灰度夜视融合图像质量结构相似度评价方法

针对灰度夜视融合图像质量评价问题,提出利用构造的参考图像与融合图像进行结构相似度比较的客观评价方法.分别利用均值、标准差、熵、平均梯度及空间频率等全像素统计指标作为构建参考图像的构造因子,利用权重协调输入源图像在参考图像中的比例关系,获得了融合图像质量加权结构相似度评价模型.考虑到结构相似度评价模型中的结构函数对于严重模糊或失真的图像不能很好地反映图像的结构变化,进一步提出了梯度结构相似度评价模型和平均联合熵结构相似度评价模型.利用主观评价实验比较提出的三种基于结构相似度的融合图像质量评价模型发现,平均联合熵结构相似度评价模型有更好的稳定性且更接近人眼主观感受.     

基于结构相似度与感兴趣区域的图像融合评价方法

针对红外和可见光图像融合效果评价问题,在分析图像结构相似度算法基础上,结合人眼视觉特性,提出了基于结构相似度与感兴趣区域的图像融合评价方法.利用红外和可见光传感器各自成像特性形成的不同图像特征,分别划分图像感兴趣区域和剩余区域.根据人眼对不同区域的重视程度,分别赋予不同的加权因子,较以往评价方法更突出了图像重要特征在评...     

基于结构相似度的图像融合质量评价

在分析现有图像融合质量评价方法特点的基础上，提出了新型的、基于结构相似度的图像融合质量评价方法.针对不同情况，分别采用平均结构相似度、加权平均结构相似度、结构信息与交互信息量之乘积作为图像融合质量客观评价标准.该方法充分考虑了图像的结构信息和人类视觉系统的特性，可以为不同场合下选择不同的算法提供依据.对不同融合算法的质量评价结果表明,该方法是一种有效的图像融合质量评价方法.     

基于边缘的SSIM图像质量客观评价方法

在图像处理领域中,准确判断所处理图像的质量是一项关键技术.本文在基于结构相似度的图像质量评价方法的基础上,考虑了边缘信息对人眼感知结构的重要性,提出了基于边缘结构相似度的图像质量评价方法.实验中,对实验图像进行客观指标的提取与计算,最后统计分析实验数据.结果表明,该方法对图像质量的评价结果优于基于结构相似度的图像质量评价方法,能够正确反映图像质量且更加符合人眼的主观感受.     

基于扩展数学形态学的高光谱图像异常检测

提出了一种新型的基于扩展数学形态和光谱相似度测量的高光谱图像异常榆测方法.在日标与背景未知的情况下.同时利用光谱和空间信息实现日标的定位与检测,实现离光谱遥感数据的日标检测.通过扩展的膨胀和腐蚀操作实现目标特征提取;通过正交投影散度计算扩展形态学操作的累加距离确定排序关系并利用其融合特征提取结果实现特征提取结果的融合.算法性能通过合成的OMIS数据进行评价.与经典异常检测RX算法进行比较.并应用于具有相似光谱特征目标的区分.实验证明,本文提出的算法性能优于RX算法.具有低虚警率的异常目标检测结果,并且能够较好地区分了相似光谱特征的异常日标.     

一种改进的弱光谱畸变PCA融合方法

针对用PCA融合方法进行高光谱遥感影像和高分影像融合会出现一定程度的光谱失真问题,提出了一种改进的弱光谱畸变PCA融合方法。采用NCUT(normalized cut)影像分割算法,将复杂的高光谱遥感影像对象化, 增加融合样本的线性可分性, 从而削弱传统PCA融合产生的光谱畸变;运用图论和聚类理论生成表达像素间相似度的权重矩阵和若干掩膜,并用这些掩膜切割高光谱影像与高分影像,再分别融合其对应匹配的子区域对象,最后将所有子区域融合结果拼接成一幅影像。使用Hyperion高光谱数据和Rapid Eye高分影像进行实验,结果表明：该方法在保证融合结果空间分辨率提升和纹理信息不变的前提下,光谱保真能力优于传统的PCA融合方法。     

基于多分支CNN的高光谱与全色影像融合处理

高光谱与全色影像融合旨在通过融合高空间分辨率的全色影像与低空间分辨率的高光谱影像来获得高空间分辨率的高光谱影像。基于深度卷积神经网络(CNN),提出了一种遥感影像融合方法,利用两个独立的分支网络逐级从高光谱和全色影像中提取光谱和空间特征。该融合网络由两个分支网络和一个主线网络组成,利用两个分支网络分别从高光谱与全色影像中提取空谱特征,主线网络基于分支网络提取的特征,重建得到最终融合的高空间分辨率的高光谱影像。在CAVE和Pavia Center数据集上分别进行了实验验证,通过对比可以发现,所提出的融合算法在空间细节和光谱保真度上较当前主流算法均表现出更优异的性能。     

基于一阶梯度信息的光谱相似度评价方法

目前的光谱相似度评价方法主要基于光谱形状和幅值两种信息,但这两种信息仅仅能体现出光谱的轮廓,并不能很好的反应地物光谱的吸收峰等“指纹”特征,为了更好的体现出光谱特征在评价中的作用,提出了基于一阶梯度信息的光谱相似度评价方法。首先对传统光谱角度匹配度评价方法SAM进行了改进,提出MSAM评价方法,进而提出了调整的梯度光谱角度匹配(MGSAM)法。MGSAM比较了两条光谱曲线的梯度角匹配度,光谱曲线的梯度信息可以突出光谱吸收峰等“指纹”特性的存在,因此MGSAM可以充分体现出两条对比曲线的光谱特征相似度。分析了偏置信息和光谱深度对于MSAM和MGSAM的影响,指出MGSAM对于偏置信息具有更强的鲁棒性,且可以客观地反映出光谱深度差异,进而直观地反映出光电系统或相关算法的光谱特征保真能力。将MGSAM作为评价方法应用到压缩感知光谱成像系统评价中,仿真结果表明,随着采样率的变化,MSAM的值在 0.998~1之间,而MGSAM的值在0.72~1之间,具有明显的变化并具有较大的差异性,可以客观地反映出压缩感知系统对于光谱特征的保真能力,并具有更强的差异化分辨力,为该类系统提供了一个更客观的评价方法。将MGSAM应用到了基于光谱相似度的地物分类中,测试数据选择了Salinas,Pavia和Indian Pines三个公开数据,结果显示基于MSAM的平均分类精度为0.86,基于MGSAM的平均分类精度0.93,由此说明MGSAM可以突出光谱特征在分类中的作用,大大提高了分类精度。     

基于邻域分割的空谱联合稀疏表示高光谱图像分类技术研究

传统的高光谱遥感影像分类算法侧重于光谱信息的应用。随着高光谱遥感影像的空间分辨率的增加,高光谱影像中相同类别的地物在空间分布上呈现聚类特性,将空间特性有效地应用于高光谱遥感影像分类算法对分类精度的提升非常关键。但是,高光谱影像的高分辨率提供空间聚类特性的同时,在不同地物边缘处表现出的差异性更加明显,若不对空间邻域像素进行甄选,直接将邻域光谱信息引入,设计空谱联合稀疏表示进行图像分割,则分类误差较大,收敛速度大大降低。将光谱角引入空谱联合稀疏表示图像分类理论中,提出了一种基于邻域分割的空谱联合稀疏表示分类算法。该算法利用光谱角计算相邻像素的空间相似度,剥离相似度较低的邻域像素,将相似度高的邻域像素定义为同类地物,引入空谱联合稀疏表示模型中,采用子联合空间追踪算子和联合正交匹配追踪算子对其优化求解,以最小重构误差为准则进行分类。选取AVIRIS及ROSIS典型光谱影像数据进行实验仿真,从中可以看出,随着光谱角分割阈值的提高,复杂的高光谱影像分类精度和平滑区域的高光谱影像分类精度均逐步提高,表明邻域分割在空谱联合稀疏表示分类中的必要性。     

一种基于多特征融合的新型光谱相似性测度

光谱相似性测度是高光谱遥感影像定量化分析和精细地物直接识别的基础,光谱特征的选择和刻画方式是光谱相似性测度的关键.研究表明,利用光谱的单一特征无法全面反应地物光谱间的相似性,光谱识别时需要综合考虑光谱的多种特征.本文在几何距离、相关系数和相对熵的基础上提出了一种结合多种光谱特征的新型光谱相似性测度,即光谱泛相似测度(s...     

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。     

Hyperspectral image fusion by multiplication of spectral constraint and NMF

Hyperspectral remote sensing has been used in many fields, such as agriculture, military detection and mineral exploration. Hyperspectral image (HSI), despite its high spectral resolution, has lower spatial resolution than panchromatic image (PI). Therefore, it is useful yet still challenging to effectively fuse HSI and PI to obtain images with both high spectral resolution and high spatial resolution. To solve the problem, a new HSI fusion method based on multiplication of spectral constraint and non-negative matrix factorization is proposed in the paper. In the model, the HSI is first decomposed into basis (abundance matrix) and weight (spectral matrix), then the details of HSI are sharpened by enhancing the details of the abundance with PI. Meanwhile, a spectral constraint term is proposed. It is used to specifically preserve the spectral information in the model. Therefore, the fused data is characterized by good spatial and spectral information. Finally, experiments with both simulated and real data are implemented and the results show that the proposed method performs better in both visual analysis and objective indices than conventional methods, thus making it a good choice for HSI fusion.     

基于GoogLeNet和空间谱变换的高光谱图像超分辨率方法

为了提高高光谱图像的空间分辨率,提出了一种基于GoogLeNet和空间谱变换的高光谱图像超分辨率(SR)方法.设计出遥感图像的光谱SR框架,对图像中不同反射光谱进行提取;采用GoogLeNet的稀疏编码对粗像素光谱进行放大,并投影到高分辨率字典上,将潜在SR表示进行反转,以获得超分辨光谱;为了提高图像重构的保真度,利用...     

特征增强SSD算法及其在遥感目标检测中的应用

为了提高对复杂场景下多尺度遥感目标的检测精度,提出了基于多尺度单发射击检测(SSD)的特征增强目标检测算法.首先对SSD的金字塔特征层中的浅层网络设计浅层特征增强模块,以提高浅层网络对小目标物体的特征提取能力;然后设计深层特征融合模块,替换SSD金字塔特征层中的深层网络,提高深层网络的特征提取能力;最后将提取的图像特征与不同纵横比的候选框进行匹配以执行不同尺度遥感图像目标检测与定位.在光学遥感图像数据集上的实验结果表明,该算法能够适应不同背景下的遥感目标检测,有效地提高了复杂场景下的遥感目标的检测精度.此外,在拓展实验中,文中算法对图像中的模糊目标的检测效果也优于SSD.     

基于HIS 小波变换和MOPSO的全色与多光谱图像融合

有效的全色图像和多光谱图像的融合方法必须保证光谱和空间信息的最大化. 采用HIS小波融合算法框架, 提出了新的高频系数提取方法和一种新的全色和多光谱图像融合方法. 根据小波变换后高频中的细节以及边缘信息都具有方向性, 而噪声点一般都是孤立点这一物理特性, 设计了一种基于一阶高斯微分的高频系数提取方法.以多个融合评价指标为目标函数, 对HIS小波融合算法中采用不同融合规则得到的结果图像, 通过多目标粒子群优化算法优化加权组合得到最终结果. 对实际TM多光谱图像和SPOT全色图像进行了融合实验比较研究, 结果表明, 改进的高频系数提取方法得到的融合图像在光谱信息和空间信息上都有较好的改善, 用多目标粒子群优化算法得到的结果图像在光谱信息保留上具有较明显的优势且空间信息也得到了较大的提高.     

A fusion method for infrared–visible image and infrared-polarization image based on multi-scale center-surround top-hat transform

This paper presents a fusion method for infrared–visible image and infrared-polarization image based on multi-scale center-surround top-hat transform which can effectively extract the feature information and detail information of source images. Firstly, the multi-scale bright (dark) feature regions of source images at different scale levels are respectively extracted by multi-scale center-surround top-hat transform. Secondly, the bright (dark) feature regions at different scale levels are refined for eliminating the redundancies by spatial scale. Thirdly, the refined bright (dark) feature regions from different scales are combined into the fused bright (dark) feature regions through adding. Then, a base image is calculated by performing dilation and erosion on the source images with the largest scale outer structure element. Finally, the fusion image is obtained by importing the fused bright and dark features into the base image with a reasonable strategy. Experimental results indicate that the proposed fusion method can obtain state-of-the-art performance in both aspects of objective assessment and subjective visual quality.     

基于光谱曲线形态的高光谱影像检索方法研究

随着传感器技术、数据通讯技术的飞速发展,利用各种机载和星载传感器,己经获取到各种不同的海量遥感影像数据。巨大的数据量带来了数据存储和管理的问题,如何实现从海量影像数据中检索出我们所需要的信息显得十分迫切。影像检索最早由Chang于1980年提出,是对传统信息检索的扩展。针对海量遥感影像高效检索的需求和高光谱遥感影像波段数目多的特点,分析了影像检索中的影像距离函数和相似性度量问题,基于经典的曲线简化Douglas-Peucke算法(简称DP算法)提取光谱曲线的形态特征,利用“提取特征”的思想,提出了基于DP算法的光谱曲线和影像检索(简称DPSR)方法,将光谱形态特征应用于影像检索当中。DPSR利用光谱曲线上的特征点,减小了计算量,实现了有效地匹配和检索,适合高光谱遥感影像的光谱检索。文章选择了OMISI高光谱数据的四种易混分地类进行了相似性度量的对比实验。通过与常规的分析方法光谱角匹配(SAM)、光谱信息散度(SID)的对比可以看到,DPSR在较少计算量的情况下能保持较高的计算精度,提供了一种新的影像光谱高效检索方法。此外,文章还提出了尚待进一步研究的问题。     

高分辨率遥感影像融合处理技术的对比分析研究

随着遥感技术的发展,获取遥感数据的手段越来越丰富。由各种不同的传感器获取的影像数据与日俱增,在同一地区形成了多时相、多分辨率的影像序列。如何综合各种类型的遥感影像信息,提高遥感数据的利用效益已成为遥感应用的瓶颈问题。多源遥感数据融合技术是解决这一问题的有效手段。高空间分辨率影像数据的多样性和复杂性对遥感信息融合处理技术提出了新的更高的要求。以IKONOS卫星数据为例对其进行了空间分辨率的影像融合。研究中引入了多种融合方法,如IHS变换、主成分分析、小波变换以及基于区域特征的自适应小波包算法。从光谱质量和空间信息的角度出发对融合方法进行了比较研究,分析出了比较适合于IKONOS卫星的高分辨率影像融合的处理方法。