顾及极化特征的SAR与光学影像融合与分类EI北大核心CSCD

全极化合成孔径雷达(SAR)具有丰富的极化信息,对地物识别具有显著优势,提出了一种顾及极化特征的SAR与中分光学影像融合的方法,对全极化SAR影像进行极化目标分解,采用改进的色度、饱和度、明度(HSV)变换方法融合极化特征波段与中分光学影像,并基于面向对象的方法对融合影像进行地物分类。结果表明,该融合方法优于传统单极化SAR与中分光学影像的HSV融合方法,能够有效利用全极化SAR的极化纹理信息。面向对象分类方法能够降低SAR对融合影像的斑点噪声影响,地物总体分类精度优于高分光学影像,且对于极化信息敏感的地物,其分类精度明显优于高分光学影像。     

基于空-谱约束的中餐馆过程混合模型高光谱图像聚类方法

高光谱图像分类是高光谱研究的重要内容,也是许多其他应用的前提。针对传统高光谱图像分类仅考虑光谱信息而忽略空间信息的问题,对距离依赖的中餐馆模型(distance dependent Chinese restaurant process, ddCRP)进行改进,提出一种基于空-谱约束的中餐馆过程混合模型(spatial-spectral Chinese restaurnt process, ssCRP)用于高光谱图像聚类。该模型充分考虑像素邻域的空间和光谱信息,并将其统一纳入模型的建模及求解过程中,得到一般基于像素的聚类方法无法实现的效果,可在一定程度上满足高光谱图像聚类分析的需求。首先,为利用高光谱图像的空间和光谱信息,定义基于像素空间距离和光谱角的指数衰变函数作为像素间相似性的度量。然后,在考虑像素相似性的基础上利用基于餐桌的构造形式为每个像素确定所在的餐桌。最后,对每张餐桌分配一道菜作为聚类类别,从而达到聚类的目的。利用航空可见-近红外成像光谱仪AVIRIS高光谱影像评估该模型性能,实验结果表明：ssCRP模型可较好地实现高光谱图像的自动聚类,与传统的K-means和ISODATA方法相比,该模型结果斑块规整,“椒盐效应”得到抑制,具有较高的空间一致性,分类精度高,其总体精度达到63.57%,Kappa系数为0.632 3,能很好反映真实地物分布。同时,分类结果的地物间边界清晰,能很好保持图像边缘。     

基于梯度一致性约束的多光谱/全色影像最大后验融合方法

多光谱/全色影像融合可以得到高空间分辨率的多光谱影像,在影像解译和分类等方面具有十分重要的意义。提出一种基于梯度一致性约束的遥感影像融合方法。该方法在最大后验概率框架下,通过梯度一致性约束建立理想高空间分辨率多光谱影像和全色影像之间的关系,并结合多光谱影像观测模型和Huber-Markov影像先验,构建融合目标函数,最后采用梯度下降法求解得到融合影像。本文方法在目标函数中引入了梯度一致性约束,克服了现有的同类方法受限于波段数量的缺陷,同时在求解中自适应确定每个波段的迭代步长,充分顾及了各波段的光谱特性,从而既确保了融合影像的光谱信息保真度,也提高了融合影像的空间信息融入度。通过IKONOS和WorldView-2影像对该方法进行了验证,并和GS,AIHS和AMBF等融合方法从定性和定量两方面进行了比较分析。实验结果表明,相比于其他方法,该方法可以在更好保持光谱信息的同时增强影像的空间分辨率,具有更广泛的适用范围和更佳的融合效果。     

结合机载LiDAR数据与航空可见光影像多层次规则分类建筑物变化检测

建议了一种结合Lidar点云与航空可见光影像的建筑物变化检测新方法,利用多层次规则分类算法解决这两种异元异构数据间建筑物变化检测难题。并建议了一种结合面积阈值的形态学后处理方法,从而形成一套完整的处理流程,可应用于实际生产。最终,利用中国吉林省长春市2010年机载LiDAR点云数据和2009年高分辨率航空影像对该方法的有效性进行了评价,通过与基于支持向量机(SVM)面向对象分类的建筑物变化检测算法比较,进一步对本研究建议的方法进行了验证与分析。结果显示,此方法效果理想,其精度优于基于SVM面向对象分类的建筑物变化检测方法。Kappa系数达到0.90,correctness达到0.87。     

顾及极化特征的SAR与光学影像融合与分类

全极化合成孔径雷达(SAR)具有丰富的极化信息,对地物识别具有显著优势,提出了一种顾及极化特征的SAR与中分光学影像融合的方法,对全极化SAR影像进行极化目标分解,采用改进的色度、饱和度、明度(HSV)变换方法融合极化特征波段与中分光学影像,并基于面向对象的方法对融合影像进行地物分类。结果表明,该融合方法优于传统单极化SAR与中分光学影像的HSV融合方法,能够有效利用全极化SAR的极化纹理信息。面向对象分类方法能够降低SAR对融合影像的斑点噪声影响,地物总体分类精度优于高分光学影像,且对于极化信息敏感的地物,其分类精度明显优于高分光学影像。     

融合加权均值滤波与流形重构保持嵌入的高光谱影像分类

高光谱影像中波段数过多易导致"维数灾难",而传统高光谱影像维数约简算法仅利用光谱特征而忽略了空间信息.针对上述问题,提出一种融合加权均值滤波与流形重构保持嵌入的维数约简算法.该方法利用影像中地物分布的空间一致性特点,对所有像素进行加权均值滤波,消除同类光谱差异性较大的像素影响,并在流形重构过程中增大空间近邻点的权重,提取出更为有效的鉴别特征,实现维数约简.在PaviaU和Urban高光谱数据集上的实验结果表明:相比于其它相关方法,该方法能获得更高的分类准确度,在分别随机选取5%和1%的训练样本情况下,其总体分类准确度分别提高到98.76%和80.21%.该方法在发现内在低维流形结构的同时,有效融入了影像中的空间信息,改善了分类性能.     

基于像素类别优化的PatchMatch立体匹配算法

基于PatchMatch(同时估计像素点的视差和法向量的3D标签)的方案已经在立体匹配中取得高精度的亚像素视差,但该类方法无法有效解决图像无纹理区域的错误匹配。针对这一问题,对LocalExp(local expansion move)算法进行了改进,并提出一种融合多维信息的自适应像素类别优化的立体匹配算法。该方法设计了一种交叉窗口,在窗口内基于颜色与颜色的自相关信息构建相关权重,并利用约束函数剔除匹配代价中的离群值;在PatchMatch的标签初始化阶段增加约束机制,改进视差标签的建议生成机制,并利用基于局部扩张运动的优化方法求解标签值;利用基于像素类别的填充策略进行视差优化。实验结果表明所提算法能够在Middlebury数据集上取得较低的匹配误差。     

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。     

结合纹理和空间特征的多光谱影像面向对象茶园提取

云南茶园主要分布于山区,往往与其他地物混合,破碎化程度高,给基于遥感的高精度茶园提取带来困难。破碎化山地茶园的遥感识别能力有待进一步提高。以西双版纳北部及普洱市南部山区为研究区,以高分一号(GF-1)遥感影像为数据源,基于易康(eCognition9.0)软件,采用多尺度分割(MRS)方法对影像进行分割,并通过ED3_Modified评估影像的最优分割尺度。首先构造了包括14个光谱特征、6个纹理特征和3个空间特征的23维初始特征,通过计算样本的分离度对分类特征空间进行优化,确定了16维最优特征空间。然后应用面向对象的监督分类方法[贝叶斯(Bayes)、决策树5.0(DT5.0)及随机森林(RF)]对研究区茶园进行提取。采用实地调查样点和随机点结合的方法对提取结果进行精度验证,并比较了不同分类方法的茶园提取精度。面向对象的监督分类[多分类（茶园、森林、农田、不透水层、水体）]结果的总体精度(OA)和Kappa系数分别为(Bayes: 87.73%, 0.70),(DT: 88.52%, 0.72),(RF: 91.23%, 0.78)。三种分类方法对茶园提取的生产者精度(PA)和使用者精度(UA)分别为(Bayes: 67.23%, 75.33%),(DT: 68.84%, 83.83%),(RF: 70.54%, 87.13%);相比于面向对象的RF多分类,面向对象RF二分类（茶园、其他地物）OA和Kappa系数分别提高了3.24%和0.07,茶园提取的PA与UA分别提高了5.99%和5.61%;相较于仅利用光谱特征的基于像元的RF多分类,面向对象的RF二分类OA与Kappa系数分别提高了23.32%和0.27,茶园提取PA与UA分别提高了21.10%和29.03%。结果表明：采用面向对象的监督分类方法在对茶园提取方面有应用潜力,尤其面向对象的RF分类精度更高,二分类相较于多分类对于茶园提取更为精细和准确。该方法对于复杂、破碎山地茶园提取精度较高,能够满足基于高空间分辨率多光谱影像的茶园精细化识别应用需求。     

一种利用地物散射特性进行后续类别调整的极化SAR影像分类方法

针对常规极化SAR影像监督分类在分类时由于极化信息利用不完全,导致分类结果不可信的缺陷,在分析地物极化散射特性的基础上,提出一种结合复Wishart分类器思想的极化SAR监督分类方法,在监督分类的基础上,利用几乎包含所有极化信息的相干矩阵进行后续分类,利用地物所有极化散射信息完成类别的划分。首先,利用Cloude&Pottier极化特征组合对影像进行监督分类,获得初始类别划分结果;为纠正监督分类时仅利用特征矢量的空间分布特性进行类别划分导致的错误,对监督分类结果精度评价及研究区地物散射相似性分析,综合确定初始分类结果中分类效果较差、待后续调整类别的像素集;然后以各类别的相干矩阵均值为初始聚类中心,利用核模糊C均值算法,结合相干矩阵的复Wishart分布特性,对待修正的像素集进行后续类别迭代调整,获得精细分类结果。采用国产X-SAR获取的海南陵水地区的全极化SAR影像进行分类试验,结果表明：提出的对极化SAR影像监督分类后利用地物散射特性相似性对错分像素重新进行聚类调整类别的方法,与仅进行监督分类相比,分类结果总体精度更高,也更满足地物的散射特性。     

基于亮度对比度传递的红外与可见光图像融合方法研究

基于亮度一对比度传递技术提出了一种红外和彩色可见光图像的融合方法,该算法通过对红外图像和可见光图像在HIS空间进行二次融合,保留了可见光图像的颜色特性,并获得一幅具有良好亮度和对比度效果的融合图像。实验结果表明该方法融合噪声小、细节缺失少、融合速度快。     

自适应参考图像的可见光与热红外彩色图像融合算法

可见光与红外热图像的彩色图像融合技术是现今国内外高性能夜视技术发展的重要方向之一,该技术有效提高了人们对目标的探测和场景理解能力。目前常用的色彩传递算法多属于基于单幅参考图像的全局色彩传递算法,彩色融合图像的色调受到参考图像的影响较大,在实际应用中难以保证对各类场景的适应性。针对常规YUV空间色彩传递彩色图像融合算法的环境适应性问题,通过对植物、城镇和海天三类典型场景的分类与统计,发现了典型场景在UV通道的均值和标准差具有的较为明显的分类特性,由此提出了一种基于UV通道均值和标准差的自适应参考图像构造方法,使得可见光与热红外彩色图像融合算法具有较常规算法更好的环境适应性,融合图像的色彩具有较好的自然感,且算法处理量较小,对现有实时硬件融合处理算法的运算速度影响不大,是一种环境适应性强的自然感彩色融合处理算法。     

基于优势特征图像融合的水下光学图像增强

针对水下光学图像颜色失真、非均匀光照、对比度低的问题,提出基于优势特征图像融合的水下光学图像增强算法.首先,提出改进的暗通道先验算法去除退化图像中的不均匀浑浊并均衡色彩;其次,对颜色校正图像分别使用基于加权分布的自适应伽玛校正算法和限制对比度自适应直方图均衡-同态滤波算法,增强颜色校正图像对比度并使其亮度均衡;最后,定义三幅融合图像即颜色校正图像、亮度均衡图像、对比度增强图像的关联权重图,通过多尺度融合算法获得融合图像.与单一预处理算法只能解决对应的退化现象相比,该算法对单幅退化图像进行多算法处理,得到三幅优势特征图像,通过不同权重的组合最大程度地将各优势特征相结合,得到的综合效果远超各单一算法优化效果,不再局限于解决颜色失真等单一问题.将本文算法与现有算法在主观评价和客观评价两方面进行实验对比,结果表明,该算法可以有效平衡水下图像的色度、饱和度及清晰度,视觉效果接近自然场景下的图像.     

基于植被特征库的高光谱植被精细分类

目前,高光谱数据精细分类面临两方面问题：一方面,传统单纯利用光谱信息的分类往往难以满足各应用行业对精度的需求,另一方面,基于像元的分类结果受制于椒盐噪声,影响其有效应用。为此,提出了一种基于植被特征库构建与优化的高光谱植被精细分类策略。首先,从高光谱影像中的原始光谱特征出发,结合灰度共生矩阵和局域指示空间分析两类纹理特征,并有针对性地加入了对植被叶绿素、胡萝卜素、花青素和氮素叶面积指数等理化参量敏感的光谱指数特征,构建了完备的植被特征库,以提高植被类别间的可分性;进而对植被特征库进行光谱维优化,提出了基于类对可分性的光谱维优化算法,选择对各类对具有最高识别能力的特征波段,通过迭代使各类别间均达到较高的区分度,并利用最优索引因子法进一步降低数据冗余,以提高分类效率;在进行植被特征库空间维优化时,主要基于地物分布通常具有一定的空间连续性这一理论,提出了基于邻域光谱角距离的植被特征库空间维优化算法,以去除分类结果中的椒盐噪声,提高分类精度和分类图像平滑度。基于航空高光谱数据的植被精细分类验证表明,该方法可以显著提高分类精度,在作物品种识别、精准农业等方面将具有广泛的应用前景。     

A Noisy SAR Image Fusion Method Based on NLM and GAN

The unavoidable noise often present in synthetic aperture radar (SAR) images, such as speckle noise, negatively impacts the subsequent processing of SAR images. Further, it is not easy to find an appropriate application for SAR images, given that the human visual system is sensitive to color and SAR images are gray. As a result, a noisy SAR image fusion method based on nonlocal matching and generative adversarial networks is presented in this paper. A nonlocal matching method is applied to processing source images into similar block groups in the pre-processing step. Then, adversarial networks are employed to generate a final noise-free fused SAR image block, where the generator aims to generate a noise-free SAR image block with color information, and the discriminator tries to increase the spatial resolution of the generated image block. This step ensures that the fused image block contains high resolution and color information at the same time. Finally, a fused image can be obtained by aggregating all the image blocks. By extensive comparative experiments on the SEN1–2 datasets and source images, it can be found that the proposed method not only has better fusion results but is also robust to image noise, indicating the superiority of the proposed noisy SAR image fusion method over the state-of-the-art methods.     

红外和彩色可见光图像亮度-对比度传递融合算法

以红外和彩色可见光图像为研究对象,提出了一种基于亮度-对比度传递（LCT）技术的彩色图像融合算法。首先借助灰度融合方法将红外图像与彩色可见光图像亮度分量融合,然后用LCT技术改善灰度融合结果的亮度和对比度,最后利用快速YCBCR变换融合策略在RGB空间内直接生成彩色融合图像。文中利用像素平均融合法和多分辨率融合法作为不同的灰度融合措施以分别满足高实时性和高融合质量的需求。实验结果表明,提出算法的融合结果不仅具有与输入彩色可见光图像相近的自然色彩,而且具备令人满意的亮度和对比度,即使采用运算简单的像素平均法进行灰度融合,同样可以获得良好的融合效果。     

一种双通道夜视图像彩色融合系统

提出了一种双通道夜视图像的彩色融合系统。利用Matrox Meteor-Ⅱ多通道图像采集卡获取双通道微光与红外视频图像．通过仿MIT,BIT．TNO．线性组合和混合结构等图像融合结构实现微光／微光和微光／红外图像的彩色融合处理。系统彩色图像融合处理是在VC++6．0环境下运用采集卡图像函数库实现的。建立的实验平台为彩色夜视融合算法的评价和进一步的研究奠定了基础。     

基于颜色迁移和聚类分割的偏振图像融合方法

为克服当前偏振图像融合方法存在的不足,提出了一种基于颜色迁移和聚类分割的偏振图像近自然彩色融合方法.该方法首先将偏振参量图像映射到HSI颜色空间,再得到初步的融合图像后将它变换到YIQ颜色空间,并采用颜色迁移技术对其进行颜色修正.通过将修正后的图像变换到HSI颜色空间,并利用对线偏振度图像进行模糊C-均值聚类分割的结果...     

多尺度无监督彩色图像分割

非采样Contourlet变换是一种新的多尺度多分辨率分析工具.本文提出了一种基于非采样Contourlet变换的彩色图像无监督分割算法.首先利用非采样Contourlet变换的平移不变性在其变换域应用梯度向量法提取图像多尺度边缘|然后在Contourlet变换域的低频子带和高频子带中分别提取局部低频能量纹理特征与高频多尺度Zernike矩纹理特征,并将二种纹理特征融合.最后在边缘图像中映射种子像素点,利用纹理和颜色特征欧氏距离,对彩色图像采用区域生长和区域合并的方法进行分割.实验结果证明:该算法将图像空间域的颜色特征与非采样Contourlet变换域的多尺度边缘和纹理特征恰当结合在一起实现彩色图像无监督自动分割,与传统算法相比有更高的准确性和鲁棒性.     

一种基于双分支改良编解码器的图像去噪算法

针对传统图像去噪算法多噪声去除难，深层卷积神经网络去噪模型网络复杂、训练时间长等问题，提出一种基于自编码器结构的双分支改良编解码网络，实现高效图像去噪。双分支结构之一采用降-升采样实现点噪声消除，另一分支专注于宏观的图像修复和伪像去除，后端利用残差结构进行整合，实现数字图像混合噪声去噪。实验结果显示:对于含有标准差为15，均值为0的高斯噪声、噪声密度为5%的椒盐噪声和散粒噪声的混合噪声图像测试集，实验去噪效果相较于输入混合噪声图像峰值信噪比，平均提升了5.3%。与12层全卷积神经网络相比，去噪效果相当，训练速度提升了25.4%，体现了其“轻量级”的优点。实验表明:该方法相较于深层卷积神经网络，训练速度快，网络简单；相较于传统图像去噪算法，噪声去除效果也较为明显。该算法可应用于轻量级视觉平台后端去噪。