利用小波分析改进Brovey遥感影像融合方法

Brovey变换的遥感图像融合方法要求高分辨率全色波段和多光谱波段的光谱响应范围要一致或相近,从而限制了遥感数据的融合,存在着融合图像受噪点影响大、高分辨率影像零星细节保留过多等缺点.文中针对以上问题,引入了小波分析的方法进行改进.首先在小波多分辨率基础上对高分辨率影像进行去噪及边缘增强,然后在小波分析基础上与多光谱影像进行融合.通过实验发现,改进后得到的融合图像与原方法融合图像相比,细节信息更为突出,整体信息更为丰富,基本达到了改进的目的.     

利用小波分析改进Brovey遥感影像融合方法

Brovey变换的遥感图像融合方法要求高分辨率全色波段和多光谱波段的光谱响应范围要一致或相近,从而限制了遥感数据的融合,存在着融合图像受噪点影响大、高分辨率影像零星细节保留过多等缺点。文中针对以上问题,引入了小波分析的方法进行改进。首先在小波多分辨率基础上对高分辨率影像进行去噪及边缘增强,然后在小波分析基础上与多光谱影像进行融合。通过实验发现,改进后得到的融合图像与原方法融合图像相比,细节信息更为突出,整体信息更为丰富,基本达到了改进的目的。     

基于像素级遥感图像融合方法对比与评价

多时相、不同空间分辨率遥感图像数据融合能较大幅度提高融合图像的解像力,在遥感影像解译中一种好的融合方法可以提高影像的质量,从而提升影像的解译结果。本文以隆昌县为试验区,采用Brovey、PCA、HIS和Gram-Schmidt 4种融合方法对试验区ETM+影像的高空间分辨率Pan波段和多光谱432波段进行融合。通过平均值、标准差、平均梯度、信息熵、相关系数和扭曲程度对这些融合方法进行评价。评价结果表明4种融合方法都能不同程度的改善影像质量,其中Brovey融合法光谱失真度小,清晰度和空间分辨率较高,影像所含信息量丰富,更适合于隆昌ETM+影像的融合处理。     

基于主成分分析的遥感图像模拟真彩色融合法

对不同空间分辨率、时间分辨率和波谱分辨率的遥感图像进行综合、高效的利用,是遥感应用的关键问题之一.基于主分量变换法,提出了基于主成分分析的模拟真彩色融合法.该方法不仅具有主成分分析融合法的光谱波段选择灵活和光谱信息损失小等优点,同时该方法还可获得逼真的自然色彩的融合图像,提高了图像的融合效果.利用QuickBird全色和多光谱数据进行了试验,并与色彩空间变换法(HIS)、比值变换融合法和乘积变换法等传统方法,在定性和定量两个方面进行了比较分析.结果表明,新方法很好的保留了多光谱影像的光谱信息,提高了空间细节的表现能力,是一种有效实用的遥感图像融合方法.     

一种基于小波系数特征的遥感图像融合算法

多光谱图像和全色图像是目前卫星遥感领域最常见的传感器图像.为了更充分地发挥这两类遥感图像数据的价值,人们利用两类数据的互补性,将多传感器融合技术引进了遥感图像处理领域.在IHS彩色空间变换和小波多分辨率分析的基础上,利用图像高频小波系数的多个特征来定义特征量积,并利用特征量积作为依据提出了一种图像融合新算法.通过一组多光谱图像和全色图像数据进行融合仿真试验,并将该算法与IHS,HPF等算法和归一化矩算法作了比较.证明该方法能在保留多光谱图像光谱信息的基础上,有效地提高多光谱图像的空间分辨率.     

基于主成分分析的遥感图像模拟真彩色融合法

对不同空间分辨率、时间分辨率和波谱分辨率的遥感图像进行综合、高效的利用,是遥感应用的关键问题之一。基于主分量变换法,提出了基于主成分分析的模拟真彩色融合法。该方法不仅具有主成分分析融合法的光谱波段选择灵活和光谱信息损失小等优点,同时该方法还可获得逼真的自然色彩的融合图像,提高了图像的融合效果。利用QuickBird全色和多光谱数据进行了试验,并与色彩空间变换法(IHS)、比值变换融合法和乘积变换法等传统方法,在定性和定量两个方面进行了比较分析。结果表明,新方法很好的保留了多光谱影像的光谱信息,提高了空间细节的表现能力,是一种有效实用的遥感图像融合方法。     

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。     

基于传感器光谱特性的全色与多光谱图像融合

提出了一种基于传感器光谱特性的全色与多光谱影像融合方法.该方法主要基于快速IHS融合方法的思想,在充分考虑各波段成像传感器的相对光谱响应的基础上,对强度分量的构造和空间细节信息的注入方式2个方面进行了改进.改进后的方法有效地改善了光谱畸变问题,且能同时对所有的光谱波段进行融合.分别对IKONOS、ETM+影像进行融合实验,结果表明该方法在光谱信息损失最少的情况下,较大地提高了影像的空间分辨率,与其他方法相比具有更好的综合性能.     

基于多分辨率分析的GF-5和GF-1遥感影像空—谱融合

针对空间分辨率比率较大尺度差异下的高分五号(GF-5)与高分一号(GF-1)卫星影像的空—谱融合问题,提出多传感器影像融合策略:一方面,通过现有空—谱融合方法的分步融合得到融合影像;另一方面,在分步融合理论基础上,推导得出一体化融合基础框架,并进一步提出基于多分辨率分析的多传感器一体化融合方法,缓解现有方法因空间分辨率比率过大导致影像空、谱互补信息难以有效集成的问题。其中,提出的一体化融合方法基于调制传递函数MTF (Modulation Transfer Function)滤波对多传感器影像空间(高频)和光谱(低频)分量进行分解提取,并充分考虑多传感器高空间分辨率影像与高光谱分辨率影像之间的关系,以及高光谱分辨率影像波段间关系,设计合理的融合权重,最终可得到具有最高空间分辨率和最高光谱分辨率的融合影像。通过GF-1全色影像、GF-1多光谱影像、GF-5高光谱影像数据对提出方法进行实验验证,结果表明:本文方法可有效集成多传感器影像间的空、谱互补信息,得到较优融合结果。     

多源遥感数据融合评价的理论与实践

印度卫星IRS 1C全色波段图像具有几何分辨率高的优点 ,TM多光谱遥感图像具有波段多的优点 ,用HIS变换法、Brovey变换法、PCA变换法对它们进行融合 ,可将它们的优势集中起来 ,减少数据的冗余度 ,增强图像的清晰度 ,提高解译的精度和准确性 ,由于全色波段数据与多光谱数据的光谱响应范围不一致 ,所以 ,用上述方法融合后的图像的色彩与多光谱图像的色彩存在不同程度的差异。为此 ,本论文探讨一种信息保持型融合方法 ,使融合后图像的色彩与多光谱图像的色彩相同或相近 ,并研究融合评价的理论。提出了一种新的融合方法 ,使融合后的图像的色…     

基于à trous小波变换的Landsat 7 ETM＋图像融合研究

 以胶州湾及周边海岸带为研究区，采用Landsat 7 ETM+数据，提出一种基于à trous小波变换的全色图像和多光谱图像融合改进算法。对全色图像和多光谱图像进行适当层数的小波分解，多光谱图像的低频部分采用全色图像和其低频分量的比来调制； 最高分解层外的其余分解层采用多光谱图像和全色图像在该层分解系数的加权和，加权系数由局部区域能量比来确定； 最高分解层则采用绝对值最大准则。实验表明，该方法得到的图像可提高空间分辨率，对多光谱图像的光谱信息扭曲也较小，为提高海岸带地物分类和信息提取精度奠定了基础。     

基于分辨率退化模型的全色和多光谱遥感影像融合方法

从影像成像的频率特性出发，提出了一种影像分辨率退化模型，并在此基础上提出了一种新的全色和多光谱遥感影像融合方法。     

结合多光谱影像降维与深度学习的城市单木树冠检测

多光谱数据的降维处理对基于深度学习的单木树冠检测研究有重要意义,如何使用合适的降维方法以提高单木检测的精度却少有研究讨论。本文使用无人机搭载多光谱相机进行航拍作业,采集研究区内银杏树种多光谱影像。将原始多光谱影像通过特征波段选择、特征提取、波段组合的方法生成5种不同的数据集用于训练3种经典的深度学习网络FPN-Faster-R-CNN,YOLOv3,Faster R-CNN。其中由波段组合方法得到的近红外、红色、绿色波段组合在不同类型的目标检测网络中都有最好的检测结果,其中FPN-Faster-R-CNN网络对银杏树冠的检测精度最高为88.4%,由OIF指标得到的蓝色、红色、近红外波段组合信息量最高,但在所有网络中的平均检测精度最低,仅为79.3%。实验结果表明：在不同波段降维方法中,若降维后的影像中目标物体的色彩与背景差异较明显,且轮廓清晰,则深度学习网络对树冠的检测可获得较好的结果。而影像自身的信息量则对深度学习网络的树冠检测能力的提升作用有限。本研究中针对多光谱影像的降维方法分析,为基于深度学习的单木树冠检测研究提供了重要的实验参考。     

融合多光谱影像的高光谱影像厚云去除方法

云遮挡对高光谱影像的应用造成了不可忽视的影响。现有云去除方法通常利用时域近邻的同源影像提供辅助信息。然而,高光谱影像(如GF-5和EO-1高光谱影像)较低的时间分辨率导致同源辅助影像中可能存在较大的地物覆盖变化。时间分辨率更高的多光谱影像(如Landsat 8 OLI影像)能提供时间上更接近于高光谱云影像的辅助信息,从而减少地物覆被变化带来的影响。为应对高光谱和多光谱波段之间差异较大的问题,本文基于空谱随机森林(spatial-spectral-based random forest,SSRF)方法,提出一种利用多光谱影像(Landsat 8 OLI影像)对高光谱影像进行厚云去除的方法,将其简记为SSRF_M。SSRF_M较强的非线性拟合能力使其能够综合利用多光谱影像所有波段的有效数据对各个高光谱波段进行重建。本文使用GF-5和EO-1高光谱影像进行模拟云去除试验,视觉和定量评价结果均表明,与利用时间间隔更长的同源辅助影像的方法相比,本文方法能获得更高精度的云下信息重建结果。     

基于MRF随机场和广义混合模型的遥感图像分级聚类

有限混合模型FM的分级聚类已广泛应用于不同领域,然而,它的计算复杂度与观测数据的平方成正比,因此,在海量数据方面的应用就受到了限制。另一方面,多光谱图像数据中同时包含有空间和光谱两类信息,但大多数基于像素的多光谱图像聚类方法,仅使用了其频谱信息而忽视了空间信息。本文提出了一种新的基于广义有限混合模型GFM的分级聚类方法,该算法把MRF随机场和GFM模型结合在一起,分类数可以通过PLIC准则自动确定。算法在执行过程中,采用K均值聚类方式获得过分类图像,分级聚类从过分类图像开始,代替原来从单点类开始的方式,这样可以方便获取GFM模型成分密度的初始参数。最后,采用由Gibbs采样器生成的仿真测试图对算法的精度进行了定量评价,通过与K均值聚类和FM聚类的比较说明了本文算法的优越性,同时用荷兰Flevoland农业地区的极化SAR图像验证了本文算法的有效性。     

Automated geometric correction of multispectral images from High Resolution CCD Camera (HRCC) on-board CBERS-2 and CBERS-2B

China–Brazil Earth Resource Satellite (CBERS) imagery is identified as one of the potential data sources for monitoring Earth surface dynamics in the event of a Landsat data gap. Currently available multispectral images from the High Resolution CCD (Charge Coupled Device) Camera (HRCC) on-board CBERS satellites (CBERS-2 and CBERS-2B) are not precisely geo-referenced and orthorectified. The geometric accuracy of the HRCC multispectral image product is found to be within 2–11 km. The use of CBERS-HRCC multispectral images to monitor Earth surface dynamics therefore necessitates accurate geometric correction of these images. This paper presents an automated method for geo-referencing and orthorectifying the multispectral images from the HRCC imager on-board CBERS satellites. Landsat Thematic Mapper (TM) Level 1T (L1T) imagery provided by the U.S. Geological Survey (USGS) is employed as reference for geometric correction. The proposed method introduces geometric distortions in the reference image prior to registering it with the CBERS-HRCC image. The performance of the geometric correction method was quantitatively evaluated using a total of 100 images acquired over the Andes Mountains and the Amazon rainforest, two areas in South America representing vastly different landscapes. The geometrically corrected HRCC images have an average geometric accuracy of 17.04 m (CBERS-2) and 16.34 m (CBERS-2B). While the applicability of the method for attaining sub-pixel geometric accuracy is demonstrated here using selected images, it has potential for accurate geometric correction of the entire archive of CBERS-HRCC multispectral images.     

Combined use of LiDAR data and multispectral earth observation imagery for wetland habitat mapping

Although wetlands play a key role in controlling flooding and nonpoint source pollution, sequestering carbon and providing an abundance of ecological services, the inventory and characterization of wetland habitats are most often limited to small areas. This explains why the understanding of their ecological functioning is still insufficient for a reliable functional assessment on areas larger than a few hectares. While LiDAR data and multispectral Earth Observation (EO) images are often used separately to map wetland habitats, their combined use is currently being assessed for different habitat types. The aim of this study is to evaluate the combination of multispectral and multiseasonal imagery and LiDAR data to precisely map the distribution of wetland habitats. The image classification was performed combining an object-based approach and decision-tree modeling. Four multispectral images with high (SPOT-5) and very high spatial resolution (Quickbird, KOMPSAT-2, aerial photographs) were classified separately. Another classification was then applied integrating summer and winter multispectral image data and three layers derived from LiDAR data: vegetation height, microtopography and intensity return. The comparison of classification results shows that some habitats are better identified on the winter image and others on the summer image (overall accuracies = 58.5 and 57.6%). They also point out that classification accuracy is highly improved (overall accuracy = 86.5%) when combining LiDAR data and multispectral images. Moreover, this study highlights the advantage of integrating vegetation height, microtopography and intensity parameters in the classification process. This article demonstrates that information provided by the synergetic use of multispectral images and LiDAR data can help in wetland functional assessment     

多/高光谱遥感图像的投影和小波融合算法

将高光谱图像与高空间分辨率图像融合后,由于融合图像空间分辨率提高,改变了混合像元内地物组分比例,像元光谱信息较原高光谱图像光谱信息会出现“失真”现象。针对这种情况,考虑混合像元内成分变化进行图像融合,首先利用投影方法模拟多光谱图像得到高光谱图像,并将模拟高光谱图像与原高光谱图像利用小波方法进行融合,融合图像不仅增强了空间信息,而且对光谱信息进行一定的修正,从而提高了环境异常探测等一系列应用的精度。利用Hyperion图像和SPOT-5图像进行融合实验,融合图像能够识别出87.2%目标区域。     

Hierarchical clustering of multispectral images using combined spectral and spatial criteria

An agglomerative hierarchical clustering method, which uses both spectral and spatial information for the aggregation decision, is proposed here. The method is suitable for large multispectral images, provided that an unsupervised classification is previously applied. The method is tested on a synthetic image and on a satellite image of the coastal zone.