基于双分支U形Transformer的遥感图像融合

为解决现有遥感图像融合方法不能充分提取和利用全局上下文特征,而造成光谱和空间信息丢失的问题,提出基于双分支U形Transformer的遥感图像融合方法。首先将多光谱和全色图像分割成图像块,每个图像块的光谱和空间信息被嵌入到一个向量中,形成块嵌入向量序列。接着,多光谱图像和全色图像的嵌入向量序列被分别送入Transformer编码器的两个分支以提取两张图像的多级全局特征表示。在编码过程中,通过多个跳跃连接,不同层级的全色图像表示被注入到多光谱图像表示中进行融合。最终,Transformer解码器利用特征压缩和块扩张层消除冗余特征并从多级融合表示中逐渐恢复出高分辨率融合图像。在三种不同卫星数据集上的实验表明,所提方法得到的融合图像相比于其他融合方法主观视觉效果较好,且客观评价指标更优。     

小波包变换与遥感图像融合

探讨了遥感多光谱与全色波段图像的融合问题.分析了多光谱与全色波段成像机理,提出了一种基于小波包变换的遥感图像融合方法,实验结果表明,该方法可有效综合多光谱与全色波段图像的优点,从而获得具有较高空间分辨率的多谱图像.     

基于光谱响应函数的遥感图像融合对比研究

遥感图像融合是一个十分重要的问题,目前已出现了很多融合方法.一些现有方法可以从高空间分辨率全色数据中提取细节特征,并注入到低空间分辨牢多光谱数据中,同时尽可能保持多光谱数据的光谱特性.现有方法一般都不能利用遥感成像系统的物理信息,因此可能导致融合结果发生严重的光谱扭曲.该文采用适当的遥感图像融合模型对图像融合问题进行分解,将融合问题归结为空间细节调制参数构建与空间细节信息提取两个子问题,在对传感器光谱响应函数(SRF)的分析基础上,构建合理的空间细节调制参数.依据对现有方法的分类,文章将三种基于SRF的空间细节调制参数构建方法,与高斯高通滤波提取的空间细节信息结合,产生三种基于SRF的遥感图像融合方法.这些方法在Ikonos数据上进行了试验和分析,并与GS和HPM方法进行对比.     

基于Shearlet变换的自适应图像融合算法

针对多聚焦图像与多光谱和全色图像的成像特点,结合Shearlet变换具有较好的稀疏表示图像特征的性质,提出了一种新的图像融合规则.并基于此融合规则,提出了基于Shearlet变换的自适应图像融合算法.在多聚焦图像的融合算法中,分别对聚焦不同的图像进行Shearlet变换,并基于本文提出的融合规则,对分解后的高低频系数进行融合处理. 通过与多种算法的比较实验证明了本文提出的算法融合的图像具有更高的清晰度和更加丰富的细节信息.在多光谱和全色图像的融合处理中,提出了一种基于Shearlet变换与HSV变换相结合的图像融合方法.该算法首先对多光谱图像作HSV变换,将得到的V分量与全色图像进行Shearlet分解与融合,在融合过程中对分解系数选用特定的融合准则进行融合,最后将融合生成新的分量与H、S分量进行HSV逆变换产生新的RGB融合图像. 该算法在空间分辨率和光谱特性两方面达到了良好的平衡,融合后的图像在减少光谱失真的同时,有效增强了空间分辨率. 仿真实验证明,本文算法融合的图像与传统的多光谱和全色图像融合算法相比,具有更佳的融合性能和视觉效果.     

基于改进梯度投影NMF和复Contourlet变换的遥感图像融合

为了尽可能地保留全色图像的空间信息和多光谱图像的光谱信息,提出了一种基于改进梯度投影非负矩阵分解和复Contourlet变换的遥感图像融合方法.首先,以多光谱图像的强度分量图像为标准,对全色图像做直方图匹配,得到新的全色图像;然后,利用复Contourlet变换分别分解多光谱图像的强度分量图像和新的全色图像,得到各自对应的低频分量和高频分量;接着,对两幅低频分量图像采用改进梯度投影的非负矩阵分解作为融合规则获取新的低频分量,并对两幅高频分量图像使用系数绝对值较大法获取新的高频分量;最后,通过逆复Contourlet变换和逆色调-饱和度-强度变换获得融合后的图像.大量实验结果表明,与HSI方法、NMF与无下采样Contourlet变换结合的方法以及提升小波变换与HSI结合的方法相比,本文方法获得的融合图像具有更高的空间分辨率和更多的光谱信息.     

基于多属性融合的高分辨率遥感图像云检测方法

针对全色CCD光学遥感卫星成像平台,提出了一种基于多属性融合的高分辨率图像云检测方法。首先根据云的物理特性和成像特性展开多属性分析,并提出了基于可分离度的特征选择准则来进行特征参量提取;然后针对两类样本的分布结构差异,结合LDA线性特征压缩算法,削减特征空间的维度;最后利用SVM分类器完成云检测。实验结果表明,该方法适用于高分辨率全色遥感图像的云检测,具有较高的检测概率和较低的虚警概率以及较高的算法执行效率。     

基于局部相关性的遥感图像全色锐化算法

为了增强多光谱图像的空间分辨率同时避免出现严重的光谱扭曲,对插值放大后的多光谱图像和原始全色图像分别作相同层数的非下采样轮廓波变换分解.在相应低频子带中,分别选取以待融合像素点为中心,大小为5×5的滑动窗口,计算待融合像素点的局部相关系数与四阶相关系数.如果局部相关系数大于四阶相关系数,说明该位置上的地物存在相似的光谱特征,因此用全色图像的高频系数替代多光谱图像的高频系数;反之,保持多光谱图像的高频系数不变.最后将多光谱图像的低频系数和替换后的高频系数进行非下采样轮廓波逆变换得到融合图像.采用Landsat 7遥感图像,对比给出了本文与现有同类最新文献融合结果及其主客观评价指标.实验结果表明,本文算法在提高空间分辨率与保持光谱信息两个方面都具有较好的效果.     

基于RBF神经网络的图像融合复原方法研究

提出了一种基于径向基函数（RBF）神经网络的多通道图像数据融合复原方法,研究了该方法在多光谱图像复原上的应用.将软竞争学习策略和自适应调整隐节点相结合对网络进行优化训练.利用多光谱卫星图像数据,对所提出的方法进行仿真实验.实验结果表明：该融合复原方法提高了复原图像的质量;改进后的学习算法能够保证学习准确度和较短的训练时间;实验还表明RBF神经网络的多通道复原和单通道复原、传统的维纳滤波及最大后验概率方法相比,在改善图像像质上具有明显的优越性.     

结合多元经验模态分解和加权最小二乘滤波器的遥感图像融合

为了提高多光谱图像的空间分辨能力的同时更大程度地保持光谱信息,提出了结合多元经验模态分解和加权最小二乘滤波器的遥感图像融合方法.多元经验模态分解解决了传统的基于单变量经验模态分解的遥感图像融合方法中多光谱图像的亮度分量和全色图像分解出的子图像频率不匹配导致融合图像空间细节信息缺失问题,加权最小二乘滤波器可以精确地估计出源图像的低频信息继而得到高频信息,减小了传统的经验模态分解方法估计的高频信息中混有低频成分而导致的光谱失真问题.将两者的优点结合,采用不同的融合规则得到的融合图像在空间细节和光谱信息的保持度较好.选取多组不同卫星数据进行仿真实验,并与结合多元经验模态分解和àtrous小波变换的方法以及基于加权最小二乘滤波器的遥感图像融合方法等方法进行比较,实验结果表明本文方法在光谱质量和空间分辨率方面都取得了很好的性能.     

基于高/多光谱图像空天一体融合仿真方法

提出了一种基于高/多光谱图像的空天一体融合仿真方法. 以航空高光谱数据为基础, 根据航天多光谱遥感相关参数, 通过空天一体光谱维变换、尺度空间变换、辐射强度变换、混合像素变换和噪声变换将 航空高光谱图像中的地物目标进行空天一体映射到航天多光谱图像中, 得到特定地物目标的航天多光谱融合模拟仿真图像. 仿真实验表明该方法简便易行, 有效地减少了地物目标的三维建模和探测器响应建模的巨大工作量, 较好地实现了对特定地物目标航天多光谱图像的模拟, 开拓了遥感图像仿真模拟方法的新领域, 具有重要的研究和应用价值. 关键词： 遥感图像 空天一体 融合仿真 光谱维变换     

基于多特征融合的城市遥感图像自动解译方法

为更全面有效地解译城市遥感图像,提出了一种新的基于多特征融合的自动解译方法。该方法定义对象网络来表达图像结构并获取更为准确的处理单元。在此基础上,综合分析颜色、纹理、形状和位置等众多特征,通过自适应的概率学习训练最优分类器并标记目标类别。方法中还结合上下文信息进行空间平滑,大大消除了噪音、遮挡等影响,矢量标绘后得到最终解译结果。实验表明,该方法准确率高、鲁棒性好,适用于多种遥感图像城市场景的自动解译。     

基于目标识别的红外与微光图像融合方法

 为了在融合图像中突出运动目标,提出了一种基于动态目标检测和识别的图像融合算法。先对红外图像序列中的运动目标进行检测和提取,同时对红外和微光图像进行融合,最后将提取到的红外目标与融合图像进行二次融合。试验结果表明,该算法获得的融合图像不仅具有普通融合算法信息丰富的特点,还具有鲜明的红外目标指示特性。     

基于第二代小波的超谱遥感图像融合算法研究

超谱遥感图像包含了大量的波段．波段之间的相关性较高．采用信息融合技术可以降低超谱图像的分析难度。提出了一种结构新颖的第二代小波加权融合算法。首先将图像分解为两个序列．用2阶Neville滤波器构造预测和更新算子．对两个序列以矩形栅格和梅花形栅格的格式进行交替预测和更新;再以各个波段的方差作为融合的特征．进行特征级第二代小波加权融合．最后对图像进行第二代小波重构。为了验证新方法的有效性．采用机载可见光-红外成像光谱仪超谱遥感图像进行仿真．并与典型融合方法主成分分析和离散小波变换的融合效果相比较。实验结果表明提出的第二代小波加权融合算法能够很好地保持图像的空间特性和光谱特性．其熵值高于主成分分析融合结果0．1949,高于离散小波变换融合结果0．7998。     

基于区域分割的遥感图像融合方法

提出了一种基于区域分割的图像融合方法，先将待融合的图像按空间特性分割成相似度不同的区域，然后根据具体应用目的对每个区域采用不同的融合规则.对多光谱与全色图像、多光谱与雷达图像两类遥感图像对进行了融合实验，实验结果表明，引入区域分割后的融合结果不但性能更优，而且可以很方便地控制不同图像源的成分对融合结果的贡献，满足特定应用的需求.     

基于方向金字塔框架变换的遥感图像融合算法

为了综合利用多光谱遥感图像与全色遥感图像之间的互补信息,提出了一种方向金字塔框架变换(SPFT),并基于此变换提出了一种遥感图像融合算法。具体融合过程是将多光谱图像的每个波段分别与高分辨力全色图像进行融合,首先将高分辨力全色图像与多光谱图像的待融合波段进行直方图匹配,然后对该波段图像以及直方图匹配后的高分辨力全色图像分别进行方向金字塔框架变换分解,融合过程就是对两图像方向金字塔框架变换分解后的系数进行组合,最后对组合后的系数进行方向金字塔框架逆变换即可得到该波段图像与高分辨力全色图像的融合图像。实验结果表明该算法在性能上优于基于亮度-色调-饱和度(1HS)的彩色空间变换以及基于离散小波框架变换(DWFT)的遥感图像融合方法,尤其对源图像之间存在配准误差的情况。     

基于Curvelet和2DPCA的遥感图像融合算法

根据图像处理不同算法模型的特点,提出了一种基于Curvelet和2DPCA变换相结合的遥感图像融合算法。首先,对多光谱图像进行2DPCA变换,获得其最佳投影轴集合U及特征向量矩阵Q,按照投影规则将多光谱图像投影到U上,得到各主成分分量Yk;再将与多光谱图像进行过直方图匹配的高分辨率图像投影到Q上,获得其主成分PanM及其它主成分分量,将PanM与Yk分别进行Curvelet变换,得到对应的高、低频系数;然后,根据相应的融合规则,对处理后的系数进行Curvelet逆变换,得到融合子图像;最后,将高分辨率图像的其他主成分分量与融合子图像进行2DPCA逆变换得到融合后图像。应用多光谱图像和高分辨率图像进行了融合实验,并将实验结果与其他方法进行比较。实验结果表明,该方法能够在保持源数据光谱特性的同时,较好的提高空间分辨率。     

基于多光谱图像融合的掌纹识别方法

生物特征识别在信息安全领域发挥着重要作用,掌纹识别作为一种新型生物特征识别方式,具有低失真、非侵入性和高唯一性等优势。传统掌纹研究大多使用自然光成像系统以灰度格式获取,识别精度很难进一步提升。为了获得更多的身份鉴别信息,提出利用多光谱掌纹图像代替自然光掌纹图像。针对现有掌纹识别算法由于没有考虑到不同光谱的特性而导致纹理细节丢失,识别精准率低的问题,提出了一种基于多光谱图像融合的掌纹识别算法。该方法通过对不同光谱下的掌纹图像进行快速自适应二维经验模式分解（FABEMD）,将多光谱掌纹图像分解成一系列频率由高到低的二维固有模态函数(BIMF)和一个残余分量,残余分量可被视为该光谱图像低频信息的初步估计。图像采集过程中光照条件很难保持稳定,而近红外光谱图像在进行FABEMD分解时对光照变换敏感,容易导致分解后的BIMF背景信息过于冗余;因此对分解后的近红外掌纹图像进行背景重建及特征细化,在对背景冗余信息进行平滑处理的同时可以有效增强高频信息的特征表达。为避免直接融合处理后引发的图像过度曝光问题,提出对近红外特征压缩后再融合。此外,提出了一种结合了注意力机制的改进残差网络（IRCANet）,用于融合后的掌纹图像分类,在网络中引入分阶段残差结构,缓解了网络的退化问题,在学习过程中有效地减少信息丢失,对于融合后的多光谱掌纹图像,分阶段残差结构能够稳定地将图像信息在网络间传输,但对图像中的高低频信息区分效果不够显著,为了使网络关注更多区分性特征,利用特征通道间的相互依赖性,在分阶段残差结构中结合了通道注意力(Channel Attention)机制。最终,在香港理工大学（PolyU）多光谱掌纹数据集上进行的综合实验表明,该方法可以取得良好的效果,算法识别准确率能达到99.67%且具有良好的实时性。     

改进VGG网络的多聚焦图像的融合方法

为更好地保留原图像信息,提高图像融合性能,提出一种改进VGG卷积神经网络与边缘像素统计特征相结合的融合算法。首先,该算法将完整图像拆分成图像块,以图像块的预处理来获取较高的图像分类,精度达到0.985以上,以改进的VGG卷积神经网络来加快模型收敛速度,当图像块输入到网络当中,可以初步得到二分类的权值矩阵。其次,在高频细节部分,对于左聚焦图像和右聚焦图像的清晰模糊模块分别进行模糊化处理,根据像素点之间的统计特征经阈值分割后得到有明显边界的权值矩阵。最后,结合两次分割的权值矩阵,通过加权求和的融合策略,得到处处清晰的聚焦图像。为说明算法有效性,在实验部分展示其融合主观视觉效果图与信息熵等客观评价,该算法对比其他算法表现突出,可较好地保留原图像的信息。     

基于提升方案的多光谱遥感图像有损压缩算法

在分析多光谱遥感图像谱间和空间数据特点的基础上,提出了一种DPCM线性预测与基于提升方案的整数小波变换相结合的多光谱遥感图像有损压缩算法。在谱间采用DPCM预测去除谱间相关性;在谱内采用整数小波变换去除空间相关性,根据不同子带对目标识别的重要程度,选择不同的量化阈值和量化步长进行量化,并分别对各个子带量化后的数据和重要图表采用固定比特平面编码和游程编码,实现高效的多光谱遥感图像压缩。实验结果表明,该算法在一定的压缩比下,重构图像具有较高的峰值信噪比,并且算法硬件实现简单,对内存的需求低。