一种基于模糊积分的图像最优融合方法

为极大保留多光谱、高分辨率遥感影像融合时的光谱信息和空间分辨率信息,提出一种基于模糊积分的图像最优融合方法。综合光谱信息和空间分辨率2个单因素指标,在IHS（Intensity Hue Saturation）空间,对强度分量,的高频部分利用多分辨率小波融合方法进行影像的高频细节特征融合,低频部分选取光谱信息和空间分辨率评价指标作为融合权系数求优指标,进行像素级最优融合,实验结果证明本方法是有效的。     

改进的阈值加权平均HSV与小波变换图像融合

为提高图像的空间分辨率、增加图像的细节信息,改善HSV融合和小波融合中存在的光谱失真、原SAR与ETM图像的纹理特征保持不良等现象.提出一种改进加权平均法的HSV与小波变换融合方法.将ETM图像转换到HSV彩色空间,得到亮度分量V.将高分辨率的SAR图像与该分量进行小波分解,得到高低频信息,将低频信息按照提出的改进的加权平均法进行融合,高频信息按照绝对值最大法进行融合,得到新的亮度分量,再通过HSV逆变换得到新的融合图像.实验采用3 m分辨率的Cosmo-Sky Med图像和30 m分辨率的Landsat8图像进行实验.研究结果表明:该融合方法能够提高图像空间分辨率,在地物细节和光谱特征方面保持良好.     

多源遥感数据融合方法探讨

研究了基于IHS变换和多分辨率小波分析的叠加融合方法，并提出了改进的叠加融合方法，其基本做法是保持多光谱(低空间分辨率)遥感影像I分量小波分解后的低频信息不变，将高空间分辨率遥感影像小波分解后的高频信息叠加到多光谱I分量小波分解后的高频信息上，而后对叠加后的I分量进行小波逆变换得到I’，最后对I’HS进行IHS逆变换得到融合后的多光谱影像。融合实验结果证明，改进后的叠加融合方法不仅提高了多光谱影像的空间分辨率，而且在保持多光谱影像的光谱特性等方面相对于改进前具有更大的优越性。     

基于小波稀疏基的压缩感知遥感图像融合算法

针对遥感图像融合提出了一种基于小波稀疏基的压缩感知算法,该算法利用IHS变换法得到的高空间分辨率融合图像有尖锐边缘及小波变换能较好的保持光谱信息的优势,将多光谱图像的I分量和全色图像进行小波变换;根据其高低频分量的特点,对其低频分量采用小波稀疏基的系数加权融合法,高频分量采用边缘提取法分别进行融合,最后进行小波逆变换和IHS逆变换得到最终融合结果。实验结果表明,不同的小波稀疏基系数对融合结果有较大的影响,且所选算法的融合效果优于系数最大值法及传统融合方法。     

非下采样Contourlet变换耦合锐度制约的遥感图像融合

当前多数遥感图像融合算法主要是依靠比值法选取全色图像或多光谱图像中的其中一个高频子带作为高频融合系数,忽略了另一个高频系数所包含的信息,易导致融合图像出现模糊以及光谱失真等不足.对此,本文提出了基于非下采样Contourlet变换与锐度制约模型的遥感图像融合算法.通过亮度-色调-饱和度(IHS)变换,获取多光谱图像的I,H,S分量,利用非下采样Contourlet变换对多光谱图像的I分量以及全色图像进行多尺度精细分解,得到相应的低频子带与高频子带;利用像素点邻域的像素值之差构造锐度制约模型,完成低频子带的融合.考虑多光谱图像中I分量与全色图像的高频子带特征,构造高频子带融合模型,完成高频子带的融合;将融合后的高频子带与低频子带通过非下采样Contourlet逆变换,输出融合图像的亮度分量珔I,将珔I与H,S分量进行IHS逆变换,形成最终的融合图像.仿真实验显示,与当前遥感图像融合方法相比,所提方法的融合图像具有更高的视觉质量,可保留更多的光谱以及边缘等图像细节信息.     

一种基于HSI和小波变换的遥感图像融合方法

在对同一地区低分辨率的多光谱图像与高分辨率的全色图像的融合中,单独采用传统的HSI(hue-saturation-intensity)图像融合方法会出现颜色失真问题和传统的小波融合中存在分块模糊现象.为了改进融合效果,本文提出了一种新的融合方法,将HSI和小波变换进行有机结合,首先通过HSI变换获得多光谱图像的亮度成分,采用改进的基于主分量分析方法的融合规则将它与全色图像进行小波融合,得到新的亮度分量.将新的亮度分量进行增强处理后,进行HSI逆变换获得最终融合图像.实验结果证明,该方法不但提高了融合图像的空间分辨率,突出了目标的特征信息,而且更好地保留了原有多光谱图像的光谱性质.     

基于卷积神经网络超分辨率重建的遥感图像融合

为了充分利用多光谱图像的空间信息,获得更好的融合结果,本文提出一种基于卷积神经网络(convolutional neural network,CNN)超分辨率重建的遥感图像融合方法。该方法首先对多光谱图像作IHS变换,选取亮度分量I进行基于卷积神经网络的超分辨率重建(super-resolution convolutional neural network,SRCNN),增加扩展后图像的空间细节信息;然后对重建过后的多光谱图像的亮度分量I和全色图像进行基于小波变换的融合,融合规则为绝对值最大,改变传统算法中融合图像的高频分量全部来源于全色图像的情形;最后逆IHS变换得到分辨率较高的多光谱图像。实验结果表明,该算法的融合效果优于其他对比算法,能有效地降低图像融合过程中空间信息和光谱信息的损失。     

基于1αβ空间和抗混叠Contourlet变换的遥感图像融合算法

针对遥感图像中多光谱和全色图像的融合问题,提出一种基于lαβ空间和抗混叠Contourlet变换(non-aliasingcontourlet transform,NACT)的融合方法.该方法首先将多光谱图像进行lαβ变换,对其l分量和全色图像分别进行抗混叠Contourlet变换;然后,利用循环平移(cycle spinning,CS)算法消除由于变换缺乏平移不变性而引起的图像失真,对得到的低频子带系数和各带通方向子带系数分别进行融合;最后,通过抗混叠Contourlet逆变换和lαβ逆变换得到新的l分量以及融合后的高空间分辨率的多光谱图像.实验结果表明,该算法优于传统的色度-亮度-饱和度(hue-intensity-saturation,HIS)变换融合方法、小波融合方法以及Contourlet变换方法.     

基于lαβ空间和抗混叠Contourlet变换的遥感图像融合算法

针对遥感图像中多光谱和全色图像的融合问题,提出一种基于lαβ空间和抗混叠Contourlet变换(non aliasingcontourlettransform,NACT)的融合方法.该方法首先将多光谱图像进行lαβ变换,对其l分量和全色图像分别进行抗混叠Contourlet变换;然后,利用循环平移(cyclespinning,CS)算法消除由于变换缺乏平移不变性而引起的图像失真,对得到的低频子带系数和各带通方向子带系数分别进行融合;最后,通过抗混叠Contourlet逆变换和lαβ逆变换得到新的l分量以及融合后的高空间分辨率的多光谱图像.实验结果表明,该算法优于传统的色度 亮度 饱和度(hue intensity saturation,HIS)变换融合方法、小波融合方法以及Contourlet变换方法     

一种基于模糊集和小波变换的图像融合方法

提出了一种基于小波变换和模糊集的图像融合算法 .其基本思想是 :首先对图像进行小波变换 ,获得图像的低频和高频分量 ;随后在融合过程中 ,对低频和高频分量采取不同的融合策略 ,即对低频分量采用平均能量法进行融合 ,对高频成分利用图像的模糊集 ,寻求一个模糊隶属函数作为融合算子进行融合 ;最后再对融合后的图像进行小波反变换 ,重构出融合后的图像 .实验结果证明了方法的有效性 .     

基于小波变换与LBP算子的遥感图像融合研究

提出一种新的基于小波变换与LBP算子相结合的遥感图像融合算法.该算法在源图像小波变换的高频子带内,利用局部LBP算子极大的方法得到小波重构高频系数,而低频系数则利用源图像小波分解后低频子带系数的非线性加权得到.然后由此高频和低频系数进行小波重构得到融合图像.实验采用可见光图像与SAR图像融合,结果表明这种方法可以很好地在保留源图像各自信息的同时融合源图像的细节信息,并且能够有效抑制源图像中孤立噪声点.     

OPTFR多小波在红外／可见光图像融合中的应用研究

针对OPTFR(Optimum Time-Frequency Resolution,最优时频分辨)多小波,设计了一种平衡滤波器,将其应用于红外和可见光图像融合.对红外图像和可见光图像分别进行三层OPTFR多小波变换,提取两幅图像的低频分量和不同尺度的高频分量.由于图像的大部分能量集中在低频分量上,而不同尺度上的高频分量反映了图像在不同尺度上的细节信息,所以在对源图像融合时,对低频分量和高频分量分别采用能量和方差的加权平均进行融合,对这些融合后的分量进行重构,得到融合图像.仿真结果表明:和以往的融合算法相比,该算法强化了源图像的细节信息,提高了融合效果.     

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.     

基于小波变换的双匹配度图像融合算法

在研究图像融合基本方法的基础上,提出了一种基于小波变换的双匹配度并结合方向与区域能量的图像融合算法.对低频分量采用双匹配度的融合策略,对高频分量采用结合区域能量的带有方向性的加权算法.实验表明,图像融合算法使得低频部分的内容更详尽,而高频部分保留了有效的细节和边缘信息,最终使图像的清晰度更高.     

基于边缘检测和小波变换的遥感图像融合算法

针对多光谱图像和全色图像的特点,提出一种边缘检测和小波变换相结合的遥感图像融合方法。该方法在传统图像小波变换的基础上,选择Canny算子对图像进行边缘检测。在小波域中,在各个尺度层对高频子带采用边缘检测,将边缘点完整保留,低频子带利用加权法,再进行小波逆变换重构融合图像。实验结果显示,该方法在保证光谱信息的同时,能有效地突出边缘细节,更好地保持图像的空间分辨力。与传统小波变换法遥感图像融合相比,信息熵提高了6.63%,清晰度提高了32%,相关系数提高了0.36%。     

基于小波分解的图像融合

本文根据基于小波变换的图像融合框架,首先对原始图像进行多层小波分解,获取各自的近似低频和细节高频分量,并生成模图像簇Mj（x,y）和相角图像簇Aj（x,y）（j为尺度数）。针对图像的小波系数融合时,对于近似低频分量融合,利用线性计算来获取;对于细节高频分量的融合,首先在各阶模图像中寻找沿相角方向的模的局部极大值点．生成可能的边缘图像。为保持图像细节,生成边缘图时同时保留所有的局部极大值点,除局部极大值以外其他象素均标记为零。利用边缘匹配原则,得到后选边缘点的图。利用边缘匹配原则,得到后选边缘并对其进行边缘点连接。这样不但得到了重要的边缘点,也几乎全部的去掉了噪声。高频细节分量中边缘点的融合。利用线性加权计算来得到,其它的细节高频分量的小波系数利用常用的融合规则来计算。大量的图像融合试验表明,本论文提出的方法较好的对融合了图像的不同源图像的细节特征,较好的保留了不同源图像的边缘．线．区域边界等高频细节信息,取得了良好的实验效果。     

基于小波能量加权的医学图像融合新算法

目前的大多数基于小波变换的医学图像融合算法,由于没有细致考虑低频分量融合规则以及高频分量邻域特征对于融合效果的重要性,因而得到的融合效果有时并不理想.现提出一种小波域按邻域加窗能量加权的融合准则,该准则根据人体颅部18F-FDG和MRI-T1图像的特点,充分考虑到了低频分量和高频分量邻域特征,对原图像高、低频小波系数分别选用具有不同物理意义的窗矩阵进行邻域加窗能量计算,以归一化加窗能量为权值对各小波系数进行加权,得到融合小波系数,经过小波反变换重构出融合图像.实验证明,采用提出的融合算法得到的融合图像很好地包含了源图像的信息,该算法在医学图像融合应用中比传统的小波系数取大算法、加权平均算法及按邻域方差加权算法效果更好.     

基于传感器光谱特性与分类的遥感图像融合

为了提高多光谱图像和全色图像的融合质量,提出了一种基于广义亮度色度饱合度(IHS)变换与分类思想相结合的遥感图像融合算法.在充分考虑各波段传感器的相对光谱响应的基础上,在强度分量的构造和空间细节信息的注入方面进行了改进.改进后的方法首先对图像进行分类,然后采用高斯概率密度函数对分类构造后的影像进行加权融合,有效地改善了...     

基于Curvelet和改进区域方差的遥感图像融合

为了同时提高多光谱图像与全色图像融合的空间分辨率和保留较好的图像光谱性,文章提出了一种基于Curvelet变换的图像融合新方法。首先对多光谱图像进行HIS变换,获得亮度I分量,对全色图像和亮度分量I进行直方图匹配,再对I分量进行平滑滤波;然后对全色图像与I分量进行Curvelet分解,分别得到低频与高频系数,对低频子带系数的融合规则采用改进的区域方差加权分析法,对高频子带系数采用拉普拉斯能量和算子结合改进的加权平均的融合规则;最后进行Curvelet逆变换和HIS逆变换得到融合图像。仿真实验得到了较好的客观评价数据和视觉效果。     

基于小波支持向量回归的遥感多光谱图像分辨率增强算法

利用小波支持向量回归,实现了遥感多光谱图像分辨率的增强。首先采用非下采样Contourlet变换对低分辨率的多光谱图像和高分辨率的全色图像进行多分辨率分解,再利用小波支持向量回归对分解系数进行学习和预测,获得分辨率初步提高的多光谱图像,最后再与传统的插值方法得到的结果进行融合来实现多光谱图像分辨率增强。实验结果表明:此方法借遥感全色图像的辅助获得丰富的高频细节信息,使得分辨率增强结果无论是最小均方误差还是峰值信噪比都要优于仅依靠原图像本身放大的传统方法以及其他的分辨率增强方法。