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。     

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.     

基于Gram Schmidt变换的高光谱遥感图像改进融合方法

遥感图像融合的目的是综合来自不同空间分辨率和光谱分辨率的遥感信息,生成一幅具有新空间和波谱特征的合成图像。针对高光谱图像的特点,对基于Gram Schmidt变换的图像融合方法进行改进,首先采用光谱重采样方法模拟产生Gram Schmidt变换的第一分量,通过Gram Schmidt变换将高光谱图像转换到正交空间,再利用高空间分辨率图像替换Gram Schmidt变换的第一分量,最后通过Gram Schmidt反变换获得融合图像。利用EO1-Hyperion航天高光谱数据与ALI全色波段进行融合试验,发现改进方法可有效提高高光谱遥感图像与全色高分辨率图像的融合质量。     

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DCT变换的多光谱与全色影像融合方法

针对IHS融合法的融合影像相对于原多光谱影像光谱扭曲严重、小波变换融合法运算量大的缺点,依据影像成像时传感器像素间的对应关系,提出应用遥感影像空间分辨率比值关系对影像进行分块,采用离散余弦变换与IHS变换相结合的融合方法进行多光谱影像与全色影像融合,以提高遥感影像的应用能力。仿真实验表明,该方法融合结果的光谱保持性与小波变换方法相近,均优于IHS变换融合影像,对全色影像空间信息集成能力稍弱,但计算效率明显改善,适合于对大数据量的遥感影像融合。     

一种融合中分辨率多光谱与高分辨率全色图像的方法

针对中分辨率多光谱与高分辨率全色图像空间分辨率差异大,导致融合结果难以较好平衡光谱信息保持和空间信息保持能力的问题,该文分析了7种常用融合方法用于中分辨率多光谱与高分辨率全色图像融合的优缺点及其融合质量的影响因素,提出了一种组合融合方法。该方法在保留Gram-Schmidt方法的细节注入方式的基础上,综合利用高通滤波法和Gram-Schmidt方法的优势构造低分辨率全色图像,确保在提高融合图像空间分辨率的同时有效降低其光谱变形。通过CBERS-02多光谱和IRS-P5全色图像的实验,证明了新融合方法的有效性。     

基于DEM和IHS变换的遥感图像反立体纠正方法研究

为纠正太阳同步卫星所获取的山地地形遥感图像中存在的反立体现象,以四川省广元市某区的遥感图像为例,尝试一种基于DEM和IHS变换的遥感图像反立体纠正方法。该方法用DEM制作的地形阴影图替换IHS变换得到的亮度(I)分量后进行IHS反变换,能有效纠正遥感图像上的反立体现象,并与原图像色彩基本保持一致。     

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。     

基于双分支多尺度残差融合嵌套的SAR和多光谱图像融合架构与实验

基于深度学习融合合成孔径雷达(SAR)和多光谱(MS)图像的方法主要通过增加卷积层数量描述网络模型尺度,但未能提高算法对不同尺度空间细节特征的提取能力。该文设计双分支的多尺度残差融合嵌套连接网络架构(Double-branch Multiscale Residual-fusion Nested-connections Net, DMRN-Net),将融合任务划分为细节提升和光谱保持两部分：在细节提升分路中,将SAR和MS图像中的高频信息分别经过多深度特征提取层、多尺度残差融合网络层及嵌套连接解码器得到重建图像;在光谱保持分路中,通过融合上采样后的MS图像和细节提升分路结果,将光谱信息注入融合图像中,从而得出融合结果。通过DMRN-Net和传统算法以及普通双分支网络的对比实验表明,DMRN-Net在主观判断和客观评价上均取得较好的融合结果,能在保持光谱信息的基础上,进一步增加图像的空间细节信息,验证了DMRN-Net在图像融合领域的重要价值。     

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.     

高分辨率遥感图像厚云检测算法

针对高空间分辨率多光谱图像,设计了一种基于缨帽变换、数据正则化以及多尺度光谱分析技术的多尺度循环检测算法。实验结果表明:对于Landsat-7 ETM+图像,其检测精度与基于热波段的自动化云量估计算法相近,但优于传统的直接分类方法(最大似然分类与ISODATA分类)。由于该算法无需借助热波段及其他辅助数据,因而在实现高分辨率图像厚云掩膜的高效与高精度提取方面具有很高的应用潜力。     

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。     

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。     

基于粗集均值滤波的Hyperion高光谱数据滤噪方法

高光谱图像滤噪处理直接影响后续分析结果的精确度乃至正确性,鉴于此,针对Hyperion高空间分辨率和高光谱分辨率的特征,在比较分析目前各种高光谱遥感数据噪声滤波方法的基础上提出一种基于粗集均值滤波的噪声滤除方法,即先用上下近似空间和门限值刻画边缘,再用均值滤波。将该方法的实验结果与常用的高光谱数据MNF噪声分离算法和低通滤波算法的结果进行比较,发现基于粗集概念的均值滤波具有较好的保边去噪效果,其误差小、光滑性好、自适应能力强以及能够较好的保留细节信息,但需要通过交互确定门限;在处理不完整性、不确定性等问题时,粗集算法比硬计算效果更好。     

HPF图像融合技术在大理市遥感影像中的运用探讨

使用ERDAS IMAGINE 8.7软件的空间建模工具,实现了HPF图像融合算法。将其应用到大理市ETM＋遥感影像的分辨率融合中,取得了较好的效果。最后与其他几种常见的图像融合算法所得效果图进行对比分析,得到HPF图像融合的特点。     

基于LBV数据变换方法的海岸带多光谱影像分类方法研究

在传统的海岸带多光谱影像分类方法的基础上,提出了运用LBV数据变换方法对海岸带多光谱影像进行地物分类识别的方法,通过图像数据变换能够分别提取出表示地物总辐射水平、可见光-近红外辐射平衡和表示波段辐射变化矢量(方向和速度)L、B、V的值.通过应用青岛海岸带TM多光谱影像,提取LBV变换图像并与原始假彩色合成图像比较,分别进行监督分类试验.运用LBV数据变换方法获得的图像信息量更丰富,地物类别更鲜明,有利于图像的目视解译,分类精度提高约3.12%.     

结构增强型生成对抗网络SAR图像超分辨率重建

针对利用生成对抗网络模型(Generative Adversarial Network,GAN)重建SAR(Synthetic Aperture Radar)图像存在边缘细节信息不足和“伪影”(artifacts)现象,该文基于增强型超分辨率生成对抗网络(Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN)光学模型,重新设计生成网络上采样重建模块和结构损失函数,提出一种结构增强型生成对抗网络SAR图像超分辨率重建算法,包括特征提取、特征增强和上采样重建3个模块:在特征提取模块采用小尺度卷积层对输入SAR图像进行低层次特征提取;在特征增强模块采用多个级联残差密集块(Residual-in-Residual Dense Block,RRDB)和卷积层提取输入特征;在上采样重建模块交替使用最近邻插值(Nearest Neighbor Interpolation,NNI)和亚像素卷积(Sub-Pixel Convolution,SPC)对特征进行放大重建,使特征信息交互融合。与传统插值算法和经典深度学习重建算法相比,该算法在视觉效果和定量评价方面均有显著提升,能够在保持原网络模型重建图像内容信息不丢失的基础上,增强重建图像边缘细节信息和减缓“伪影”现象,有利于后续目标识别和灾害监测等工作开展。