频分量则利用基于改进的拉普拉斯能量和的方法,以保留细节信息,最后通过NSST与IHS逆变换得到融合图像。实验以WorldView-2不同场景下的影像为数据源,与传统的IHS、AIHS、IHS-WV、IHS-WV-SR、IHS-NSST融合方法进行对比,结果表明:新的算法不论在视觉上还是指标参数上都得到了有效提高,光谱分辨率和空间分辨率更接近于融合参考图像。     

ETM+影像IHS融合算法改进及其土地覆盖分类实验比较

在总结PCA、IHS融合算法优缺点的基础上,发展了一种改进的IHS融合算法。利用HPF、Brovery、PCA、IHS及改进的IHS融合算法对ETM+全色和多光谱影像进行了融合实验。通过定性、定量分析比较融合影像的质量,并分别对融合后影像和原始影像进行土地覆盖非监督分类实验。选取原始影像和非监督分类精度最高的一种融合影像进行监督分类实验与比较,发现无论是非监督分类还是监督分类,改进的IHS融合影像精度均较高。     

基于双分支卷积神经网络的SAR与多光谱图像融合实验

针对合成孔径雷达(Synthetic Aperture Radar,SAR)和多光谱(Multi-Spectral,MS)融合图像中存在的空间细节模糊和颜色失真问题,该文兼顾光谱监督和空间细节监督,设计光谱损失函数和空间细节损失函数,提出一种基于双分支卷积神经网络(Convolution Neural Network,CNN)的SAR和MS图像融合算法。该算法网络框架包含光谱保持和细节提升两个分支:光谱保持分支通过上采样MS图像连接到网络的输出,直接将光谱信息传递到融合图像中;细节提升分支对SAR和MS图像通过高通滤波提取高频细节信息,然后应用CNN对细节信息进行特征提取、特征融合及重建,最后将重建的细节信息叠加到上采样的MS图像,得到融合结果。以哨兵-1B GRD级别的SAR图像和Landsat8卫星多光谱图像为实验数据,通过与传统融合算法和深度学习算法RSIFNN进行对比,结果表明,该文算法在定性和定量评价方面效果更好,能够在保持光谱信息的基础上增强多光谱图像的空间细节信息,有利于后续地物分类和目标识别等工作的开展。     

基于 NDVI 物候特征的华南地区冬种马铃薯遥感提取方法

马铃薯是华南地区的特色冬种农作物,其地块的“早稻―晚稻―冬种马铃薯”三季种植模式具有特有的植被指数时间序列曲线特征。利用这一特征,提出一种基于 NDVI 时间序列数据和 SAM 的冬种马铃薯种植面积提取方法。以广东省惠州市稔平半岛为研究区,冬种马铃薯面积为研究对象,采用 2011 年 HJ-1 A/B CCD 遥感数据为主要数据,计算每一景影像的 NDVI 后以时间为坐标轴排列成 NDVI 时间序列数据集,在此提取冬种马铃薯种植区的 NDVI 时间序列参考曲线,使用光谱角度匹配（SAM）方法,计算每个像元的 NDVI 时间序列曲线与 NDVI时间序列参考曲线的光谱夹角值,根据 Rule 图像的统计参数确定夹角阈值,达到快速有效地在遥感影像上提取冬种马铃薯对应像元的目的。结果表明：研究区总体提取精度为 82.70%,重点种植区域提取精度为 93.75%,可见基于 NDVI 物候特征的 SAM 方法能够有效提取研究区冬种马铃薯的种植面积。     

Image data fusion for the remote sensing of freshwater environments

Remote sensing based mapping of diverse and heterogeneous freshwater environments requires high-resolution images. Data fusion is a useful technique for producing a high-resolution multispectral image from the merging of a high-resolution panchromatic image with a low-resolution multispectral image. Given the increasing availability of images from different satellite sensors that have different spectral and spatial resolutions, data fusion techniques that combine the strengths of different images will be increasingly important to Geography for land-cover mapping. Different data fusion methods however, add spectral and spatial distortions to the resultant data depending on the geographical context; therefore a careful selection of the fusion method is required. This paper compares a technique called subtractive resolution merge, which has not previously been formally tested, with conventional techniques such as Brovey transformation, principal component substitution, local mean and variance matching, and optimised high pass filter addition. Data fusion techniques are grouped into spectral and spatial centric methods. Subtractive resolution merge belongs to a new class of data fusion techniques that uses a mix of both spatial and spectral centric approaches. The different data fusion techniques were applied to a QuickBird image of a semi-aquatic freshwater environment in New Zealand. The results were compared both qualitatively and quantitatively using spectral and spatial error metrics. This research concludes that subtractive resolution merge performed better than all the other techniques and will be a valuable technique for enhancing images for freshwater land-cover mapping.     

Determining the optimum image fusion method for better interpretation of the surface of the Earth

Image fusion is the production of high-resolution images by combining the spatial details of a high-resolution image with the spectral features of a low-resolution one. Reports of various quality metrics to evaluate the spectral and spatial qualities of fused images have been published. However, metrics may lead to misinterpretation due to inherent limitations in their mathematical algorithms. Hence, the use of additional assessment techniques in quality evaluation is reasonable. The purpose of the study was to compare the performances of several advanced fusion algorithms in order to help users in their choice of an appropriate fusion algorithm. Four different datasets were fused using advanced fusion algorithms, namely UNB PanSharp, Hyperspherical Color Space, High-Pass Filtering, Ehlers, Subtractive, Wavelet Single Band, Gram-Schmidt, Flexible Pixel-Based, and Criteria-Based. The spectral and spatial qualities of the fused images were evaluated using various quantitative procedures to ensure comprehensive and reliable comparison. The results showed that the Flexible Pixel-Based and High-Pass Filtering algorithms were very successful with regard to spatial quality, whereas the Flexible Pixel-Based and Criteria-Based algorithms were very successful with regard to spectral quality. The authors conclude that the Flexible Pixel-Based algorithm can be used for applications that require high spectral and spatial quality.