应用于双光谱检测的图像融合技术

介绍双光谱图像检测系统的总体设计，针对紫外与可见光双光谱成像系统提出了基于模糊矩阵的双光谱图像融合法．该方法采用模糊矩阵表征融合区域，同时利用小波变换法对图像进行多分辨分解重构．实验选取UV图像与V图像进行融合，并对该方法和其他几种方法的融合图像进行了比较．基于模糊矩阵的双光谱图像融合法能比较好地兼顾图像融合中清晰度和融合边缘过渡两方面的要求．     

文物高光谱数据采集及其多尺度多支路融合增强方法

随着光学成像技术的发展,越来越多的成像技术应用于文物保护分析领域。其中,高光谱成像以其无损、非接触以及"图谱合一"的特点受到广泛关注。然而,受成像传感器的物理限制,现有高光谱图像空间分辨率远不及RGB三通道的高清数码相机,极大阻碍了文物高光谱数字化的应用。针对此问题,该文首先设计了一套文物高光谱数字化采集流程,便于规范化采集同一场景的RGB和高光谱图像数据,为后续融合增强带来便利。其次,提出了基于多尺度多支路的RGB和高光谱图像融合方法,通过设计空间光谱融合模块和细化模块,获取具有高空间和高光谱分辨率的数字化影像。实验结果表明,无论从主观视觉还是客观指标,提出的方法在保持光谱分辨率的同时,更好地提高了空间分辨率。     

一种基于注意力嵌入对抗网络的全色锐化方法

全色锐化旨在将低空间分辨率的多光谱图像和高空间分辨率的全色图像进行融合，生成一幅高空间分辨率的多光谱图像．伴随卷积神经网络的发展，涌现出很多基于CNN的全色锐化方法．这些用于全色锐化的CNN模型大都未考虑不同通道特征和不同空间位置特征对最终锐化结果的影响．并且仅使用基于像素的1-范数或2-范数作为损失函数对锐化结果与参考图像进行评估，易导致锐化结果过于平滑，空间细节缺失．为了解决上述问题，本文提出一种嵌入注意力机制，并辅以空间结构信息对抗损失的生成对抗网络模型．该网络模型由2个部分组成：一个生成器网络模型和一个判别器网络模型．嵌入通道注意力机制和空间注意力机制的生成器将低分辨多光谱图像和全色图像融合为高质量的高分辨多光谱图像．判别器以patch-wise判别的方式对锐化结果与参考图像的梯度进行一致性检验，以确保锐化结果的空间细节信息．最后，在3种典型数据集上的对比实验验证了所提出方法的有效性．     

基于IHS变换和Curvelet变换的卫星遥感图像融合方法

全色图像和多光谱图像融合是合成高分辨率彩色遥感图像的常用方法之一,高质量的彩色图像需要融合全色图像的高空间分辨率和保持多光谱图像的光谱特性.为提高融合图像的质量,文中提出了一种基于IHS和Curvelet变换的遥感图像融合方法,该方法首先将多光谱图像进行IHS变换,然后将代表空间分辨率的I分量与全色图像进行Curvelet变换,并进行标准差融合,最后逆变换成高质量的彩色图像.实验测试结果表明:文中方法合成图像的信息熵、相对无量纲的全局误差和通用图像质量指标均优于其他方法合成的图像,文中方法融合图像的平均梯度和相关系数与小波变换、PCA变换方法相当;文中方法的融合效果要优于其他方法.     

基于ETM+遥感图像的图像融合试验及评价方法

为了对比分析不同方法在融合ETM+遥感图像的高空间分辨率全色波段和多光谱波段的效果,选取基于彩色技术的IHS和RGB变换、基于图像变换技术的PC变换、Gram-schmidt变换和基于算数技术的Brovey变换4种融合方法,对研究区域ETM+图像进行了融合,并采用衡量信息量的信息熵、标准差及衡量光谱保真能力的偏差指数和相关系数进行了融合效果评价。融合结果表明:依Brovey、IHS、PC、Gram-Schmit方法融合后的图像,其光谱保真程度逐渐降低。Brovey变换最大限度保持了原始图像的光谱信息,而空间信息的详细程度较差;IHS变换空间融合后的图像空间细节信息最大,但光谱保真能力差;PC变换和Gram-schmidt变换后融合图像的光谱保真和空间信息详细程度介于Brovey和IHS之间;Brovey和IHS有较好的融合效果。     

全色和多光谱卫星图像的同步融合与去噪

为了获得较高的光谱和空间分辨率的图像,提出一种卫星混合融合方法,包括IHS变换和离散小波框架变换方法。该方法在融合图像过程中失真比较小的情况下获得高的光谱和空间分辨率,并比较了传统的融合方法和本文混合方法。实验结果证明,混合方法具有优越性。     

基于空间和光谱信息保持的多光谱图像融合算法

文章采用基于空间和光谱信息保持的多光谱图像融合框架,以生成具有高空间质量的多光谱图像。本文采用的融合框架的能量泛函包括四项,第一项为边缘自适应提取约束项,从全色图像中自适应提取边缘细节信息并注入多光谱图像中;第二项为线性组合系数约束项,基于对多光谱图像各波段线性组合系数的估计以改善融合图像的空间质量;第三项为光谱信息保持约束项,基于L2范数分波段估计模糊核以保持多光谱图像的光谱信息;第四项为波段比例关系保持约束项,基于融合前后波段之间的比例关系相等的假设以减轻融合图像光谱失真。在QuickBird和Pavia University图像数据上进行仿真实验,结果表明,与SFIM、MTF_GLP、MTF_GLP_HPM、PCA、GS、GSA、AIHS、GFPCA等算法相比,本文方法的融合图像具有较高的空间和光谱质量。     

基于松鼠搜索算法与IHS变换的遥感图像融合

图像融合的目标是将低空间分辨率的多光谱(multispectral, MS)图像与高分辨率的全色(panchromatic, PAN)图像进行融合,得到具有高光谱和空间分辨率的图像。针对基于强度-色调-饱和度(intensity-hue-saturation, IHS)变换的融合后图像会出现光谱扭曲的问题,提出了一种结合改进的松鼠搜索算法和IHS变换的图像融合方法。首先,通过考虑融合后图像与原全色和多光谱图像之间的关系建立光谱保真和空间保真项,并引入边缘信息保持项,建立了优化目标。其次,为了克服松鼠搜索算法(squirrel search algorithm, SSA)的探索能力不足、可能导致过早收敛于局部最优的缺点,引入了自适应的捕食者存在概率策略和根据个体间距离自适应调整搜索步长的策略来平衡算法的探索和利用能力,并且引入了高斯算子和柯西算子来提高算法的局部搜索能力。最后,根据优化的控制参数,通过参数化自适应IHS变换重建目标图像。将该方法在QuickBird和IKONOS数据集上进行对比实验,结果表明方法是实用的,在保留空间信息的同时能减少光谱失真。     

基于IHS变换的遥感影像融合方法

为了解决遥感影像空间分辨率与光谱信息不能兼顾的问题,即全色影像具有较高的空间分辨率但缺乏光谱信息,多光谱影像光谱分辨率高,光谱信息丰富,但其空间分辨率低的问题,采用MATLAB实验工具,基于IHS原理对遥感影像数据进行融合处理,试验结果表明使用该融合方法显著提高了多光谱影像的空间分辨率,同时保留了丰富的光谱特征,提高影像的判读、识别、分类能力,融合后图像的信息量比原始图像有明显增加,而且图像的细节反差、纹理和清晰度得到较大的提高,融合图像质量明显改善.     

利用特征子空间评价与多分类器融合的高光谱图像分类

为应对高光谱图像分类中的特征高维度问题,提出一种基于多分类器融合的高光谱图像分类方法.利用高光谱数据相邻波段的高相关性,通过自适应子空间分解产生多个特征子空间,进而训练生成子分类器;利用ReliefF-S算法,对各特征子空间进行评价并生成各子分类器的权重,最终通过加权表决融合实现分类决策.实验表明,所提方法可有效规避高维特征问题并提升分类性能.     

基于小波变换的卫星遥感影像数据融合

遥感信息融合(Fusion)是遥感数据处理的重要内容之一。通过把高分辨率的全色影像与多光谱彩色低分辨率的数据叠加,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。首先概括了已有的遥感平台与数据,在给出小波分解基本模型的基础上,探讨了采用小波变换进行遥感信息融合的基本方法和实现流程。同时利用该方法,用于SPOT全色卫星影像数据和Landsat TM多光谱数据的融合处理。作为实际应用,给出了详细的小波信息融合结果,并证明了该方法是切实可行的。     

城市卫星遥感图像融合处理质量评价研究

常用的遥感融合方法常导致较严重的光谱畸变,为减少融合图像光谱特征的扭曲,提出三种新融合方法即合成变量比值法(SVR)、平滑滤波亮度调制法(SFIM)和Gram_Schimdt变换法(GS)。采用定量分析方法,分别对中等分辨率Landsat ETM+数据和高分辨率Quickbird数据的融合效果进行了评价。结果表明,不同方法具有不同的光谱保真度和空间信息融入度。同一种方法对于不同分辨率的遥感数据具有不同的融合效果。对中等分辨率Landsat ETM+数据,SFIM能产生较高的空间信息融入度和光谱保真度。利用中等分辨率Landsat ETM+数据进行融合处理时,SFIM优于合成SVR和GS;在高分辨率Quickbird数据的融合中,SVR能产生较高的空间信息融入度和光谱保真度。利用高分辨率Quickbird数据进行融合处理时,SVR则优于SFIM和GS。在中等分辨率Landsat ETM+数据、高分辨率Quickbird数据融合处理中,基于SFIM、SVR融合方法能分别获得较好的视觉效果,又能改善目视解译和遥感分类精度。     

Fusion of multispectral and panchromatic images using multirate filter banks

In this paper, an image fusion method based on the filter banks is proposed for merging a high-resolution panchromatic image and a low-resolution multispectral image. Firstly, the filter banks are designed to merge different signals with minimum distortion by using cosine modulation. Then, the filter banks-based image fusion is adopted to obtain a high-resolution multispectral image that combines the spectral characteristic of low-resolution data with the spatial resolution of the panchromatic image. Finally, two different experiments and corresponding performance analysis are presented. Experimental results indicate that the proposed approach outperforms the HIS transform, discrete wavelet transform and discrete wavelet frame.     

基于分数阶样条小波与IHS变换的图像融合

该文提出用分数阶样条小波和Intensity-Hue-Saturation（IHS）变换结合的方法进行高分辨率全色图像和低分辨率多光谱图像的融合。分数阶样条小波由于具有良好的分数阶逼近性能，在分解图像时可得到更多的细节，而IHS变换在处理图像时会扭曲光谱特性，通过两者的结合，可得到高分辨率、多光谱图像。将该方法和传统‘Daubechies3’小波与IHS变换相结合的方法比较，实验结果证明了分数阶样条小波更多地保留了高分辨率图像的空间特性和低分辨率图像的光谱特性。     

D-SS Frame: deep spectral-spatial feature extraction and fusion for classification of panchromatic and multispectral images

Facing the very high-resolution( VHR) image classification problem,a feature extraction and fusion framework is presented for VHR panchromatic and multispectral image classification based on deep learning techniques. The proposed approach combines spectral and spatial information based on the fusion of features extracted from panchromatic( PAN) and multispectral( MS) images using sparse autoencoder and its deep version. There are three steps in the proposed method,the first one is to extract spatial information of PAN image,and the second one is to describe spectral information of MS image. Finally,in the third step,the features obtained from PAN and MS images are concatenated directly as a simple fusion feature. The classification is performed using the support vector machine( SVM) and the experiments carried out on two datasets with very high spatial resolution. MS and PAN images from WorldView-2 satellite indicate that the classifier provides an efficient solution and demonstrate that the fusion of the features extracted by deep learning techniques from PAN and MS images performs better than that when these techniques are used separately. In addition,this framework shows that deep learning models can extract and fuse spatial and spectral information greatly,and have huge potential to achieve higher accuracy for classification of multispectral and panchromatic images.     

基于小波变换的快鸟遥感影像数据融合

在给出小波变换基本模型的基础上 ,探讨了采用小波正交分解与重构来进行遥感信息融合的基本原理 .快鸟影像数据是目前新的高分辨率卫星遥感数据产品 ,在分析该数据特点的基础上 ,考虑采用小波变换应用于快鸟高分辨率卫星影像数据全色和多光谱数据的融合 ,并给出了具体的数学模型和实现流程 .作为实际应用 ,又详细给出了小波用于遥感数据融合的中间过程和最后结果 ,并通过分析影像融合的效果 ,提出了有效的成果调整方法 ,且说明了该方法是切实有效的     

基于SPOT与ETM+影像融合方法的实验及融合质量评价

通过对SPOT影像全色波段和ETM+多光谱影像、ETM+全色波段和ETM+多光谱影像两组数据的实验,从定性、定量的角度对两种融合方法进行了分析和评价,归纳出适用于SPOT全色波段与ETM+多光谱影像和ETM+全色波段影像与ETM+多光谱影像的融合方法.     

一种基于非降采样Contourlet变换的遥感图像融合方法

给出了一种非降采样Contourlet变换和HIS变换相结合的遥感图像融合算法.非降采样Contourlet变换是一种平移不变的小波变换方法,且具有良好的方向选择性,其对图像做多分辨率分析得到的高频子带,有效地表达了图像中的细节特征信息.结合HIS变换,非降采样Contourlet变换将细节注入到多光谱图像得到的融合图像,不但具有较高的空间分辨率,而且有效保持了多光谱图像的光谱特征.实际的SPOT全色图像和TM多光谱波段融合结果表明,所提议方法的性能优于目前广泛使用的小波域方法如离散小波变换和A Trous小波变换以及Contourlet变换等融合方法.     

基于Contourlet和IHS的遥感图像融合

针对目前最新发展的Contourlet变换较小波变换能提供更丰富的方向和形状,有助于捕捉图像中的几何结构,提出了一种新的基于Contourlet变换和IHS(Intensity-Hue-Saturation)变换的遥感图像融合方法,首先对多频谱图像进行IHS变换,然后对所得的亮度分量和全色图像分别进行Contourlet变换,再对得到的低频近似系数和高频细节系数采用一定的融合规则得到一个新的亮度分量,并对其做逆向的IHS变换得到融合图像.实验结果表明,该方法在保留多频谱图像的频谱信息的同时增强了融合图像的空间细节表现能力,提高了融合图像的信息量,并且优于同等条件下的小波变换方法,该方法是有效可行的.     

遥感影像融合方法评价——以SPOT5自身融合为例

影像融合技术近年来快速发展,是遥感研究的热点.SPOT5影像广泛应用于各个部门,它提供了2.5 m的全色和10 m的多光谱影像.将二者融合可以在保持光谱信息的同时提高空间分辨率.本文采用了PC,Gram-Schmidt和Pansharp三种融合方法对SPOT5全色和多光谱影像进行融合.从主观视觉、客观定量、波谱曲线和空间变化曲线四个方面分析和评价了三种融合结果的质量.分析评价结果表明：Pansharp方法的融合效果最佳.该方法在提高多光谱影像分辨率的同时,较好的保留了多光谱影像的光谱信息.