多传感器图像融合效果评价方法研究

采用多传感器图像融合方法，利用信息在多个测度空间的互补性可得到更多的有用信息。融合后的图像应保留原图像的重要细节，且不引入会影响图像后续处理的虚假信息，这就需要对融合的效果进行评判，而融合图像质量的评价问题目前还是图像融合研究的一个薄弱环节。讨论了融合图像质量的评价问题，提出带反馈信息图像融合的结构模型。评述了融合图像的单因素评价、模糊积分综合评价、D—S证据理论综合评价、粗糙集理论的评价方法、以信息量为标准的评价、加权求和法综合评价等方法。     

基于小波的全局多源遥感图像信息融合方法

提出的图像信息融合方法用于解决传统方法在空间分辨率等方面的不足。原始图像经过小波变换，分解成子图像，再进行分块处理，高、低分辨率图像根据全局方差准则分别计算融合的权值系数，进行图像融合重建，然后，对图像采用全局法进行信息融合，实验表明，方法切实可行，能使低分辨率图像接近于高分辨率图像。     

高分辨率遥感图像融合技术的研究

图像融合已成为图像理解和计算机视觉领域中的一项重要而有用的新技术,多源遥感图像数据融合也成为遥感领域的研究热点,其目的是将来自多信息源的图像数据加以智能化合成,产生比单一传感器数据更精确、更可靠的描述和判决,使融合图像更符合人和机器的视觉特性,更有利于诸如目标检测与识别等进一步的图像理解与分析。     

多传感器图像融合应用评述

近几年，图像融合成为一个热门研究领域，图像融合是多测度空间综合处理多源图像和图像序列的技术，通过融合处理，综合运用多源信息，得到性能比任一源图像好的图像，以便于图像的后续处理和更好地满足应用要求。从信息处理的层次上图像融合要分为：信号层图像融合，像素层图像融合，特征层图像融合和符号层图像融合。比较了不同层次图像融合算法的特点，讨论了红外图像，可见光图像，多普图像，雷达图像等的融合问题，给出了一个应用实例，并对图像融合的发展进行展望。     

基于多流融合生成对抗网络的遥感图像融合方法

由于强大的高质量图像生成能力,生成对抗网络在图像融合和图像超分辨率等计算机视觉的研究中得到了广泛关注。目前基于生成对抗网络的遥感图像融合方法只使用网络学习图像之间的映射,缺乏对遥感图像中特有的全锐化领域知识的应用。该文提出一种融入全色图空间结构信息的优化生成对抗网络遥感图像融合方法。通过梯度算子提取全色图空间结构信息,将提取的特征同时加入判别器和具有多流融合架构的生成器,设计相应的优化目标和融合规则,从而提高融合图像的质量。结合WorldView-3卫星获取的图像进行实验,结果表明,所提方法能够生成高质量的融合图像,在主观视觉和客观评价指标上都优于大多先进的遥感图像融合方法。

     

遥感图像质量评估方法研究

遥感图像提供了丰富的遥感信息,但是在成像过程中受大气、热噪声等因素的影响,往往反映的不够清楚。采用图像增强方法可以有效地去除这种不良影响,但是增强效果的评估是一个理论性和实践性很强的课题。针对遥感图像常见的高斯噪声争瑞利噪声,采用传统的图像增强方法进行处理,运用主客观相结合的评价方法,比较了不同图像增强方法时这两种噪声去除结果的优劣,为遥感图像质量以及处理方法的评估提供了很好的思路。     

基于联合注意力的渐进式遥感图像融合

为发挥遥感图像在国防军事、公共安全、环境监测等领域的重要作用,如何融合已配准的高分辨率全色图像与低分辨率多光谱图像的互补信息成为当前研究的重点。尽管近年来全色锐化方法已取得较大进步,但大多数方法仍受到以下限制:一方面,利用Wald协议退化生成不同尺寸图像时会造成信息损失;另一方面,受到网络结构和单一注意力的限制,无法同时利用全局和局部特征。为解决以上问题,本文提出了基于联合注意力的渐进式网络(Pan-sharpening based onmulti-attention progressive network),称为MAPNet。在该网络中,首先采用多阶段训练以减小尺寸变化带来的光谱和细节损失。其次设计联合注意力模块,将自注意力、空间注意力和通道注意力结合,实现对全局特征和局部特征、空间特征和通道特征的多模态分析,进一步提高MAPNet对纹理细节的保留能力。在高分二号卫星上进行大量对比实验和消融实验,定性和定量结果表明,本文方法融合效果优于其他10种方法,能够改善光谱失真和细节纹理丢失等问题。     

稀疏表达的自适应遥感图像融合算法

本文提出一种基于稀疏表达的图像融合算法。该算法利用稀疏系数中的非零元素所对应的基向量作为图像特征,首先分离相同基向量和相异基向量,然后采用加权求和算法合并相对应的稀疏系数,并重构得到融合图像。该算法对相同特征和相异特征分别进行融合,克服了融合图像中相异特征清晰度下降的问题。并且由于稀疏表达具有很好的去噪功能,本文算法也可以同时进行图像融合和去噪。通过与4种流行的融合算法比较,本文算法得到较好的视觉效果。      

遥感图像PCA融合的并行算法研究与实现

文章针对已有的遥感图像PCA融合串行算法，提出了一种基于数据并行的新的PCA融合并行算法PPCA．并对该并行算法进行了通信优化，在机群系统上进行了实现。针对IKONOS图像进行实验的结果表明该算法可获得良好的并行加速比．并行效率较高，为遥感图像的实际应用提供了有益的指导和借鉴。     

基于统计模型的遥感图像多分辨融合方法

本文针对多光谱图像的增强问题,提出了一种新的多分辨融合方法.将相关约束引入到统计融合模型中,从而充分增强了相关的空间信息,同时又有效抑制了光谱失真.真实的遥感图像实验结果表明了该文算法的有效性.     

基于引导滤波的遥感图像融合算法

针对目前遥感图像融合算法的不足,提出了一种基于引导滤波的遥感图像融合算法。该算法通过引导滤波器求取加权系数,对小波变换后的小波系数和近似系数进行加权融合,针对融合后得到的小波系数和近似系数应用小波反变换,最终得到融合图像。实验结果表明,文中提出的融合算法所得图像内容丰富、细节清晰、具有良好的实验效果。     

基于CNN的QuickBird遥感影像融合研究

为了充分利用QuickBird多光谱影像的光谱信息和全色影像的高空间分辨率信息,提出了一种基于细胞神经网络（CNN）的QuickBird多光谱和全色遥感影像融合方法.实验结果表明,相对于传统的影像融合算法,提出的方法具有更好的性能.     

基于Contourlet系数局部特征的选择性遥感图像融合算法

为了使融合后的多光谱图像在显著提高空间分辨率的同时,尽可能多地保持原始多光谱特性,提出了一种基于Contourlet变换系数局部特征的选择性遥感图像融合方法。根据多光谱和全色图像融合过程中Contourlet变换后的低频和高频部分融合目的的不同,对得到的近似和各层各方向的细节分量分别运用窗口邻域移动模板逐一计算相应区域Contourlet系数阵的不同局部特征量,然后选择适当的准则,对图像的近似和细节分量分别应用不同的策略在Contourlet系数域内进行选择性融合,通过Contourlet和亮度-色调-饱和度(IHS)逆变换得到融合的高分辨率多光谱图像。采用Landsat TM多光谱和SPOT全色图像进行的融合实验结果表明:提出的算法在显著提高空间分辨率的同时,又能很好地保持原始图像的光谱特征,并优于传统的融合方法。     

基于压缩感知的遥感图像融合方法

压缩感知理论,以远低于奈奎斯特采样定理要求的速率对图像进行采样,可利用图像的部分信息重构原始图像,有效地减轻图像处理的计算复杂度,降低对硬件的要求。文中提出了一种基于压缩感知的遥感图像融合方法。在压缩域对多光谱和全光谱遥感图像进行了融合实验,并与传统的融合方法进行了比较,实验结果表明,文中方法在遥感图像融合上有着良好的性能。     

基于变分的多尺度遥感图像融合算法

全色图像与多光谱图像融合时,忽略了上采样的重要性和通道间细节的差异性.针对前者,利用不同尺度下自相似块,估计出低分辨率图像丢失信息,从而修改了图像上采样的策略,并以此构造目标函数的保真项;针对后者,利用全色图像和光谱图像梯度域结构相似性,提出局部加权动态稀疏约束,构造目标函数的正则项.本文基于变分法理论,构造了新的目标函数,并提出了多尺度迭代融合框架,通过多次迭代逐步提高融合图像的分辨率,每一层的融合结果更加准确,从而提高最终的融合精度.本文算法与Brovey等成分替代算法、P+XS等变分算法、MTF_GLP等多分辨分析算法进行比较.实验结果表明,本算法的融合结果具有良好的视觉效果,且在客观评价指标上比所有对比算法的最优值平均值均有提高.     

基于支持向量值轮廓波变换的遥感影像融合

 本文研究基于支持向量值轮廓波变换的遥感影像融合.首先将支持向量值滤波器和方向滤波器组进行合理搭配,构造支持向量值轮廓波变换,该变换具有平移不变、泛化能力好、捕捉奇异性能强等特性.然后利用该变换对多源遥感影像进行多尺度、多方向、多分辨率分解,在不同的分解水平上利用基于区域能量和基于区域的轮廓波对比度方法进行融合.实验结果表明,利用该变换进行遥感影像融合时,能在不降低空间分辨率的情况下有效保留源影像的光谱信息.     

基于注意力和特征融合的遥感图像目标检测模型

针对环境背景复杂且包含小目标的遥感图像难以进行精准目标检测的问题,在单阶段检测(SSD)模型的基础上,提出了一种基于注意力和特征融合的单阶段目标检测模型,该模型主要由检测分支和注意力分支组成.首先,在检测分支SSD中加入注意力分支,注意力分支的全卷积网络通过逐像素回归得到待检测目标的位置特征;其次,采用对应元素相加的方...     

基于分布式压缩感知的遥感图像融合算法

针对基于压缩感知(Compressed Sensing, CS)理论的传统遥感图像融合算法未能考虑源图像信息相关性的特点,该文提出一种基于分布式压缩感知(Distributed Compressed Sensing, DCS)的遥感图像融合改进算法。通过DCS的第1联合稀疏模型(Joint Sparsity Model-1, JSM-1)提取源图像低频信息的公共部分和独有部分,再利用独有特征添加(UFA)的融合规则进行融合,从而提高融合精度。选取QuickBird卫星实测图像数据对该文方法和多个传统融合方法进行仿真实验并进行评价指标的对比,结果表明该文方法融合性能相对传统遥感图像融合方法都有不同程度的提高。     

联合多尺度多特征的高分遥感图像场景分类

高分辨率遥感图像地物信息丰富,但场景构成复杂,目前基于手工设计的特征提取方法不能满足复杂场景分类的需求,而非监督特征学习方法尽管能够挖掘局部图像块的本征结构,但单一种类及尺度的特征难以有效表达实际应用中复杂遥感场景特性,导致分类性能受限.针对此问题,本文提出了一种基于多尺度多特征的遥感场景分类方法.该算法首先设计了一种改进的谱聚类非监督特征（iUFL-SC）以有效表征图像块的本征结构,然后通过密集采样提取每幅遥感场景的iUFL-SC、LBP、SIFT等三种多尺度局部图像块特征,并通过视觉词袋模型（BoVW）获得场景的中层特征表达,以实现更为准确详实的特征描述,最后基于直方图交叉核的支持向量机（HIKSVM）进行分类.在UC Merced数据集以及WHU-RS19数据集上的实验结果表明本文方法可对遥感场景进行鉴别特征提取,有效提高分类性能.