摘要：针对目前遥感图像融合不能为有效兼顾多光谱图像的光谱信息和全色图像的空间信息导致融合图像质量不佳的问题,提出基于结构稀疏表示与细节注入的遥感图像融合方法。该方法首先采用双重稀疏表示分别获取全色遥感图像对应的高、低频结构化字典;其次,通过该字典对全色遥感图像进行稀疏表示,得到其高频细节信息;最后通过细节注入模型(ARSIS)将全色图像中的细节信息融入低分空间辨率的多光谱遥感图像。实验结果表明,与传统基于稀疏表示以及细节注入模型的融合方法相比,本文方法能更好的兼顾融合图像的空间与光谱分辨率,在视觉效果与指标评价上均具有更好的融合效果。

摘要：针对传统主成分分析(PCA)多光谱图像融合算法引起的光谱失真问题,文中利用支撑值变换(SVT),提出了一种改进的PCA融合算法。首先利用PCA变换从上采样多光谱图像中提取出PC1分量并对其进行调制。然后利用SVT变换对调制的PC1分量和全色图像(PAN)进行分解,得到二者分解的高低频分量,进而再设计不同的高低频融合规则进行融合得到融合的PC1分量。最后通过逆PCA变换获得融合的多光谱图像。利用IKONOS和Quick Bird卫星数据得到的实验结果表明,融合构造的PC1分量更适合于多光谱融合,并且该算法提高了传统PCA融合算法的性能。

摘要：针对传统深度学习的遥感图像全色锐化方法未考虑源图像多尺度方向信息和通道间的关联紧密性,导致融合图像出现空间信息丢失和光谱失真问题,提出了一种基于多尺度残差注意力网络的遥感图像全色锐化方法。将低空间分辨率多光谱(low-resolution multi-spectral, LRMS)图像经过双三次插值上采样与高空间分辨率全色(panchromatic, PAN)图像级联,得到一个5通道图像作为输入;设计3个并行的多尺度残差注意力网络从空间和通道两方面提取源图像不同频度的特征,每个子网络包含浅层特征提取、深层特征提取、特征融合、特征重建过程,将三者的输出进行跳连接获得最终融合图像,将光谱角映射、平均绝对误差和几何梯度权重相加作为一种新的损失函数来训练参数,以提高网络的信息表征能力;选择在WorldView-2和WorldView-3数据集上与其他7种融合方法进行对比实验,并在WorldView-3数据集上对模型的网络结构及损失函数性能进行验证,实验结果表明:该方法在光谱信息和空间信息保持方面具有明显优势。