遥感影像融合AIHS转换与粒子群优化算法

Pan-sharpening是通过将低分辨率多光谱图像(LMS)与高分辨率全色图像(PAN)进行合成而获得高光谱高空间分辨率的多光谱图像(HMS)的过程。本文提出一种Pan-sharpening方法,称为PAIHS。该方法基于自适应亮度-色度-饱和度(AIHS)转换和变分Pan-sharpening框架以及两个假设(①Pan-sharpening图像和原始多光谱图像(MS)具有相同的光谱信息;②Pan-sharpening图像与全色图像(PAN)包含的几何信息保持一致),同时确定目标函数,然后用粒子群算法(PSO)进行优化,目的是得到最佳控制参数并求得目标函数最小值,此时对应着最好的Pan-sharpening质量。试验结果表明,本文提出的方法具有高效性和可靠性,获得的性能指标也优于目前一些主流的融合方法。

基于独立成分分析和IHS变换域的灰度可见光和红外图像融合

针对灰度可见光和红外图像的融合图像缺乏色彩信息、图像的高阶信息在变换域中统计独立性不足的缺陷,提出一种基于独立分量分析和IHS(亮度-色度-饱和度)变换域的融合方法.该方法利用IHS变换域能够有效分离图像亮度分量和彩色信息的优势,对灰度可见光图像建立灰度图像的彩色传递模型.利用各分量的独立性进行基于独立分量分析和IHS变换域的图像融合,并得到最终的彩色融合图像,使融合图像更加符合人类视觉要求.仿真实验验证了所提出算法的有效性.

对称分数B样条小波的PCA图像融合

有良好逼近能力的对称分数B样条小波,在刻画图像纹理方面优于传统小波,为图像融合提供了有利条件。将其与PCA(Principal Component Analysis)变换相结合之后对高分辨率全色图像和低分辨率多光谱图像进行融合,提出了一种新的图像融合算法。对两幅源图像应用PCA变换,得到的两个第一主分量分别进行对称分数B样条小波变换,再对产生的两组高、低频小波系数采取不同的规则进行融合,生成两组新的高、低频系数,对其进行小波反变换得到新的第一主分量,与多光谱图像的其他主分量进行PCA反变换,得到最终的融合图像。实验结果表明,该方法使融合图像既提高了分辨率又保留了丰富的光谱信息。

基于相位一致性与PCNN的SAR和多光谱图像融合算法

针对合成孔径雷达(synthetic aperture radar,SAR)和多光谱图像融合结果易出现空间细节信息丢失问题,文章提出一种相位一致性和脉冲耦合神经网络(pulse coupled neural network,PCNN)相结合的图像融合方法。利用强度-色调-饱和度(intensity-hue-saturation,IHS)变换和非下采样shearlet变换(non-subsampled shearlet transform,NSST),将SAR和多光谱图像分别分解为低频系数和高频系数。从图像的空间结构和纹理特征入手,在低频中采用相位一致性融合规则,根据相位一致性提取的图像特征信息选择低频融合系数;在高频中采用PCNN的融合规则,有效保持图像的边缘纹理等细节信息。最后对融合后的高低频系数进行NSST逆变换和IHS逆变换,得到融合图像。针对哨兵1号SAR图像和Landsat-8多光谱图像进行实验结果表明,该方法在主观评价和客观评价方面均有明显提升,在保持光谱信息的同时,更好地提高了图像的空间细节表现能力。

基于面向对象分类约束的融合方法研究

像素级融合方法中常出现色彩突变或色彩失真现象。通过分类信息对融合进行约束可以部分消除目标地物边界的这些现象。然而传统的基于像素分类的影像融合方法由于分类中的“椒盐效应”,导致融合效果受到一定的影响和限制。采用面向对象分类约束的方法对该融合方法进行改进。首先采用面向对象分类方法进行影像分类,解决了基于像素分类中的“椒盐效应”问题;其次将分类结果作为影像融合的约束条件,利用色度饱和度明度(HSV)变换进行融合;最后将该方法的结果与多种融合方法的结果进行定量比较,发现该方法除在目视上取得很好的增强效果外,在信息熵、方差等指标上也取得了很好的效果。