深度卷积网络环境下基于插值算法的图像融合研究

针对现有图像融合算法融合效果差、效率较低的不足,在深度卷积网络环境下提出一种图像插值算法.先对原始图像进行滤波、分割等预处理,使图像具备融合的可能性;然后构建深度卷积神经网络,为提升训练性能,采用了双卷积层和池化层的结构设计,同时选用Tanh激活函数提升模型泛化能力;基于方差梯度建模,并采用邻域像素法插值,使融合后的图像像素平滑过渡,强化了融合图像的细节并改善图像的质量.实验结果显示:提出算法的图像融合质量评估指标均优于传统融合算法,且处理训练集和测试集的耗时更短.

像素融合方法的红外双波段目标模拟器设计

提出了一种基于像素融合法的双波段红外目标模拟器设计方案。方案采用双波段亚波长光栅代替光学薄膜作为滤光片,仅使用了一套景象生成器和投影系统完成双波段红外目标模拟。该方案解决了传统双波段红外目标模拟器结构复杂,生产成本大,能量比无法调谐的问题。首先介绍了该设计方案的工作原理并说明了其可行性,然后基于严格耦合波理论分析了不同参数下亚波长光栅的滤波特性,最后根据双波段探测需求完成了光栅设计。

Bayes融合理论在库区滑坡动态变形监测中的应用研究

滑坡体的工程地质特性及其时效,可由传感器采集到的滑坡体动态监测数据从一个侧面反映出来,而在多个传感器融合的过程中,常常出现各个评价指标不一致的现象。为消除这种现象,采用基于Bayes理论的决策级融合方法,将其应用于西南某滑坡动态变形的监测分析。经分析知:该滑坡先后经历了缓慢变形期、匀速变形期、加速变形期和急剧变形期。表明该滑坡具有阶段性变化的特点,符合滑坡变形的一般自然规律。同时证明了该方法在滑坡动态变形监测与分析中的有效性和可行性。

BP神经网络在多源图像融合中的应用研究

采用BP神经网络与SVR融合法相结合的方法来实现像素级多源图像融合。改进型的SVR方法,用来进行全色波段和多光谱波段的融合。首先将各多光谱波段与全色波段求算回归系数,然后利用回归系数与多光谱波段合成模拟高空间分辨率全色波段,最后利用比值变换完成各波段的融合。通过仿真证明,BPNN-SVR融合法优于SVR融合法。

分层像素级图像融合中线性轮廓信息识别仿真

为提升分层像素级图像融合的效率和效果,文章提出了一种基于图像分割的线性轮廓信息识别方法,首先对模糊块状的源图像进行层次划分,通过灰度值的差值计算获得清晰的像素区域,以获得分层像素级图像的最佳融合区域;而后,根据传统Canny算子阈值设置不合理造成的轮廓边缘不连续或伪边缘的问题,引入最大信息熵进行阈值自适应选择,以改进Canny算子,去除伪边缘的问题,并融合自适应生长区域算法、Otsu阈值分割识别轮廓边缘的断点信息,解决轮廓边缘不连续的问题。最后,利用Matlab仿真分析,验证了改进Otsu阈值法和自适应阈值Canny算子的线性轮廓信息识别算法的准确度、完整性更高。

基于Kalman滤波融合算法的库区滑坡动态变形监测综合信息提取

为了消除和减小滑坡变形多点监测中的误差,正确评价滑坡体的工程地质特性及其时效性,采用基于Kalman滤波的决策级融合方法对西南某滑坡变形进行动态分析。在融合监测年间的水平位移和垂直位移数据的基础上,综合判断滑坡体的依时性工程特性。融合结果表明该滑坡体先后经历缓慢变形期、匀速变形期、加速变形期和急剧变形期,表明该滑坡体具有阶段性变化的特点,且降雨入渗是诱发该滑坡发生位移变形的主要因素,结果符合滑坡体变形特征的自然规律。同时修正了传统方法不考虑传感器自身因素的局限性,合理利用融合方法的互补性,消除了部分传感器采集数据的模糊性、不确定性和随机性,证明该方法在滑坡动态变形监测与分析中具有有效性和可行性。

ESTARFM相似像元选取方法的改进研究

ESTARFM(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)是一种经典的基于权重滤波的时空融合算法,它在众多领域得到广泛应用。相似像元选取是其一个重要步骤,ESTARFM模型中相似像元选取过程受搜索框大小和分类数影响,当前的研究中搜索框大小的设定较为统一,而分类数大小设定缺乏统一性。为降低ESTARFM算法中分类数对算法性能的影响,将STNLFFM(A Spatial and Temporal Nonlocal Filter-Based Data Fusion Method)中相似像元选取方法与ESTARFM模型相结合,提出改进的ESTARFM_NL模型。研究设计了两组不同时相变化条件下的数据进行对比分析。结果表明:ESTARFM_NL与ESTARFM融合结果相对误差直方图总体分布趋近一致,同时利用平均相对误差和相关系数对融合结果进行评价,发现两种算法之间精度差异较小,表明两种算法融合精度相当;对比两种算法运算效率,发现ESTARFM_NL运行时间能够得到大幅缩减。因此,ESTARFM_NL为大区域或长时间序列遥感数据的时空融合提供了一种可选择的融合方案。