基于Shearlet变换和KPCA的多时相遥感图像变化检测

为了进一步提高多时相遥感图像变化检测的精度,本文提出了一种将Shearlet变换与核主成分分析(kernel principal component analysis,KPCA)相结合用于遥感图像变化检测的算法.首先利用Shearlet变换的多尺度、多方向和各向异性等特点,对遥感图像进行多尺度分解,然后对分解后的数据进行核主成分分析,再进行Shearlet反变换得到含变化信息的图像,最后对该图像利用模糊局部信息C均值(fuzzy local information c-means,FLICM)聚类算法进行分割,实现遥感图像的变化检测.大量试验结果表明,与基于主成分分析(principal component analysis,PCA)、基于KPCA、基于小波变换和PCA 3种变化检测算法相比,本文算法能有效地分离出变化信息,得到更准确的变化检测图像,具有更高的变化检测精度,且对背景有较强的鲁棒性,同时也减少了计算复杂度.     

利用双树复小波变换和SURF的图像配准算法

为了进一步提高图像配准的运算效率、匹配正确率及配准精度,提出了一种利用双树复小波变换和加速鲁棒特征（speeded up robust features, SURF）的图像配准算法。首先利用双树复小波变换将参考图像和待配准图像分解为低频部分和高频部分,选取其对应的低频部分作为SURF算法的输入图像,得到两者的粗匹配结果;然后通过随机抽样一致（random sample consensus, RANSAC）算法对粗匹配点对进行提纯,剔除误匹配点对,解决了SURF算法存在较多错误匹配点对的问题,同时计算出最佳匹配的变换模型参数;最后根据该变换模型参数对待配准图像进行几何变换,经双线性插值确定灰度,完成图像的配准。大量实验结果表明,与尺度不变特征变换（scale invariant feature transform, SIFT）算法和SURF算法相比,所提算法的运算速度更快,匹配正确率和配准精度更高,同时在抗噪声、抗旋转及抗亮度变化性能方面更加优越。