基于方向金字塔框架变换的遥感图像融合算法

为了综合利用多光谱遥感图像与全色遥感图像之间的互补信息,提出了一种方向金字塔框架变换(SPFT),并基于此变换提出了一种遥感图像融合算法。具体融合过程是将多光谱图像的每个波段分别与高分辨力全色图像进行融合,首先将高分辨力全色图像与多光谱图像的待融合波段进行直方图匹配,然后对该波段图像以及直方图匹配后的高分辨力全色图像分别进行方向金字塔框架变换分解,融合过程就是对两图像方向金字塔框架变换分解后的系数进行组合,最后对组合后的系数进行方向金字塔框架逆变换即可得到该波段图像与高分辨力全色图像的融合图像。实验结果表明该算法在性能上优于基于亮度-色调-饱和度(1HS)的彩色空间变换以及基于离散小波框架变换(DWFT)的遥感图像融合方法,尤其对源图像之间存在配准误差的情况。     

基于双正交小波变换耦合区域梯度特征的遥感图像融合算法

当前较多遥感图像融合算法是利用主成分分析方法来完成遥感图像的融合,由于主成分分析方法融合后的图像会产生光谱畸变,易导致所融合图像存在光谱失真的问题。对此,设计了一种采用双正交小波变换耦合区域梯度特征的遥感图像融合算法。对多光谱图像进行色调-饱和度-亮度变换,以获取多光谱图像的亮度分量,引入双正交小波变换将该亮度分量与全色图像进行小波域分解,以获取图像的低频与高频子带;通过低频子带中像素点的区域梯度特征构造均值梯度模型,用于求取低频子带融合系数,利用高频子带中像素点对应的区域方差构造相似度因子,用于求取高频子带融合系数;通过色调-饱和度-亮度与双正交小波的逆变换获取所融合遥感图像。仿真实验结果显示,所设计方法与当前遥感图像融合方法相比,融合的遥感图像具有更好的视觉效果。     

基于1+2维小波变换的多光谱图像压缩

提出利用1+2维小波变换技术对多光谱遥感图像进行近无损压缩.使用嵌入式块截断算法压缩谱内图像;谱间变换使用短滤波器进行1维小波变换,去除多光谱图像的谱间冗余.实验证明,加入谱间的1维变换比不加入变换,而仅仅对每个波段图像进行压缩的压缩比提高20%.整个算法是嵌入式的,复杂度适中.编码的比特流具有渐进式特性,可以过渡为高压缩比的有损压缩.     

基于成像系统物理特性的多光谱图像与全色波段图像融合

提出了一种基于成像系统物理特性的多光谱图像与全色波段图像融合算法。该算法采用àtrous小波变换提取全色波段图像的空间细节信息,并将提取的空间信息按照一定的注入模型调整后添加到各波段多光谱图像中去,得到具有高空间分辨力的多光谱图像。注入模型充分考虑了各波段成像传感器的相对光谱响应函数、地表物体对各波段的光谱反射率以及各波段的辐射调整系数等成像系统的物理特性,使融合后的多光谱图像在显著提高空间质量的同时,最大可能地保留了原始多光谱图像的光谱特性。对IKONOS卫星遥感影像的融合实验结果表明,该算法在光谱保留和空间质量提高方面较其它基于小波变换的融合算法都具有更高的性能。     

小波包变换与遥感图像融合

探讨了遥感多光谱与全色波段图像的融合问题.分析了多光谱与全色波段成像机理,提出了一种基于小波包变换的遥感图像融合方法,实验结果表明,该方法可有效综合多光谱与全色波段图像的优点,从而获得具有较高空间分辨率的多谱图像.     

基于非采样Contourlet变换的遥感图像融合算法

为了使融合后的多光谱图像在尽可能保持原始多光谱图像光谱特性的同时,显著提高空间分辨力,提出了一种基于非采样Contourlet变换(NSCT)的遥感图像融合算法。算法首先对全色波段图像进行非采样Contourlet变换,得到全色波段图像的低频子带系数和各带通方向子带系数;然后针对多光谱图像的每一个波段,将其进行双线性插值后作为融合后多光谱图像的低频子带系数,对全色波段图像的各带通方向子带系数采用基于成像系统物理特性的注入模型(调整系数)进行局部调整后,作为融合后多光谱图像的各带通方向子带系数,从而得到融合后多光谱图像的非采样Contourlet变换系数;最后再经非采样Contourlet逆变换得到该波段具有高空间分辨力的多光谱图像。采用IKONOS卫星遥感图像进行了仿真实验,实验结果表明,该算法在光谱保留和空间质量提高方面优于其它传统的遥感图像融合算法。     

基于网格编码量化的超光谱图像压缩

提出了一个基于小波网格编码量化的超光谱图像压缩方法。谱间和空间冗余处理构成了超光谱图像压缩算法的主要内容,该算法使用一个谱间差分预测步骤来去除谱间冗余,而后对预测残差图像进行小波变换并利用均匀阈值网格编码量化(trellis-coded quantization)方法来量化各小波子带,最后使用自适应算术编码对量化码字进行熵编码。为使编码器能为所有子带获取率-失真意义上最优的量化阈值,设计了一个基于子带统计特性和网格编码量化器率-失真特性的比特分配算法。在实验中,该算法表现出优良的压缩性能,对于实验的超光谱图像,该方法在压缩比为32时可得到37．1dB的峰值信噪比,这表明本算法能有效压缩超光谱图像,适于超光谱图像压缩应用。     

高光谱遥感图像的小波去噪方法

高光谱遥感图像是由二维空间信息和一维光谱信息组成的三维数据。普通的去噪方式通常是分别对空间信息或光谱信息进行去噪,其主要缺点是忽视了高光谱图像强烈的谱间相关性和图谱合一的特点。针对这些特点,文章提出一种基于小波变换的高光谱遥感图像去噪方法。该方法对各波段高光谱图像逐一进行二维小波变换,根据含噪声大的波段与噪声小的波段的波长关系,对小噪声波段的高频系数加权求和,代替噪声大的波段的高频系数,通过小波逆变换得到去噪后的重构图像。该方法运算速度快,能有效地降低噪声。对机载可见红外成像光谱仪数据(AVIRIS)实验表明,与经典的BayesShrink图像去噪方法相比,方法重构图像的信噪比(SNR)高出3.8～10.6 db,节省运算时间一半以上。     

基于提升方案的多光谱遥感图像有损压缩算法

在分析多光谱遥感图像谱间和空间数据特点的基础上,提出了一种DPCM线性预测与基于提升方案的整数小波变换相结合的多光谱遥感图像有损压缩算法。在谱间采用DPCM预测去除谱间相关性;在谱内采用整数小波变换去除空间相关性,根据不同子带对目标识别的重要程度,选择不同的量化阈值和量化步长进行量化,并分别对各个子带量化后的数据和重要图表采用固定比特平面编码和游程编码,实现高效的多光谱遥感图像压缩。实验结果表明,该算法在一定的压缩比下,重构图像具有较高的峰值信噪比,并且算法硬件实现简单,对内存的需求低。     

基于谱间和帧内差分脉冲编码调制的超光谱图像无损压缩

以超光谱遥感图像为研究对象,分析了干涉成像光谱仪获取图像的谱间和空间相关性,提出一种三维差分脉冲编码调制（ DPCM）无损压缩方案。首先进行了谱间DPCM预测;然后,对残差图像进行帧内DPCM预测;最后,对差分码流进行二值自适应算术编码。实验表明,该算法可实现无损压缩,压缩比平均可达1.662,较二维整数小波变换算法提高了15.6％,且算法复杂度较低,仅有加减和移位运算,易于硬件实现。     

冬小麦叶面积指数遥感反演方法比较研究

叶面积指数(leaf area index, LAI)是反映作物生长状况和进行产量预测预报的主要指标之一,对诊断作物生长状况具有重要意义。遥感技术为大面积、快速监测植被LAI提供了有效途径。利用高光谱遥感影像,结合田间同步实验数据,探讨不同方法对冬小麦叶面积指数遥感反演的能力。介绍了支持向量机、离散小波变换、连续小波变换和主成分分析四种LAI反演方法。分别利用上述四种方法构建冬小麦LAI反演模型,并对不同算法反演的LAI模型进行了真实性检验。结果显示,支持向量机非线性回归模型精度最高,对冬小麦LAI估算能力最强,反演值与实测值拟合的决定系数为0.823 4、均方根误差为0.419 5。离散小波变换法和主成分分析法都是基于特征提取和数据降维,其多元变量回归分析对LAI估算能力相近,决定系数分别为0.697 1和0.692 4,均方根误差分别为0.605 8和0.554 1。连续小波变换法回归模型精度最低,不适宜直接用其小波系数来反演LAI。结果表明,非线性支持向量机模型最适宜用于研究区域的冬小麦LAI反演。     

基于可见光的多波段偏振图像融合新算法

采用了一种新的基于小波变换的偏振图像融合算法.首先,将两个波段中的每一波段三幅偏振图像利用小波变换分解成低频和高频部分,低频的小波系数平均值作为融合后的低频系数,高频细节系数根据不同区域特征选择方法以及对应输入图像小波系数的窗口区域方差来确定融合后高频小波系数,得到一个波段一幅图像.接着,将得到的图像再进行小波分解,采用低频图像的小波系数最小值作为融合后的低频系数,高频图像根据纹理一致性测度的纹理检测确定融合规则,用来调整高频小波系数,将来自不同图像的特征与细节融合在一起,并对融合图像质量进行了对比评价.实验结果表明,融合后的偏振图像不仅反映了场景的偏振信息,而且还包含了丰富的光谱信息,目标与背景的衬比度也得到了增强,为进一步的目标检测和识别提供了便利.     

An improved-SFIM fusion method based on the calibration process

The fusion of multispectral/hyperspectral image (MSI/HSI) and panchromatic image (PI) is a crucial and useful issue. Among the different fusion methods, smoothing-filter-based intensity modulation (SFIM) fusion technique is a simple yet effective model. It is proposed based on a simplified solar radiation and land surface reflection model. However, the calibration process, which is important in the remote sensing, is neglected. Meanwhile, in the fusion model, instead of using the accurate radiance value, the digital number (DN) value of optical image is improperly used. It caused the distortion of color in the fused images. Therefore, in the letter, we propose an improved-SFIM (ISFIM) by exploiting the calibration process. In the model, the range of DN values of the fused data are properly constrained in the calibration process. Experiments on the MSI and HSI are presented along with the fusion results obtained by discrete wavelet transform, Gram–Schmidt transform, original SFIM techniques and the proposed ISFIM. The results illustrate that, the ISFIM behaves better both in visual analysis and objective indices than existing methods.     

A united optimum images fusion based on analysis of color distortion

In remote sensing community, IHS (intensity, hue, and saturation) transform is one of the most commonly used fusion algorithm. A study on IHS fusion indicates that the color distortion cannot be avoided.Meanwhile, wavelet decomposition has a property of frequency division in transform domain. And the statistical property of wavelet coefficient reflects those significant features. So, a united optimal fusion method, which using the statistical property of wavelet decomposition and IHS transform on pixel and feature levels, is proposed. That is, the high frequency of intensity component I is fused on feature level with multi-resolution wavelet in IHS space, and the low frequency of intensity component I is fused on pixel level with optimal weight coefficients. Spectral information and spatial resolution are two performance indexes of optimal weight coefficients. Experiment results show that it is a practical and effective method.     

基于谱间线性滤波的高光谱图像压缩感知

根据高光谱图像较强的谱间相关性,提出一种基于谱间线性滤波的高光谱图像压缩感知方法.高光谱图像进行压缩重构时,利用相邻波谱的谱间相关性,对重构的当前帧与前一谱段的重构图像进行谱间线性滤波,降低了重构帧的噪音信息,纠正了重构帧的轮廓信息,从而提高重构质量.在进行谱间线性滤波时,保留重构帧的低频系数,高频系数与前一波谱重构图像的高频小波变换系数进行线性加权求和,达到滤波的效果.通过实验表明,该方法能够有效提升图像重构质量,并降低重构时间.     

基于二代curvelet变换的图像融合研究

曲波(Curvelet)作为一种新的多尺度分析方法比小波更加适合分析二维图像中的曲线或直线状边缘特征,而且具有更高的逼近精度和更好的稀疏表达能力.将curvelet变换引入图像融合,能够更好地提取原始图像的特征,为融合图像提供更多的信息.第二代curvelet理论的提出也使得其理论更易理解和实现.因此,提出了一种基于第二代curvelet变换的图像融合方法,首先将图像进行curvelet变换,然后在相应尺度上利用融合规则将curvelet系数融合,最后进行重构得到融合结果.对多聚焦图像进行了实验,采用均方误差、偏差指数和相关系数对融合结果进行了客观评价,并与基于小波变换的融合进行了比较,实验结果表明该方法除分解2层时与小波性能相当,取其他分解层数时均获得更好的融合效果.     

Combined multi-kernel support vector machine and wavelet analysis for hyperspectral remote sensing image classification

Many remote sensing image classifiers are limited in their ability to combine spectral features with spatial features.Multi-kernel classifiers,however,are capable of integrating spectral features with spatial or structural features using multiple kernels and summing them for final outputs.Using a support vector machine(SVM) as classifier,different multi-kernel classifiers are constructed and tested using 64-band Operational Modular Imaging Spectrometer II hyperspectral image of Changping Area,Beijing City.Results show that by integrating spectral and wavelet texture information,multi-kernel SVM classifiers can obtain more accurate classification results than sole-kernel SVM classifiers and cross-information SVM kernel classifiers.Moreover,when the multi-kernel SVM classifier is used,the combination of the first four principal components from principal component analysis and wavelet texture provides the highest accuracy(97.06%).Multi-kernel SVM is therefore an effective approach to improve the accuracy of hyperspectral image classification and to expand possibilities for remote sensing image interpretation and application.     

基于分窗Gram-Schmidt变换和PSO-SVR算法的水稻纹枯病病情指数检测

纹枯病是水稻的主要病害之一,其防治对于保证水稻产量、质量具有重要意义,以高光谱检测水稻病害得到了广泛应用,并且高光谱降维是光谱分析的重要环节。该研究在2019年沈农水稻试验基地获取水稻低空遥感冠层与地面冠层高光谱,并对其进行以窗口宽度为15和阶数为3的Savitzky-Golay平滑处理和光谱变换（得到原始光谱、一阶微分光谱和倒数之对数光谱）,分窗口对这3种光谱分别进行Gram-Schmidt变换,找到投影空间并映射出主基底,实现高光谱数据降维,绘制具有显著性概率的主基底,其极大极小值为特征波段。此外3种光谱还采用了主成分分析和连续投影法降维。以降维后的数据与水稻纹枯病病情指数进行支持向量机回归建模,其中支持向量机回归进行粒子群优化,并以径向基为核函数,对比分析了3种降维方式的降维效果。结果表明：水稻地面冠层尺度建模效果高于低空遥感尺度建模;在光谱处理方面,低空冠层高光谱进行倒数之对数变换效果较好,地面冠层所得高光谱数据进行一阶微分变换效果较好;分窗Gram-Schmidt变换算法优于主成分分析和连续投影法;粒子群算法可以优化支持向量机中的惩罚系数和核函数参数,提高其反演精度;无人机低空遥感尺度中,高光谱进行倒数之对数处理,以分窗Gram-Schmidt变换降维,敏感波段为427.3,539.6,749.5和825.4 nm,PSO-SVR建模决定系数R2为0.731,均方根误差RMSE为0.151;地面冠层尺度中,高光谱进行一阶微分处理,以分窗Gram-Schmidt变换降维,敏感波段为552,607,702和730 nm,PSO-SVR模型决定系数R2为0.778,均方根误差RMSE为0.147。因此,高光谱技术可以有效地检测水稻纹枯病,并且其病情指数可用冠层高光谱进行反演,分窗Gram-Schmidt变换对于高光谱数据降维有较好的效果,PSO-SVR建模对于水稻纹枯病病情指数的反演有明显提高,结果可为冠层尺度检测水稻纹枯病与病害发生情况提供一定的理论基础和技术支撑。     

基于非抽样剪切波的加权区域图像融合

以提升遥感图像和多聚焦图像的融合精度为目的,结合非下采样剪切波变换（NSST）可以捕捉图像的细节特征,提出了一种NSST和加权区域特性的图像融合方法。利用非下采样剪切波变换对源图像进行多尺度、多方向分解,得到低频子带和高频子带,低频子带系数采用改进梯度投影的非负矩阵分解（NMF）,高频子带系数采用加权区域能量和区域方差相结合的融合策略,然后应用非下采样剪切波的逆变换得到融合的图像。实验结果表明:该方法从主观视觉方面很好地保留了多幅图像的有用信息,给出该方法与其他融合算法在客观评价指标应用信息熵EN、互信息MI和加权边缘信息量QAB/F的比较结果 。