自适应多尺度几何分析的全色和多光谱图像融合方法研究

为了利用全色和多光谱图像融合得到一幅空间分辨率较高和光谱信息丰富的遥感图像。结合窗口空间频率绝对值最大原则的高频条带波系数融合规则,提出一种基于自适应多尺度几何分析变换的融合方法。利用Landsat-7数据进行试验,得到一幅空间分辨率和光谱信息都较好的融合图像。和轮廓波方法、IHS、小波变换方法进行比较,本方法提高融合图像的质量,图像的边缘细节更明显清晰。     

基于多层小波深度聚合网络的高光谱图像超分辨率方法

利用低空间分辨率高光谱（Low Resolution HyperSpectral Image,LR-HSI）和高空间分辨率多光谱图像（High Resolution Multi Spectral Image,HR-MSI）的有机结合,实现高光谱空间分辨率增强,是当前高光谱图像处理的热点问题.目前,深度学习已成为高光谱-多光谱图像融合超分辨率的代表性方法,然而如何有效挖掘两者的互补空谱信息,实现空间结构和细节注入,在提升高光谱图像空间分辨率的同时保持高保真光谱信息,依然存在诸多挑战.本文提出了一种多层小波深度聚合网络（Multilevel Wavelet-Deep Aggregation Network,MW-DAN）.该网络有机结合非抽取小波（Un Decimated Wavelet Transform,UDWT）分解和深度残差网络,建立双分支互补信息融合网络,提升图像重建性能.其中,通过深度残差网络中引入跳层汇聚连接,设计信息聚合型结构,并对多光谱图像进行UDWT方向子带分解,逐层注入到网络中间隐层,增强了方向子带结构的细节注入和光谱保真能力.整个网络通过LR-HSI,HR-MSI和...     

基于光谱映射和细节注入的Pansharpening

Pansharpening通过在多光谱图像中注入全色图像的空间细节，从而获得高分辨率的多光谱图像.但细节注入的同时，可能会引起光谱失真.为了提高融合图像的光谱保真，本文提出了一种空谱结合的Pansharpening方法.充分利用全色和多光谱图像之间潜在的光谱关系，对全色图像的光谱信息进行增强，继而将增强后的全色图像细节注入多光谱图像中，并建立了统一的变分Pansharpening模型，同时实现了融合图像的光谱信息保持和空间结构细节增强.在不同数据集上进行的数值实验表明，相比现有的Pansharpening方法，本文所提方法具有比较好的融合效果，尤其在光谱保真方面，更具有一定的优势.     

基于红外多光谱图像相关性的自动目标识别算法

提出了一种基于红外多光谱图像相关性的自动目标识别新算法．根据目标、背景和干扰物的红外多光谱特征信息(辐射强度、光谱分布)构造出目标场景的红外多光谱特征矩阵；采用最大距离法分割图像，融合空间和光谱信息重构出研判目标的红外多光谱特征矩阵；根据研判目标的光谱辐射差异特性建立了红外多光谱图像相关识别准则．实验表明，该识别算法正确可行．     

基于采样二通道不可分小波的多光谱图像融合

针对基于非下采样不可分小波图像融合方法空间分辨率不高、基于张量积小波融合方法会出现方块效应的不足,提出了一种基于伸缩矩阵为[1,1;1,-1]的二通道采样不可分小波的多光谱图像和全色图像融合方法.利用矩阵扩充方法,构造了一组新的不可分低通滤波器和高通滤波器组,利用所设计滤波器组分别对多光谱图像的亮度分量和全色图像作下采样的多尺度不可分小波分解,分别对分解后的低频子图像和高频子图像按不同的融合规则进行融合.实验结果表明,其保持光谱信息的能力和保持空间分辨率信息的能力比基于IHS变换融合方法、基于DWT的融合方法、基于IHS-DWT的融合方法、基于IHS-Contourlet变换的融合方法、基于IHS-Curvelet变换的融合方法、SRF方法都强,与基于非下采样的二通道不可分正交小波和不可分双正交小波融合方法相比,该方法能保持较好的整体光谱信息和较高的空间分辨率信息.     

PHI高光谱数据和高空间分辨率遥感图像融合技术研究

提出了一种新的高光谱图像融合技术———基于最佳指数准则的高光谱小波包图像融合方法,即首先利用最佳指数选择高光谱的最佳合成波段,得到低分辨率的彩色合成影像,然后采用一种基于区域多特征的小波包融合算法进行融合处理.文中利用上海地区PH I高光谱数据和高分辨率全色航空像片来验证算法的有效性,实验结果表明该方法可有效的实现高光谱数据和高空间分辨率遥感图像的融合处理.     

最小体积约束的高光谱图像分辨率增强算法

针对现有的高光谱多光谱图像融合算法解空间较大、未考虑高光谱数据的物理意义以及存在局部最优的问题,提出了一种基于单形体最小体积约束的耦合非负矩阵分解的高光谱与多光谱图像融合算法(MVC-CNMF)。该算法在混合像元解混的过程中,考虑图像的物理意义,加入了端元单形体最小体积约束。由仿真结果可以看出,该算法能有效地克服现有融合算法中的缺陷,实现了高光谱与多光谱图像的端元与丰度的精确匹配,获得高空间分辨率的融合图像,尤其适用于端元数目较多的高光谱图像。     

基于多特征的高光谱与全色图像融合方法

高光谱分辨率的高光谱图像与高空间分辨率的全色图像融合可以综合两类图像的优势。将全色图像与高光谱部分波段分别融合,再合成假彩色图像是融合的有效思路。引进多分辨率分析框架,首先对源图像进行小波变换,得到低频系数与高频系数;然后从中提取平均梯度特征和边缘特征分别作为两类系数融合的依据;最后将融合后的系数经过小波逆变换还原为各波段融合图像,进行假彩色合成得到最终的彩色融合图。实验结果表明,与PCA、HIS等经典方法相比,本文方法不仅能够在保证融合效率前提下有效保持光谱信息,提高融合图像的空间分辨率,融合图像的标准差、平均梯度、信息熵等各项指标也均优于其他融合方法。     

采用区域互信息的多光谱与全色图像融合算法

为了提高多光谱与全色图像融合算法质量,提出了一种采用区域互信息的多光谱与全色图像融合算法。首先将多光谱图像变换至HSV彩色空间,并采用分水岭与区域合并的方法对V分量进行区域分割,得到区域分割映射,欧氏光谱距离作为区域合并的测度。然后采用非下采样Contourlet变换（Nonsubsample Contourlet Transform,NSCT）对多光谱图像V分量和全色图像进行多分辨率分解,将区域分割结果映射至全色图像,通过计算对应区域间的互信息对多分辨率分解系数进行融合,获得融合图像的分解系数,最后通过NSCT反变换实现融合图像重构。图像融合算法对比实验表明,文中融合算法在充分保留了多光谱图像光谱信息的同时,尽可能多地注入了全色图像的细节信息,有效提高了多光谱图像的边缘特征。     

应用光谱重建理论的傅里叶变换光谱仪

本文将重建光谱仪的光谱重建理论应用于傅里叶变换光谱仪中，使光谱仪可以兼具重建光谱仪高光谱分辨率优势以及傅里叶变换光谱仪固有的高光通量优势。利用构建的简易空间外差傅里叶变换光谱仪实验装置在520～530 nm光谱范围内进行验证实验。使用实验装置采集的不同单波长入射光光斑图像进行光谱校准实验，证明了傅里叶变换光谱仪可满足光谱重建理论必需的光斑与波长间唯一的一对一映射关系。随后，使用用于光谱校准的光斑图像进行光谱重建实验，实现了0.10 nm的光谱分辨率，相比通过傅里叶变换光谱仪原理得到的～5.65 nm光谱分辨率有明显提高。最后，使用额外采集的波长525 nm入射光光斑图像进行光谱重建实验，重建光谱中存在重建误差，且525 nm处光谱信号峰的半峰全宽（FWHM）～0.30 nm。光斑图像相关性分析显示，光谱重建受光斑图像采集过程中噪声和相邻波长入射光光斑图像高相似性的影响。尽管如此，重建光谱仍然可以反映入射光的光谱信息，且信号峰的FWHM小于傅里叶变换光谱仪原理得到的光谱，验证了将光谱重建理论应用于傅里叶变换光谱仪的可行性和高光谱分辨率优势。     

空谱结构保持的高光谱图像分类

高光谱遥感图像具有特征（波段）数多、冗余度高等特点,因此特征选择成为高光谱分类的研究热点。针对此问题,提出了空间结构与光谱结构同时保持的高光谱数据分类算法。考虑高光谱图像的物理特性,首先对图像进行加权空谱重构,使图像的空间结构信息自动融入光谱特征,形成空谱特征集;对利用最小二乘回归模型保存数据集的全局相似性结构的基础上,加入局部流形结构正则项,使挑选的特征子集更好地保存数据集的内在本质结构;讨论了窗口大小和正则参数对分类精度的影响。对Indian Pines、PaviaU和Salinas数据集的实验表明,该算法得到的特征子集的总体分类精度达到93.22%、96.01%和95.90%。该算法不仅充分利用了高光谱图像的空间结构信息,而且深入挖掘了数据集的内在本质结构,从而得到更有鉴别性的特征子集,相比传统方法明显提高了分类精度。     

综合有向纹理特征及其在多光谱图像融合中的应用

纹理特征是多光谱图像中除光谱特征以外的一类重要的图像特征。该文通过对有向纹理特征的分析提出了综合有向纹理特征的概念,建立了求解综合有向纹理特征的方法,并在此基础之上提出了基于图像冗余小波域的综合有向纹理特征重要中心系数算法。该算法将多光谱图像的光谱信息与形态信息进行了有机的结合,在保持源图像光谱特征的同时也考虑到了纹理特征对于融合效果的影响。对模拟及真实多光谱图像融合实验结果的主观视觉评价、客观定量分析说明该算法与现有的同类多光谱图像融合算法相比,能够更有效地融合源图像信息、更好地保持源图像纹理特征。     

基于非下采样三通道不可分对称小波的多光谱图像融合

针对IHS变换融合方法不能保持好的光谱信息,张量积小波变换融合方法生成的融合结果图像空间分辨率偏低、且易产生方块效应等不足.提出了一种基于三通道不可分对称小波的多光谱图像融合方法.利用矩阵扩充的方法,给出了三通道不可分对称小波滤波器组的构造方法,用所构造的不可分小波滤波器组分别对多光谱图像的亮度分量和全色图像作非下采样...     

空谱超像素核极限学习机的高光谱分类算法

针对高光谱图像中光谱信息提取时高维特征向量由于部分邻域叠加造成数据缺损,以及图像局部区域像素点在空间结构信息中存在同谱异类现象和密度差异的问题,提出了一种基于空谱超像素融合核极限学习机(SSKELM)的高光谱图像分类算法.对光谱空间第一主成分分量进行超像素分割,每个超像素被看作一个形状自适应区域。利用空间信息、超像素内...     

基于超像素分割的RGB与高光谱图像融合

本文提出了一种基于超像素分割的RGB与高光谱图像融合方法。首先,利用在线字典学习法由低空间分辨率的高光谱图像数据学习得到光谱字典。然后,通过光谱字典的线性变换,得到与高光谱图像同一场景的RGB图像字典。其次,对RGB图像进行超像素分割,并根据分割结果在每一个超像素块中进行稀疏编码,得到稀疏矩阵中的系数包含了RGB图像的空间信息。最后,将稀疏编码矩阵与高光谱图像谱字典相结合重建得到高空间分辨率高光谱图像。实验结果表明,该方法不管是在主观视觉上的图像恢复质量,还是在峰值信噪比等客观指标上均具有优势。     

基于流形学习的新高光谱图像降维算法

提出了一种新的基于图像块距离的邻域选择方法,并将其应用于流形学习中,得到一类新的高光谱图像非线性降维算法。该类算法利用高光谱图像物理特性,结合图像的光谱信息和空间信息,在最大限度减小图像信息冗余的基础之上,很好地保持了原始数据集的特性。与其它高光谱图像的降维算法相比,改进的流形学习算法不仅考虑到高光谱图像本身的空间关系,而且利用图像块距离更好地保持了数据点之间的局部特性,从而有效地去除原始数据集光谱维和空间维的冗余信息。实际高光谱数据的实验结果表明,所提出的算法在应用于高光谱图像分类时,与其它方法相比具有更高的分类精度。     

基于空谱背景重构的半监督高光谱异常检测

为了充分利用高光谱图像的空间和光谱信息，同时缓解训练样本不足的问题，提出一种融合空谱特征的半监督高光谱异常检测模型。首先使用无监督聚类自动构建空谱背景数据集用于网络的训练。然后构建基于自动编码器和生成对抗网络的空谱双路模型分别用于背景光谱特征的学习和波段信息的重建，空间支路同时使用滤波器增大背景和异常间的差异，两路分别得到光谱异常分数和波段异常值。最后融合空谱特征得到异常检测图。在真实高光谱图像上验证该方法的有效性，实验结果表明，该方法优于传统的异常检测方法，平均检测精度达到99.55%。     

多尺度超像素纹理特征保持与融合的高光谱图像分类

高光谱图像的低空间分辨率特性往往导致全局纹理提取技术难以获取地物要素的精准纹理信息,同时,单一尺度的局部纹理提取技术难以达到有效识别地物的目的。基于此,该文设计了一种多尺度超像素纹理保持与融合(MSuTPF)的高光谱图像分类方法,主要架构如下:首先,利用2D Gabor滤波器对高光谱图像进行多方向与尺度的全局纹理提取,并通过融合各尺度的纹理特征,增强纹理结构表征能力;其次,融合纹理与光谱主成分特征以形成光谱-纹理联合判别特征;再次,采用形状自适应的超分割方法,作用至光谱-纹理联合特征进行局部纹理信息保持与融合,尤其是,为克服超像素邻域像元的隐性不相关问题,该文定义了基于密度最近邻相似性评价准则,使超像素纹理进一步趋于一致性;最后,将各更新的光谱-纹理联合特征输入像素级分类器获取其对应的类标签,并采用多数表决的决策融合机制取得最终分类结果。Indian Pines和Pavia University真实数据集的实验表明,该方法在小样本条件下的分类精度优于基准分类器(SVM)、深度学习方法(GFDN)以及最新的空-谱分类方法(S3-PCA)等8个对比方法,充分证明了该文所提方法的实用性和有效性。     

高光谱数据三级彩色显示方法

提出了一种高光谱数据彩色显示策略,可在宏观、局部和微观三个级别上对图像信息进行更加丰富准确的可视化表达。该策略通过以下三种方法实现:根据类别空间相关性来分配彩色标签的方法,能够生成具有更好的类间可分性的彩色图像;基于方向裂片纹理技术的高光谱数据显示方法,能够同时表示地物的空间信息和光谱信息,且生成的图像具有良好的特征独立性和视觉直观性;定序饼图显示方法,不仅能够准确显示混合像素成分,还具有更好的类别空间分布特性。实验表明,文中提出的方法可行、有效,且更加符合人类视觉特性和类别分布规律。     

基于稀疏正则化结合NLS的超分辨率图像重建

为了保持高光谱(HS)超分辨率重建过程中的频谱一致性和边缘锐度,提出一种基于空间谱结合非局部相似性的超分辨率重建算法。首先,使用HS图像生成模型,采用稀疏正则化解决全色(PAN)图像和HS图像重建的病态问题求逆;然后分析了从高空间分辨率到低空间分辨率数据生成的丰度系数映射;最后利用非局部相似性,设计空间谱联合正则化项。实验结果表明,本文算法重建图像在PSNR,SSIM和FSIM方面明显高于其他优秀算法,在SAM和ERGAS方面明显低于其他优秀算法,在光谱失真方面丢失最少,仅有2%-3%,低于其他算法30%左右,且重建效果更加清晰自然。